模糊神经计算的满意输出原理

人工神经网络向人类大脑学习中，不仅要仿效大脑能处理模糊输入信息的能力，而且要学会及时输出能解决问题的满意解的原则和方法，以保证智能信息处理的实时性和多功能性。本文在扼要阐明模糊神经计算系统的基本体系结构和工作原理基础上，重点研究分析模糊神经计算的满意解原理和应用。     

基于FNN的驼峰车辆减速器出口速度的计算

减速器出口速度的合理性直接影响着驼峰溜放作业的效率和安全。目前，国内外常用的驼峰车辆溜放速度控制模型主要是基于车辆走行阻力的统计特性。但车辆走行阻力是随机、离散的复杂变量，难以准确测定；而且，基于这个统计模型的出口速度计算法比较机械，没有自适应能力，使得某些溜放环境变化后，溜放作业的安全连桂率有所下降，安全善恶化。为此，本文基于模糊神经网络（FNN）理论，提出了一种新的计算车辆减速器出口速度的智能控制模型。该模型采用五层的前向神经网络来构造模糊系统，以模拟熟练的调速作业员给定出口速度的模糊和自适应策略，并在相关的先验知识的基础上，使用了改进的误差反向传播学习算法，具有自学习和自适应能力。在驼峰溜放环境变化时，控制系统能通过自学习，自动校正减速器计算出口速度模型，改善控制品质，使系统保持设计的安全连挂率。计算机模拟结果表明这种模型是很有效的。     

基于卷积神经网络的船舶复合接头焊接损伤识别

提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的船舶复合接头焊接损伤识别方法。采用Ansys软件对焊接过程进行模拟,考虑5种不同损伤位置和损伤程度的模拟工况,采集不同工况条件下复合接头的应变响应数据。构建一维CNN,将数据分为训练集和测试集放入神经网络中进行训练和测试,验证该方法对复合接头焊接过程中不同损伤位置和损伤程度进行识别的适用性。结果表明,该方法在结构焊接损伤检测方面具有良好的检测性能。     

基于IAFSA-BP神经网络的泥水盾构机跨江段油脂消耗预测

油脂是盾构施工过程中主要消耗性材料,该消耗量对施工成本的影响较大。盾构机在不同地质条件下施工时,对应的油脂消耗量变化较大。对传统的鱼群算法(AFSA)进行改进,通过改进的鱼群算法优化了BP神经网络,构建了盾构机在不同地质条件下掘进时的油脂消耗量预测模型。基于武汉地铁8号线跨江段施工过程中的地质状况、掘进速度、盾尾密封油脂消耗量(WR)、主驱动外密封油脂消耗量(HBW)和主驱动内密封油脂消耗量(EP2),对模型进行了训练并利用该模型对部分施工段油脂消耗量进行预测。预测结果表明:改进后的模型能较好地预测3类油脂的消耗量,相对误差分别为12.60%、9.66%和7.35%,在可接受范围内,对于油脂消耗的预测具有一定参考意义。     

基于模糊神经网络的一种船舶碰撞危险度计算方法

利用神经网络与模糊推理提出一种船舶碰撞危险度的计算方法.用神经网络替代模糊推理过程,建立基于碰撞危险度计算的模糊神经网络推理框架,利用推理规则生成用于网络训练的样本.实例验证了方法的可行性.     

基于有向图卷积与门控循环单元的短时交通流预测方法

为了充分挖掘快速路交通流时空特性,解决当前城市快速路交通流预测存在交通流时空特性挖掘不充分等问题,进一步提高城市快速路短时交通流的预测精度与效率,研究了基于有向图卷积神经网络和门控循环单元的组合模型（directed graph convolution network-gate recurrent unit,DGC-GRU）的城市快速路短时交通流预测方法。该方法提出空间相关性矩阵并将其引入图卷积神经网络中,构建有向图卷积神经网络用于表征交通流的有向性和流动性。将交通流参数输入有向图卷积神经网络后得到有向图卷积算子,并将有向图卷积算子引入门控循环单元,通过有向图卷积神经网络捕捉交通流的空间特性,通过门控循环单元捕捉交通流的时间特性,输出快速路交通流预测结果。选取西雅图环形快速路感应器检测数据进行实例分析,对比模型预测效果。结果表明：在数据集与参数设置均相同的情况下,DGC-GRU交通流预测模型的训练收敛速度更快,且平均绝对误差（mean absolute error,MAE）和平均绝对百分比误差（mean absolute percentage error,MAPE）均优于对比模型,与传统的GRU、GCN、DGC-LSTM模型相比,DGC-GRU模型能够将MAE和MAPE指数分别降低33.01%、5.76%、1.32%和27.75%、1.15%、7.76%,表明DGC-GRU交通流预测模型能够有效挖掘城市快速路网中的交通流时空分布特征,具有良好的预测精度与效率。     

应答器/SINS信息融合的列车定位方法研究

针对列车在高架桥、隧道、密林等地区无法接收卫星信号的问题,采用应答器/SINS信息融合的方法对列车进行位置监测。首先建立了基于固定应答器融合SINS (捷联惯导系统)的数学模型,利用ECEF坐标系进行二者信息融合;其次采用鲁棒滤波器对融合误差进行估计,保证系统的稳定性;最后结合先验数据,采用神经网络预测出捷联惯导系统误差,修正列车定位信息。仿真实验结果表明:与应答器融合后的SINS,一定程度上抑制了定位结果的发散;在400s内不依靠卫星的情况下,也能使定位累积游走误差下降93.6%。