基于Simulink的单级倒立摆仿真对比

为了实现对单级倒立摆非线性不稳定系统的稳定控制,采用极点配置和模糊控制理论中的T-S模糊模型两种方法建立倒立摆系统的状态方程模型,并进行了状态反馈控制器和模糊控制器的设计.通过Simulink对倒立摆系统进行了建模仿真和对系统控制效果的分析,结果表明:这两种模型均解决了非线性系统问题,实现了对单级倒立摆的稳定控制,并且结构简单,稳定性和快速性很好,对于其它非线性不稳定系统的控制提供了一种有效的途径.     

直线二级摆的双闭环串级模糊控制研究

设计了一种基于直线二级倒立摆的双闭环串级模糊控制方法,该方法是将控制器的多变量输入分成两组,形成两个闭环,内环控制倒立摆的角度,外环控制倒立摆小车的位置,降低了系统设计的难度.最后,在SIMULINK环境下构造仿真程序,仿真结果表明了方法的可行性.     

基于极点配置法的倒立摆系统控制器设计

研究了倒立摆系统的建模与控制.首先对倒立摆模型进行抽象处理,对处理之后的模型进行受力分析,利用机理法建立倒立摆系统的数学模型,根据系统的需要设定参数,设计出该系统的极点配置器,最后通过MATLAB仿真软件得到系统在大约经历3秒后趋于稳定,仿真结果证明了设计方案的正确性.     

一种基于卡尔曼滤波器的单级倒立摆的LQR方法

倒立摆的控制因其系统动态模型是非最小相位系统而很难用经典控制算法得到较好的控制效果.提出利用最优控制LQR方法来完成控制.由于利用最优控制,系统状态必须全部已知.考虑到系统噪声和量测噪声,根据分离性原理,利用LQR方法设计控制律,利用卡尔曼状态估计来完成系统状态的重构.仿真结果显示该方法具有良好的控制效果.     

基于混合近端策略优化的交叉口信号相位与配时优化方法

交通信号优化控制是从供给侧缓解城市交通拥堵的重要手段,随着交通大数据技术的发展,利用深度强化学习进行信号控制成为重点研究方向。现有控制框架大多属于离散相位选择控制,相位时间通过决策间隔累积得到,可能与智能体探索更优动作相冲突。为此,本文提出基于混合近端策略优化(Hybrid Proximal Policy Optimization, HPPO)的交叉口信号相位与配时优化方法。首先在考虑相位时间实际应用边界条件约束下,将信号控制动作定义为参数化动作;然后通过提取交通流状态信息并输入到双策略网络,自适应生成下一相位及其相位持续时间,并通过执行动作后的交通状态变化,评估获得奖励值,学习相位和相位时间之间的内在联系。搭建仿真平台,以真实交通流数据为输入对新方法进行测试与算法对比。结果表明：新方法与离散控制相比具有更低的决策频率和更优的控制效果,车辆平均行程时间和车道平均排队长度分别降低了27.65%和23.65%。     

一种基于深度学习的离散化交通状态判别方法

在智能交通信号控制和交通流诱导系统中,交通环境状态的有效判别是影响交通控制决策的先决条件,本文针对交通流产生的大数据信息,结合深度学习算法提出一种离散化交通状态的判别方法.给出了包括交通状态数据采集、状态数据描述、状态深度学习和判别等功能模块的系统架构,构建了一种离散交通状态编码方法,为深度学习交通状态特征提供了数据基础.模型训练阶段,对采集到的二值和连续值交通状态数据,分别构建了两种不同的深度置信网络实现交通状态特征的无监督学习;模型微调阶段,在整合形成的高层抽象特征向量顶端增加softmax分类器,采用反向传播算法实现参数微调.最后,该方法基于VISSIM微观交通软件进行仿真,实验结果表明,离散交通状态编码方法可有效表达交通状态,基于深度学习的交通状态判别方法相对传统方法具有较高的准确度.     

倒立摆的双闭环解耦切换模糊控制设计与仿真

针对多变量、非线性的倒立摆系统,设计了双闭环解耦切换模糊控制.在该方法中,对双闭环参数耦合实现了解耦,使角度环控制倒立摆的角度,位置环控制倒立摆小车的位置,降低了系统设计的难度和复杂度.最后,用MATLAB语言编写数字仿真程序,对所设计的方案进行数字仿真,仿真结果表明了方案的正确性和有效性.     

平面一级倒立摆的双闭环模糊控制研究

针对多变量、非线性的平面倒立摆系统,设计了双闭环模糊控制.在该方法中,先将平面一级倒立摆系统进行近似分解成两个非耦合的独立运动,然后设计两个模糊控制器对两个独立运动分别进行控制,降低了系统设计的难度和复杂度.最后,用模糊逻辑推理和SIMULINK仿真程序,对所设计的方案进行了仿真,仿真结果表明了方案的正确性和有效性.     

