基于神经网络实现的交叉口可变相序公交优先模糊逻辑控制

针对城市交通信号控制及公交优先问题,提出了一种交叉口自适应可变相序的多相位控制算法,利用多层BP神经网络实现了公交优先的交通信号多层模糊控制。仿真结果表明,与定时公交优先控制模型相比,模糊神经网络控制器能有效地减少公交车辆延误,具有较强的学习和泛化能力,可用于未来的信号控制系统中。     

基于模糊神经网络的结合部匝道控制方法研究

针对高速公路与关联城市快速路（简称结合部）路段拥堵日益严重的现状,从匝道控制影响要素分析入手,基于模糊控制和神经网络思想,本文提出了以主线交通状态与期望状态差值和匝道交通状态为输入变量,以匝道调节率为输出变量的模糊控制方法. 同时针对结合部路网互通式立交设计的实际情况,分单匝道控制和双匝道控制两种情况进行了分析,提出了相应的匝道控制方法,并建立了5层模糊神经网络控制模型. 最后以北京京津塘高速公路与北京三环和四环关联城市快速路为案例,对建立的模型进行效果验证,结果证明了所建立方法的有效性.     

模糊神经网络的控制原理研究

针对模糊控制系统存在的缺陷,讨论了模糊神经网络的基本组成,重点分析了神经网络控制系统的控制原理,这对神经网络控制系统的应用研究具有十分重要的意义。     

基于模糊神经网络的交通信号控制

本提出一种将模糊控制与人工神经网络和结合的自组织学习方法对交通信号进行实时控制。该方法以模糊神经网络为核心，应用在线滚动学习模型生成交通信号配时方案。这种方法克服了现有控制方法需要大量的数据传输，准确的数学模型等缺陷。中应用微观交通仿真系统对模型进行了校验，仿真结果表明该方法有效。     

基于模糊变步长神经网络的自适应PID控制

本文针对具有非线性和不确定性的控制对象，提出了一种基于前向神经网络的自适应PID控制系统算法。并根据其特点，提出学习步长模糊校正的方案.这种控制系统综合了神经网络、模糊决策和PID控制的优点，易于实现，仿真结果表明该控制系统对非线性被控对象具有比较好的控制效果。     

基于模糊补偿的RBF神经网络机械手控制

针对机械手系统的高精度轨迹跟踪控制,提出了一种基于模糊补偿的RBF（radial basis function）神经网络机械手控制方法.该方法首先利用PD（proportional-integral）控制器获得机械手的控制策略,将其输出作为RBF神经网络的输入,并学习得到系统模型;然后运用模糊逻辑补偿器对系统扰动和建模误差进行补偿;最后,在MATLAB/Simulink平台上针对两关节机械臂,进行了有模糊补偿和无模糊补偿系统跟踪的均方根误差测量仿真实验.研究结果表明,两关节机械臂的控制精度分别提高了60.8%和71.4%,本文提出的方法能够解决机械手实际模型很难精确建立的问题,并能对系统未建模部分和扰动部分进行自适应补偿.      

基于模糊神经网络的语言识别

神经网络上仍多极、并行、分布式、高度容错能力，并具有自行组织自行发展的适应性功能，能在被处理的信息内容引导下，自行改造其自身的结构及其运行规则，是研究非线性的、适应的、大脑风格的信息处理的全新工具，因此，本文提出一种模糊网络模型和自适应学习算法，并用自然语言的识别处理控制。     

基于模糊神经网络的自适应流量控制器研究

针对多容对象的流量控制，提出了一种模糊神经网络控制器，仿真结果表明，该控制器具有优于一般模糊控制器的性能。     

基于递归神经网络的预测模糊控制

为提高控制信息与实时状态的适应性，改善模糊控制品质，用传统模糊控制策略，根据当前时刻误差和预测误差变化值，预测下一时刻的控制输出和系统在未来时刻的误差,用递归神经网络预报系统未来输出值的功能，采用双系统交替控制模式．系统中包含1个模糊控制器和1个递归神经网络，一个工作，另一个学习，使控制系统具有自适应性．仿真结果表明，与常规模糊控制相比，预测模糊控制使超调减小，调节时间缩短．     

电动助力转向系统的神经模糊控制策略

介绍了汽车电动助力转向系统的组成、工作原理和神经网络模糊控制策略,设计开发了电动助力转向系统的电子控制单元．并通过仿真和EPS试验验证了系统模型和控制理论的正确性和可行性。     

基于神经网络的多变量模糊自整定PID控制器

针对脉冲ＴＩＧ焊动态过程控制提出了一种基于ＢＰ神经网络的多变量模糊自整定ＰＩＤ控制器。该控制器利用神经网络在线学习具有多变量耦合，非线性及不确定性的复杂的焊接动态过程的控制规则，实现ＰＩＤ参数的自动整定。仿真实验结果表明该控制器不仅具有模糊控制的简单，有效的非线性控制作用。还具备了神经网络的学习与适应能力，以及ＰＩＤ控制的普遍适用性。     

线控转向系统的神经网络模型与模糊控制

采用魔术公式表达的轮胎模型,建立线控转向系统非线性三自由度整车动力学模型,该模型在整个轮胎侧偏角范围内有效,反映轮胎侧偏角超过5°后轮胎侧偏力与轮胎侧偏角的非线性特性,并采用BP神经网络训练模型。转向传动比采用模糊控制。结果表明：采用BP神经网络训练模型较好的映射了输入与输出的非线性关系,采用转向传动比模糊控制算法得到转向传动比随车速的变化规律,可较好的实现低速转向灵敏和高速转向稳定的控制目标。     

基于AMFNN的非线性噪声消除器

提出基于加乘性模糊神经网络(AMFNN)的非线性噪声消除器，讨论了AMFNN模型和学习算法及其通用逼近性．该消除器利用AMFNN逼近噪声，然后从测量信号中消去噪声即得到有用信号．该噪声消除器具有神经网络分布式并行信息处理能力、较好的容错性和鲁棒性以及除噪性能．     

����ģ��������� �źŽ���ڷ���ˮƽģ��

回顾了现有信号交叉口机动车服务水平确定方法,提出了基于模糊神经网络的信号交叉口服务水平模型,设计了基于可视化仿真的驾驶员感受量化调查方法。该模型首先将评价指标输入模糊化,以便利用模糊理论模拟驾驶员的感受形成过程,然后利用人工神经网络驱动模糊推理,从而预测驾驶员对交叉口运行状况的感受,以及交叉口服务水平。本文以混合交通条件下信号交叉口转向车流为例,利用调查数据标定、验证模型。实验结果表明,该模型能够有效预测驾驶员对交叉口运行状况的感受和交叉口服务水平。通行能力、饱和度与驾驶员感受打分值之间的相关性较弱,但方差分析表明这两项指标是感受打分值及服务水平的显著影响因素。延误与感受打分值显著相关。     

基于分段学习的BP神经网络的交通流量预测

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳方案,实时、准确的交通流量预测是智能交通系统实现的关键技术之一。本文采用改进型BP神经网络建立起交通流的时间序列模型,该模型可用于短期内道路交通流量的预测。     

基于人工神经网络的快速路入口匝道流量预测

已有快速路入口匝道控制手段是以定时控制方法为主,虽然存在动态调整等方法,但缺乏预测机制,这主要是由于车流的动态性和随机性而难以进行定量分析,引入人工神经网络可对车流进行动态预测。分析了影响主线交通量的与匝道相关的因素,并在此基础上建立了神经网络预测模型,通过上海典型匝道（延安路-江苏路）一组实测数据对网络进行训练和预测,得到了满意的效果。