基于子波能量和神经网络分类器的机动车车型识别

为了使交通管理系统能进行可靠的机动车分类,研究了轿车、轻型越野车和货车3种机动车目标的声信号,提出了一种采用子波分解后不同尺度上声信号能量作为特征向量的特征提取算法,并设计了kNN(k近邻)分类器和改进BP神经网络分类器用于目标分类。目标识别和分类试验结果表明:所提出的特征提取算法能够很好地体现不同类型目标之间的差异,提取的特征向量稳健;设计的改进BP神经网络分类器的分类精度可达92.6%,且分类效果优于kNN分类器。     

基于BP神经网络的立交匝道布线方法

本文就ＢＰ神经网络对给定的线形设计知识的表达，联想记忆和网络结构进行了研究，提出了立交匝道布线的ＢＰ神经网络方法，或形象地称为“Ｐ→ＲＡＬ”映射算法，提高了立交ＣＡＤ系统自动化和智能化水平。     

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。     

隧道底部溶洞顶板安全厚度预测模型

以某公路岩溶隧道为背景,采用二维弹塑性有限元方法对隧道开挖进行数值模拟计算,分析隧道底部溶洞顶板安全厚度的影响因素,研究各影响因素与安全厚度的相关变化规律,并用多元回归和支持向量机方法建立能综合体现各影响因素的溶洞顶板安全厚度预测模型,从而为岩溶隧道设计施工提供一定的科学依据和指导。     

GM(1,1)预测模型的两阶段优化方案及其在交通量预测中的应用

GM(1，1)模型是灰色系统理论中的核心，已经得到广泛应用。章提出了GM(1，1)预测模型的两阶段优化方案，经比较，预测模型结果明显优于常规GM(1．1)模型。将改进的GM(1．1)模型用于交通量预测，预测效果较好。将等维递推处理技术应用于预测模型中，还可进一步提高该模型的预测精度和实用性。     

岩溶隧道溶洞顶板安全厚度预测探讨

文章以某岩溶隧道为背景,采用二维弹塑性有限元方法对隧道开挖进行数值模拟计算,分析了隧道底部溶洞顶板安全厚度的影响因素,研究了各影响因素与安全厚度的相关变化规律,并用多元线性回归的方法得出了一个能综合体现各影响因素的溶洞顶板安全厚度预测模型,以此确定顶板的最小安全厚度,从而为岩溶隧道设计施工提供一定的科学依据和指导.     

基于神经网络的交通事故预测

提出了交通事故预测的新方法－改进型BP神经网络，运用该网络对我国交通事故进行了预测分析。     

路面坡损状况及长期预报的研究

结合沈大高速公路青路面破损状况的实测资料，对高等级公路沥青路面破损规律及评价方法进行了研究，在此基础上，运用灰色系统理论方法建立了沥青路面破损状况的长期预报模型。     

基于多相关因素的汽车保有量预测神经网络方法

将神经网络技术用于汽车保有量预测，建立基于双BP神经网络的多相关因素汽车保有量预测模型。以呼和浩特市汽车保有量预测为例，详细介绍汽车保有量神经网络预测模型的操作过程，并证实了该方法的可行性和可靠性。     

规划网络路段交通量预测模型研究

交通量预测是公路网络规划过程中的一项重要工作，本文在传统的路段交通量预测方法的基础上，介绍了路段交通量ＯＤ模型法，根据实际道路网的形状，通过使路段交通量的预测值与观测值一致来进行模型推算，从而计算出规划网络上的交通量。与现有方法相比，可得出精度更高的结果。