混合交通流交叉口共享空间交互行为建模及仿真

为准确刻画交叉口共享空间内交通个体的运动和交互过程，并为智能汽车虚拟测试提供可靠背景交通流仿真环境，本文提出一种混合交通流交叉口共享空间交互行为模型。基于人类认知过程，模型被设计为“感知-决策-执行”的3层通用框架结构，模拟混合交通流中不同类型交 通个体从感知、决策直至执行的交互全过程。感知层提出一种二维平面交互对象选择方法，通过个体感知范围和轨迹冲突有序筛选交互对象，表征冲突交互的动态性特征；决策层基于当前时刻的交互对象和实时交通环境状况，使用交互行为决策方法为不同类型的交通个体分别选择适合的行为进行交互；执行层通过计算生成执行当前行为决策所需要的轨迹、加速度等关键参数，共 同控制仿真个体按照行为决策结果在二维平面上运动和交互。基于智能汽车Opendrive高精度 路网，构建虚拟测试仿真平台，并将所提出的模型注入平台进行测试。仿真结果表明，模型能较 好地复现交叉口共享空间中交通个体间的交互。研究结果有助于为智能汽车虚拟测试提供可靠背景交通流环境，并进一步提高虚拟测试工具的测试可信度、测试效率及泛化能力。     

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。     

基于端到端失真优化的无线视频联合编码方案

在无线视频传输环境端到端失真分析的基础上,针对H.264视频流建立了一种新的端到端失真模型.在使用LDPC信道编码方式与该失真分析模型的基础上,提出了一种基于端到端失真优化的联合信源信道编码方案.该方案根据当前无线信道的信噪比与信道带宽等状态信息,自适应地调节信源编码量化参数和信道编码码率,使端到端失真最小.实验结果表明,与固定码率编码相比,本文提出的联合信源信道编码方案可在不增加带宽的情况下显著提高视频传输质量.     

基于强化学习与安全约束的自动驾驶决策方法

在自动驾驶决策场景下,为解决强化学习算法安全性差、学习效率低的问题,提出一种在算法的训练阶段添加基于价值的安全约束和虚拟奖励的方法。首先,利用状态、动作价值函数和安全判断规则,对智能体执行的动作进行基于价值的安全约束,选择价值高且安全的动作。然后,向回放池添加包含虚拟奖励的预测轨迹数据,以补充由于约束而未能获取的试错动作信息和相应的状态、奖励信息。最后,为进行加减速和换道决策实验,基于修改后的高速公路仿真环境highway-env搭建了3车道高速公路场景,并以深度Q网络（Deep Q Network, DQN）算法为基础,分别训练和测试了无安全约束的算法、拥有基于规则的安全约束的算法和拥有基于价值的安全约束的算法。结果表明,考虑加速、减速、保持车速和车道、向左换道、向右换道共5种动作时,基于价值的安全约束算法的成功率比无安全约束的算法高3倍以上,平均回报提升28%;仅考虑向左换道、向右换道、保持车道这3种换道动作时,基于价值的安全约束算法的成功率比基于规则的安全约束算法高0.11,平均回报提升6%;都添加基于价值的安全约束时,考虑5种动作的算法相较于考虑3种动作的算法成功率低0.06但...     

环板式针摆线行星传动的运动仿真及试验对比

基于ADMAS软件环境,采用轨迹捕捉法模拟摆线齿形的展成法加工过程,并生成准确的摆线轮齿形．在此基础上构造出环板式针摆行星传动的动力学仿真模型,并对摆线针轮行星传动进行运动仿真。可直观地获得环板与摆线轮的相对运动关系及相应运动参数,为新型传动的参数化的优化设计和结构创新以及减速器虚拟样机的试验验证提供了直观可靠的可视化虚拟试验环境和设计基础,并将理论计算结果与试验分析结果进行了对比分析,对仿真模型进行验证．     

人工神经网络在飞行间隔控制中的应用

神经网络技术在自动控制领域得到广泛应用．鉴于空中交通管制的理论及技术特点,本文探讨了实现飞行间隔预测控制的神经网络模型及技术条件,尤其是提出了在多扰动环境中飞机速度、位移函数的构建方法,借助Matlab工具实现了仿真和验证．结果证明,神经网络的自学习功能能够很好地处理这类复杂的控制问题．     

平衡主线和匝道交通运行的强化学习型匝道控制研究

考虑合流区域主线和匝道的交通流运行状态,提出了一种基于深度强化学习的鲁棒自适应匝道控制模型——DRLARM模型。根据交通流运行特征,构造了平衡主线交通效率和匝道排队长度的强化学习奖励函数;为适应动态变化的交通环境,采用多交通流场景混合训练控制模型,在不同拥堵成因、不同拥堵时长、不同需求分布等测试场景下开展仿真实验,对比分析了无控制及DRLARM、ALINEA和PI-ALINEA模型控制的车辆平均行程时间A、车道占有率o、匝道排队长度W和匝道损失时间比P等评价指标。研究表明：DRLARM模型控制的平均行程时间A相比无控工况节省了22%,略好于ALINEA模型,与PI-ALINEA模型控制效果相当;DRLARM模型在不同测试场景下产生的匝道损失时间比P较稳定,匝道排队长度W绝对值相较于ALINEA模型和PI-ALINEA模型均缩短了约16%;深度强化学习方法兼顾了通行效率和路权公平性,训练所得DRLARM模型在动态交通条件下表现出良好的鲁棒性。     

