基于RBF网络的动态称重系统设计

针对动态称重系统中数据处理的复杂性．利用径向基函数网络对系统进行了非线性建模，并通过仿真表现出良好的精度。章首先对径向基函数网络的拓扑结构以及径向基函数中心的选取、计算进行了介绍，然后从硬件和软件上对如何实现动态称重仪的设计进行了简述。     

汽车轮重动态检测中的单片机

介绍了89C51单片机应用于动态称重时检测车辆轮重的系统设计和实践。运用该单片机的指令系统和中断功能,给出了一种可靠的车速测量方法,实现了89C51单片机和PC机之间的串行通信。     

车载动态称重系统的研究

通过对载货汽车钢板弹簧悬架系统的分析,提出了利用BP神经网络根据钢板弹簧悬架系统的变形量来获得其所承受的载荷量的车载称重方案.利用单片机系统构建了一套车载动态称重系统及无线收发系统,编写了相应的测载和无线收发数据的软件,并进行了静态加载试验与各路面输入情况下的动态仿真分析.试验及仿真结果表明,所构建的系统能有效地应用于钢板弹簧悬架结构车辆载重的在线动态识别与道路管理.     

基于ETC的车辆动态称重系统轴载数据处理算法研究

文章针对提出的基于ETC的车辆动态称重系统设计,以压电石英传感器阵列作为称重单元,利用小波变换原理对采集原始数据进行降噪处理,并针对数据丢轴等现象提出基于相关性的信号完整性分析方法,最后依据各传感器的输出值及车辆通行速度建立了BP神经网络模型,利用该模型得到被称重车辆的车重。实验结果表明:称重传感器阵列和基于小波-BP神经网络的称重数据处理算法,达到了动态称重系统的称重数据测量精度,保证了基于ETC的动态称重系统从技术上得以实现,具有良好的实际应用价值。     

压电石英称重传感器在公路动态称重中的应用

针对现有公路称重系统传感器的缺陷,设计并研制出一种利用石英晶体纵向压电效应的压电式石英称重传感器系统,并应用于高速公路动态称重领域;介绍了压电石英称重传感器的技术原理,通过工程实例说明了其在公路动态称重系统中的应用情况,证实了该方法的可靠性和精确性,为公路动态称重长寿命、高精度研究提供新思路。     

动态称重技术在公路超载执法中的应用

超载车辆对路面的破坏和交通安全的影响是非常现实的问题，也是国内外路面管理执法部门共同关心的问题。如何加强对超载车辆的监测并确保行车安全以及可靠地预测与荷载相关的道路使用寿命．正在发展中的动态称重技术是解决问题的方案之一。文章介绍了动态称重技术在公路超载执法中的应用。     

优化算法在汽车动态称重系统中的应用

针对汽车动态称重情况下短历程信号问题，提出了利用优化算法解决的方案。根据汽车动态荷载特性和称重系统的动力学特性给出了检测信号的优化目标函数；然后，利用数值仿真验证优化算法在短历程信号状态下抑制低频周期干扰信号的性能。最后进行了样机设计和实验，实验结果表明该解决方法是可行的。     

基于神经网络自适应滤波的车辆动态称重系统研究

针对车辆动态称重信号的特点,提出了一种车辆动态载重信号的处理方法。该方法采用基于神经网络的自适应滤波变步长LMS算法滤掉称重信号在各个频段内的噪声。在不同的环境下,对不同的车型,该技术适应性好,精度高,速度快。基于这种信号处理方法,开发了基于神经网络自适应滤波的车辆超载动态监测系统,选择高性能TMS32C2812芯片,设计了高效的软硬件系统,能够准确、及时测量高速公路上所经车辆的重量。     

汽车动态称重技术在高等级公路管理中的应用

叙述了我国高等级公路运输中汽车超载现状．分析了汽车超载对公路使用寿命、交通安全，及对汽车工业等方面的影响；介绍了国内外汽车动态称重技术和动态称重产品的应用与发展状况。     

基于过程神经元网络与遗传算法的交通流预测

高速公路变通量预测对于高速公路建设和管理具有重要的指导作用。针对传统预测方法准确性低、预测时间长等问题,建立了遗传过程神经元网络优化模型,该模型既利用遗传算法全局搜索、快速收敛的优点,又利用过程神经元网络非线性描述、自学习自适应的优点,并以实际道路为例进行计算机仿真,实证分析的结果表明,该方法能够有效提高交通量的预测精度。     

