方程组系数矩阵的递归分块分解算法的设计实现

将方程组系数矩阵的LR分解算法过程加以改进,加入递归算法,使矩阵产生分块。用MATLAB和C语言对2种算法进行比较,发现递归分解法比LR分解算法速度快,占用内存少,适合当今分层多级存储的计算机结构。     

短时交通流组合预测模型研究

短时交通流预测是目前智能交通领域的研究热点,文中从实际应用的角度出发,提出了用于流量和速度预测的组合预测模型.该模型包含傅里叶历史估计模型、自回归模型和邻域回归模型三个子模型.详细介绍了组合预测模型的预测机理、模型细节以及用以实现模型实时更新的迭代回归算法.该模型被实际应用到北京市道路预测预报系统中,实际预测误差不超过15%.     

完善概念模型,探究工程项目成本管理理念

工程项目成本控制是企业生存和发展的血脉系统,是企业通过高质量的生产管理水平提升市场竞争力的根基依赖。本文从项目成本控制的概念模型出发,探究了从工程预算到偏差控制的项目成本控制理念,并且从寻求能够实现工程项目成本控制的实效途径出发,提出了采用阶段性成本控制工作转化来优化成本控制主线的建议。     

基于数字图像的道路平面线形恢复的研究

在老路改造过程中,需要道路的平面线形资料。基于对数字图像平面图像特性以及噪声分布规律的特点进行分析,运用特征空间聚类法对图像目标区域进行图像分割,提出了一种基于递归循环思想的噪声筛选算法对目标图像进行再处理,达到剔除噪声的效果。对道路的边线进行了标定及距离的测量,配合GPS设备在实践中进行了应用。实践证明方法在满足准确性的同时,也提高了运算的效率。     

花草植物的分形图像

利用分形几何可产生许多自然景像的图像，本文给出一种递归算法，用来生成花草植物的图像，并给出了几个生成有立体感的逼真花草植物的例子。     

永磁直线同步电机递归神经网络补偿器仿真研究

针对永磁直线同步电机驱动系统没有机械阻尼、抗扰动性能差的缺点,为了抑制参数及负载变化对控制系统影响,采用扰动观测器进行补偿,该观测器能较好地补偿参数及负载在小范围内的变化,但不能有效地处理过大参数变化量.为了加大永磁直线同步电机驱动系统在参数变化和负载干扰时的控制性能,提出以递归神经网络作为补偿器来取代扰动观测器.仿真表明,当系统参数动态变化或受到负载变化的影响时,利用递归神经网络来在线动态地调整网络的参数,系统仍将具有很好的动静态性能.     

一种基于商用车的自称重算法研究及实现

本文针对商用车自称重这一问题,提出一种基于车辆纵向动力学和积分法的自称重算法。本文使用Matlab/Simulink进行算法模型搭建,使用ControlDesk进行实验控制与自动化测试。在车辆纵向动力学的基础上,进行一次积分处理,即对系统和计算误差做一次平均处理,用以减小算法模型中的积累误差,提高计算精度。同时,利用带有遗传因子的递归最小二乘法对整车的质量进行估计,能够有效提高算法精确度。通过手动挡配置商用车进行算法实车试验,实验结果表明,算法误差在6%以内,算法具有强鲁棒性、适用范围广、计算结果精度高、收敛快等优点。     

基于递归框架的高速公路交通流量实时预测方法

实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理,且需要满足实时性需求。然而,少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory,LSTM）自编码器的高速公路交通流量递归预测框架,可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据,应用卡尔曼滤波方法进行数据平滑,以提高原始数据的可预测性能;引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模,以提高模型的运算效率;考虑到高速公路交通流量预测的实时性需要,进一步提出递归预测框架,用LSTM自编码器的预测值代替卡尔曼滤波值;根据获取的实时数据,执行自适应卡尔曼滤波算法以修正当前的最佳状态值,并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析,结果表明：所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势,模型预测的平均绝对百分比误差为5.0%,优于...     

自归理论与递归方法之数据质量辨识能力比较

分别应用自归理论和递归方法,对同一组隧道拱部沉降实测数据进行对比分析.分析表明:自归理论的数据质量辨识与数据筛选能力强于递归方法,宜于原始数据精度要求较高的、高等级项目监控的数据处理;而递归方法由于抗干扰性能强,在对参与数据质量没有较高要求时使用,亦不失为一种可行的措施.     

基于神经网络的水下机器人推进器故障诊断

为提高水下机器人系统的总体可靠性,开展了推进器故障诊断研究。在三层BP神经网络的基础上,提出了一种改进的递归神经网络并推导了网络的训练算法。利用直航、转艏等试验对网络进行训练,将训练好的网络用于水下机器人运动建模,对比模型的输出与实际传感器测量值来获取残差,通过分析残差特性来提取故障诊断判据,进而进行推进器故障诊断。将提出的方法应用到仿真试验和海上试验中,得出了相应的试验结果。通过对试验结果的分析研究,验证了方法的有效性与可行性,同时也表明该方法在工程应用方面具有一定的参考意义。