Kohonen神经网络的VC实现及测试

Kohonen神经网络能够模仿人脑特征进行自组织学习,并能根据其学习规则,对输入模式自动进行分类。文章通过对Kohonen神经网络模型的研究,运用VC语言实现其算法,并完成对该神经网络分类功能的测试。     

基于模糊逻辑推理的燃料电池客车再生制动控制策略

以燃料电池客车为研究对象,在分析城市公交客车制动特点的基础上,进行了制动能量回收的分析计算,提出了一种简单实用的再生制动控制策略的模糊化设计方法。道路试验表明,该设计具有明显的节能效果。     

基于图像分析的滚动轴承表面缺陷识别技术研究

系统介绍了滚动轴承表面缺陷视觉检测系统的检测原理及流程,着重分析了表面缺陷二值图像的几何特征和形状矩特征、BP神经网络的各参数选择以及实验结果．实验证明本系统用于滚动轴承表面缺陷检测具有可行性,采用神经网络识别可使表面缺陷分类正确率达到88％．     

基于神经网络实现交叉口多相位模糊控制

根据城市交叉口交通流的特点，给出了一种交叉口多相位自适应控制算法，综合考虑相邻车道上的车队长度，利用多层BP神经网络实现了道路交叉口多相位模糊控制。仿真结果表明，所设计的模糊神经网络控制器能有效地减少单交叉口平均车辆延误，具有较强的学习和泛化能力。     

基于振动信号的柴油机进排气系统故障诊断研究

提出了一种根据柴油机气缸盖振动信号诊断进排气系统故障的方法 ,介绍了对柴油机的振动信号进行小波降噪和小波分解 ,提取相应特征向量 ,然后将振动样本的特征向量作为径向基函数神经网络的输入参数 ,以故障类别作为输出参数训练该网络 ,训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况。仿真和试验证明该方法有效可行     

基于Q-learning和BP神经元网络的交叉口信号灯控制

解决单交叉口信号灯最优控制问题。提出了基于强化学习的信号灯控制系统结构,应用强化学习中Q学习,将信号灯最优控制问题转变成是否切换运行相位的决策问题,提出了采用BP神经元网络实现Q学习的信号灯控制系统。应用微观交通仿真软件PARAMICS进行仿真分析,结果表明该系统能够感知交通流变化,并能够自适应地调整信号灯切换策略,以达到最优的控制效果,该方法是可行的,与定时控制相比具有明显的优势。     

冻融循环对不同塑性路基土剪切强度的影响研究

为了研究冻融循环对不同塑性路基土剪切强度的影响,通过室内三轴试验和冻融循环试验对3种塑性指数的土样进行了研究。结果得到:当冻融循环次数增加时,剪切强度随着塑性指标的增加而有所增大;当塑性指数相同时,剪切强度随冻融次数增加与围压增加改变各不相同,与冻融循环次数成反比,与围压成正比。并且冻融循环6~7次后,3种塑性指数土样的剪切强度的变化均会趋于平缓。     

基于多参数状态时间序列的交通状态预测方法

利用多个参数描述交通状态时,交通流数据表现为多维空间数据。提出了将属于每个状态的多维空间数据转换为一维时间序列的方法,对于此状态时间序列采用BP神经网络进行了下1个时段的交通状态预测。实验结果表明,多参数状态时间序列比单个参数时间序列能更准确地描述交通流状态变化过程,且算法简单,具有较强的预测实时性。     

基于RFID电子车牌数据的公交行程时间预测方法

为了给公交优先信号配时系统提供足够的"思考"时间和准确的控制依据,基于重庆市RFID电子车牌数据提出了一种采用自适应渐消卡尔曼滤波和小波神经网络组合模型动态预测公交行程时间的方法。综合分析公交行程时间的动态和静态影响因素,选取的模型输入参量为标准车流量、路段车辆平均行程时间、平均车速离散性和前班次公交行程时间。利用RFID电子车牌系统采集重庆市鹅公岩大桥路段车辆行驶数据,选取3 000组实际运行数据完成公交行程时间预测模型的训练,另筛选50组数据验证模型的有效性和准确性。研究结果表明：组合模型可动态自适应预测公交行程时间,预测值平均相对误差为3.23%,绝对误差集中在8 s左右,明显优于2种单一模型和基于传统GPS数据的公交行程时间预测模型,可认为选择RFID电子车牌数据作为组合模型的输入,能够明显改善模型预测精度;组合模型预测值的残差分布更为集中、鲁棒性较好,泛化能力强。选择平均绝对误差值、均方根误差值和平均绝对百分比误差作为模型评价指标,结果进一步表明,组合模型的综合预测效果明显优于单一的自适应渐消卡尔曼滤波和小波神经网络。研究方案可为先进公交信息化系统提供良好的技术支撑。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。