基于遗传神经网络的货运量预测的研究与实现

针对BP网络和遗传算法的缺陷，提出了一种新的遗传神经网络优化模型，可以用来同时优化BP神经网络的网络结构和权值阈值，叙述了该算法的设计过程。利用该算法对货运量进行预测，并与标准的BP算法预测结果进行比较，计算结果表明，该算法的预测精度大大高于标准的BP算法的预测精度。     

基于神经网络的交通方式选择模型

已有的交通拥挤问题研究大多关注于城市交通的宏观层面,而对于微观层面的居民出行个体研究甚少,这主要是因为与出行个体相关的特征指标难以量化,只能做定性分析,引入神经网络模型即能够识别线性指标又能够识别非线性指标的特性。分析了影响居民出行方式选择的相关因素,这些因素包括出行者自身特性、出行者的出行特性、运输系统特性、出行区域特性和目的地区域特性5类,并建立了神经网络居民出行方式选择预测模型。通过实际调查数据的验证,表明本文模型具有很好的实用性,为城市居民出行方式的选择预测提供了新的思路。     

基于遗传算法的工程车辆自动变速神经网络控制

为了提高工程车辆传动系统效率，保持液力变矩器工作在高效区，提出了基于径向基函数神经网络的工程车辆自动变速控制方法，利用车辆传动试验台换挡控制试验的数据作为学习样本，采用遗传算法对径向基网络进行训练，并进行了验证性的仿真试验。仿真结果表明：该算法收敛速度快，能够满足工程车辆对换挡实时性的要求，可以根据车辆运行状态确定最佳挡住，并能够保证液力变矩器经常工作在高效区。     

基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。     

基于遗传神经网络的再生沥青混合料性能预测研究

以matlab为平台,分别应用BP神经网络和遗传算法优化的BP神经网络对再生沥青混合料的性能进行预测。以旧料掺量、油石比等8个影响因素作为输入层,以动稳定度、残留稳定度等5个性能指标作为输出层,将28组归一化处理后的试验数据进行神经网络的训练、验证和测试。结果表明:遗传算法优化的BP神经网络预测表现出更加精准的预测效果。将遗传算法优化的BP神经网络应用于工程实践中,再生沥青混合料性能预测可以大大提高试验科学性和预见性。     

BP神经网络在通道交通流预测中的应用探索

利用通道交通流参数在通道相邻路段的传动机理,分析上下游交通流特征参数的耦合关系,提出通道交通流预测技术,并基于传统数理方法建立交通流预测模型的局限性,提出神经网络模型。利用遗传算法不断优化网络权值,并通过改变网络隐含层节点数以及网络各层之间的转移函数提高网络模型的预测精度,实现通道下游交通流的实时预测。     

混合神经网络跟驰模型的建立

将混合神经网络模型(CNNM)应用于跟驰模型的建立。进行基于车载高精度GPS的跟驰试验设计,并结合试验数据,介绍模型建立的原理和过程。分别建立基于BP神经网络和基于径向基神经网络的跟驰模型,并应用于混合神经网络跟驰模型的建立。模型通过实测数据对混合模型的信用值进行调整,从而组合得到较高的精确度。通过对预测效果的比较,可以发现混合神经网络跟驰模型可以取得比单一神经网络模型更好的预测效果。     

人工神经网络与遗传算法在发动机性能优化中的应用

利用BP神经网络的自学习以及非线性逼近能力对发动机性能的影响因素和性能进行拟合和预测,再 用遗传算法强大的全局寻优能力对影响因素进行优化,最终得到满足发动机燃油经济性的最佳动力性组合。二者 的有机结合,为发动机性能优化提供了新的途径。     

交通冲突量的BP神经网络预测方法

交通冲突预测是进行交通事故预防和制定安全改善措施的有效手段，节约观测时间和人力。针对BP网络的缺点，提出了改进的快速BP算法，建立了交通冲突量的BP神经网络预测方法，并应用该方法对具体的交叉口交通冲突量的预测实例进行了研究，实践验证了该方法的有效性。