基于模糊神经网络的轨道电路故障诊断方法研究

将模糊神经网络FNN(Fuzzy Neural Network)理论引入轨道电路的故障诊断应用中,在对轨道电路的故障原因进行分析的基础上,根据轨道电路的工作原理和故障特点建立了FNN故障诊断模型。模型选定了3个关键部件的电压值作为输入,4种典型的故障作为输出,并根据专家经验总结了9条推理规则。通过对样本数据的学习训练,采用一阶梯度寻优算法对模型参数进行了优化。通过计算机仿真验证,这种用于轨道电路故障诊断的FNN模型是有效的,并具有一定的准确度,为轨道电路的故障诊断提供了良好的方法。     

基于神经网络的地铁牵引整流器控制算法研究

提出了一种利用神经网络对传统的PID控制器进行改造并应用于PWM单位功率因数整流器的控制方法,选择SVPWM控制方法对三相电压型PWM整流器进行控制,电压环采用基于神经网络自适应调整参数的复合型单神经元PI控制器。仿真结果表明,该PI控制器可以在线调整PI参数,快速跟踪整流器的变化,能有效地改善由于系统结构和参数变化而导致的控制效果不稳定的状况,适用于地铁需要频繁的起动、停车的条件。     

基于D-S证据理论信息融合的轨道电路故障诊断方法研究

在闭塞区间主流设备越来越多的采用ZPW-2000A型无绝缘轨道电路的背景下,针对单一故障诊断方法的诊断精度偏低问题,提出基于信息融合的故障诊断模型和故障诊断方法。该方法分别用BP神经网络和模糊综合评判对轨道电路进行故障诊断,然后将这2种方法的诊断结果作为D-S证据理论的证据体,利用神经网络输出和模糊综合评判输出来构造D-S证据理论中的概率分配,最后利用D-S证据理论将BP神经网络和模糊综合评判对轨道电路的故障诊断结果在决策级进行融合,诊断轨道电路是否有故障并判断故障的模式。仿真结果表明:该诊断方法具有较高的故障诊断精度,诊断结论的可信度有明显提高。     

利用BP神经网络预测钢材单位挤压力

以钢材中C和Cr的成分、变形程度和单位挤压力的关系为研究对象，在Matlab语言环境下，以正挤压试验数据作为训练和预测样本，用5节点的单隐含层BP型神经网络对钢材单位挤压力进行了预测。结果表明，采用正交试验和人工神经网络相结合的方法来预测单位挤压力是有效和可行的。     

液压半主动悬架的自适应神经网络控制

提出了液压半主动悬架系统的自适应神经网络控制策略 ,分析了系统模型及自适应神经网络控制器的设计和实现 ,并对控制效果进行了仿真研究。结果表明通过这种控制策略可以得到比较好的控制效果。     

基于驾驶行为分析的交通流中车辆跟驰建模与仿真

着重从驾驶行为分析的角度，对车辆跟驰模型中与人的因素有关的GM模型、CA模型、线性Helly模型、AP模型以及基于模糊逻辑和神经网络的车辆跟驰模型进行了详细的评述，提出了未来智能交通流中应充分考虑到数字驾驶行为对智能车辆跟驰建模与仿真的影响，以期正确地揭示出交通流的特性和本质。     

基于动态神经网络模型的交通事件检测算法

本文将一种新型的动态神经网络结构与传统的基于状态估计的故障检测方法相结合，提出了一种基于动态神经网络的交通事件检测算法。该网络借鉴静态BP网络的训练算法，并针对其训练方法中收敛速度慢及容易陷入局部极小点的缺点采用一种改进的算法，改善了训练效果。最后利用Matlab对提出的算法进行仿真，得到令人满意的效果。     

应用模糊自适应PID和预瞄策略的自主车辆转向控制

文中结合智能车辆路径跟踪过程中转向控制方面的特点，提出了一种将模糊逻辑、预瞄规律和自适应PID控制相结合的控制策略，建立起了相应的模型，验证了该方法的可行性和有效性，并提出了进一步改进的方向。     

神经网络信息融合方法在电控发动机故障诊断中的应用研究

利用虚拟仪器技术研制了数据采集与处理系统，可对发动机进行实时数据的采集、历史数据和暂态数据的显示，以及数字滤波、频谱分析、波形显示等方面的数据后处理。以电控发动机常见的故障现象——怠速不稳为例，研究了一种特征层信息融合方法——基于神经网络的信息融合技术在电控发动机故障诊断中的应用。     

基于神经网络的半主动悬架自适应模糊控制

提出了基于神经网络的自适应模糊控制策略。模糊控制主要用来对付系统的非线性；神经网络根据振动响应的方差递推结果来辨识车体的振动情况实时调节模糊控制器的量化因子，使模糊控制器对路面的变化具有自适应的能力。在半主动悬挂1／4车非线性模型的基础上进行了仿真研究。