基于扩张状态观测器的虚拟编组触发模型预测控制

为研究实际线路环境下的虚拟编组列车编队控制问题，综合考虑系统的实时性和抗扰性，本文提出一种基于扩张状态观测器的触发模型预测控制方法。首先，基于虚拟编组列车动力学方程搭建多车追踪模型，并设计终端函数，确保系统的稳定性；其次，针对模型预测控制中存在计算效率低和资源浪费的问题，引入事件触发机制，在求解优化问题时增加判断条件，以提高系统的实时性；再次，在前馈通路上加入扩张状态观测器，对环境中存在的扰动实时估计并补偿，减少干扰造成模型不准确的现象，提高模型的抗扰动能力；最后，基于MATLAB和Simulink仿真平台设计4列列车追踪的运行场景，并与传统模型预测控制方法进行对比，从控制精度和计算时间两方面验证所提方法的有效性。仿真结果表明：相较于传统模型预测控制方法，本文所提出的事件触发机制中3个阈值τ为0.001,0.010,0.100的计算效率分别提高了47%,64%,73%；在面对外部扰动时，本文所提算法在抗扰性上提高了33%。     

������ģ�͵Ľ�ͨ�ź���ѧϰ���Ʒ���

为了减少车辆通过路口的延误,采用云模型建立控制策略,运用Q-学习改进控制模型的参数。路口信号控制智能体通过感知系统获得车辆到达信息,根据信号控制规则集和车辆到达信息采取符合控制策略的控制行为改变当前信号状态。信号控制的关键规则采用二维正态半云描述,利用二维前件云发生器生成针对不同交通状态的控制策略。云模型中的主要参数通过Q学习算法进行优化,以总停车延迟作为目标函数经过迭代产生针对不同交通量的云模型最优控制方案。最后,使用仿真软件对传统控制方式和基于云模型的控制方式进行比较,仿真结果表明,基于云模型信号控制方法的控制效果优于定时控制和感应控制。     

����GA¬¬-BP�ĸ��ٹ�·����ѵ�ģ������������о�

鉴于模糊神经网络具有良好的非线性特性、学习能力、自适应能力和抗干扰能力,本文将模糊神经网络技术引入到高速公路入口匝道控制中。提出一种基于GA和BP算法的模糊神经网络控制器,并对控制器进行了详细设计。设计过程主要分为三部分：输入输出参数的选择、模糊神经网络的结构设计以及基于GA-BP的学习算法设计。最后,使用MATLAB软件对其进行了仿真。仿真结果表明,本文提出的方法是有效的,较之基于BP的模糊神经网络控制和ALINEA控制,能更好地稳定主线交通流密度。     

基于发动机模型的神经网络点火控制器

针对YN30QNE发动机,根据发动机平均值原理,建立了发动机平均值模型。在均值模型的基础上,建立了外负荷控制器模型,根据发动机的准维燃烧模型建立了发动机的点火提前角控制模型,并制取了点火提前角的初始MAP图。根据模型测得的试验数据利用神经网络自学习的能力,采用BP神经网络的改进LM优化控制方法,对点火提前角进行训练,神经网络根据训练过后得到的权值和阀值,达到发动机点火控制的目的。最后,搭建神经网络点火系统的Simulink对其进行仿真验证。     

基于深度学习的短期交通流预测方法综述

针对基于深度学习的短期交通流预测问题,揭示了时空相关性建模本质,分析了建模过程中涉及的多尺度时空特性、异质性、动态性、非线性等特点,明确了基于深度学习进行短期交通流预测的核心挑战,阐述了短期交通流预测涉及的外部信息整合、多步预测与单步预测以及单体预测与集成预测等相关问题;按照网格化和拓扑化2种交通流数据组织方式,分别综述了当前最新的基于深度学习的短期交通流预测研究方向。研究结果表明：针对网格化交通流数据,当前研究主要包含了基于2D图像卷积神经网络、基于2D图像卷积神经网络与循环神经网络相结合、基于3D图像卷积神经网络3种预测建模方法;针对拓扑化交通流数据,当前研究主要包含了基于1D因果图像卷积与卷积图神经网络相结合、基于循环神经网络与卷积图神经网络相结合、基于自注意力与卷积图神经网络相结合、基于卷积图神经网络的时空同步学习4种预测建模方法;总体上,基于深度学习方法进行短期交通流预测相较于采用时间序列和经典机器学习方法获得了预测准确性上的极大提升;未来,针对物理理论、知识图谱与深度学习相结合,构建多时空数据挖掘大模型以及轻量化、可解释性、模型结构自动化搜索等维度的相关探索将成为重要研究方...