基于驾驶员数据学习的自动驾驶车辆弯道转向控制研究

针对自动驾驶车辆的弯道转向控制问题,提出了一种基于驾驶员操纵数据分析和学习的控制方法。首先,建立了人-车-路软硬件综合模拟驾驶平台,采集了多位驾驶员在不同弯道上的转向操纵数据及车辆状态数据;然后,采用离散分析和拟合分析进行数据分析,并基于模糊综合评价算法建立转向行为评价体系进行数据评价与筛选;最后,将筛选后的驾驶员数据作为训练样本进行神经网络训练,建立基于神经网络的弯道转向控制器。仿真和实车验证结果表明,所设计的控制器能够很好地模拟熟练驾驶员在弯道上的转向行为,并能够保证车辆在弯道行驶的安全性和稳定性。     

基于神经网络的智能驾驶模式识别研究

为满足智能驾驶汽车高级驾驶辅助系统(ADAS)功能研发和验证的需求,提高ADAS功能的准确性,设计了一款基于神经网络的智能驾驶模式识别程序,该程序由数据采集、目标检测、场景识别预测3个模块组成.数据采集模块利用ESR毫米波雷达、前置摄像头对交通环境及周围车辆的数据信息进行采集;目标监测模块通过控制算法选择判断触发各类A...     

基于BP神经网络的基坑土钉支护结构优化设计

结合均匀试验设计和蒙特卡洛模拟,提出了一种基于BP神经网络的基坑土钉支护结构优化设计方法。在保证基坑安全稳定的前提下,首先通过确定决策变量、目标函数、约束条件（如安全系数、位移、沉降量等）和BP神经网络智能算法来优选所选定的支护结构参数,进而从中筛选工程量最小的样本作为最优支护方案。工程实例优化分析表明,该方法优化效果好,具有明显的经济效益和社会效益。     

神经网络在高速公路网综合评价中的应用

应用多层次分析法和神经网络模型,对高速公路网评价指标及综合评价方法进行了研究。建立了适用于高速公路网评价的四大类评价指标;针对定量和定性指标特性分别采取不同的无量纲化函数对其进行无量纲化处理;通过神经网络建模思路及网络模型分析,结合高速公路网评价特点及评价指标个数,建立了三层前馈神经网络综合评价模型。经在江苏省第二轮高速公路网规划评价中进行实际应用分析,结果表明选取的评价指标科学合理,神经网络综合评价方法克服了其它综合评价方法的随意性缺陷。     

基于神经网络的轻型客车悬架参数的优化

应用四轮相关的时域路面随机输入模型的不平度时间序列，对轻型客车的八自由度非线性平顺性模型进行了分析研究，并将计算出的平顺性指标作为输入，以径向基函数神经网络对后悬架参数进行了优化计算。算法准确，合理，为平顺性的进一步研究提供了新的方法。     

基于C-OWA算子和BP神经网络的地铁车站火灾安全评价

为克服地铁车站火灾安全指标动态性变化、耦合性作用等特征导致管理人员难以借助传统数理统计方法对车站安全做出科学且具有延展性评价的难题,提出构建基于C-OWA算子和BP神经网络的地铁车站火灾安全评价模型。首先,根据火灾发生的不同阶段并考虑人员疏散因素,构建地铁车站火灾安全评价指标体系; 然后,利用C-OWA算子对专家决策数据重新集结处理,削弱个别极值对权重的影响,提高赋权的科学性; 最后,利用BP神经网络连续自适应学习和反馈能力模拟指标复杂的耦合关系。将该模型运用在郑州地铁2号线紫荆山车站的火灾安全评价中,结果表明该车站火灾安全性高。     

基于BP神经网络的隧道周边位移安全监测模型

针对隧道周边位移安全监测的需要,考虑了施工对周边位移发展的影响,基于改进的BP神经网络建立了隧道周边位移的预测模型,结合茅山隧道工程,用动态建模法进行了模拟预测,结果表明该模型具有预测时间早、预测精度高的优点。     

基于BP神经网络的既有桥墩变位分析方法研究

洪塘大桥拓宽改建工程是在旧桥原址进行的,在新桥桩基施工期间,旧桥仍然要保持正常交通运营。基于自编Python程序,采用BP神经网络根据对洪塘旧桥桥墩在新桥桩基施工期间的倾角和沉降的监测数据进行分析,预测了新桥桩基施工对旧桥桥墩倾角和沉降变化的影响,并且将预测值和实测值进行了对比。分析结果表明:基于BP神经网络的分析结果可以对多种复杂因素影响的桥梁桥墩倾角和沉降监测分析起指导作用。该方法可供其他类似工程借鉴。     

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。     

基于人工神经网络的快速路入口匝道流量预测

已有快速路入口匝道控制手段是以定时控制方法为主,虽然存在动态调整等方法,但缺乏预测机制,这主要是由于车流的动态性和随机性而难以进行定量分析,引入人工神经网络可对车流进行动态预测。分析了影响主线交通量的与匝道相关的因素,并在此基础上建立了神经网络预测模型,通过上海典型匝道（延安路-江苏路）一组实测数据对网络进行训练和预测,得到了满意的效果。