基于改进的模糊决策树ETC系统客户欺诈分析研究

随着我国ETC系统的普及，对其进行管理成了急需解决的问题，因利用电子标签和智能卡进行欺诈的行为将给高速公路管理部门带来了极大的损失。介绍了一种改进的模糊决策二叉树模型。即采用最优分割熵方法确定最优割点来对数据模糊化，引入模糊数学中的不确定性理论，依据分类的不确定性建造树，生成规则，在此基础上利用规则匹配的方法检测任意的样本数据是否为欺诈数据。     

车辆主动悬架的神经网络模糊控制

利用神经网络来实现在车辆主动悬架中的模糊控制，通过对主动悬架实体装置的台架实验研究，在不同激励信号的作用下，神经网络模糊控制器都具有很好地抑制车体振动的特点，其控制效果明显优于PID控制。在车辆主动悬架中，神经网络模糊控制具有设计新颖，实用性强，特别对于减振效果要求较高的车辆，更能发挥其优点。     

具有地面不平度预测量系统的主动悬架系统的连续模糊控制

本文采用连续模糊控制方法来实现具有地面不平度预测量系统的主动悬架动力装置的控制，并通过模拟计算证明了采用此方法可使汽车和行驶平顺性和行驶安全性同时得到有效改善，结果还明，它可以有效降低主动系统消耗的最大功率和一定程度降低总能量的消耗。     

船舶舱室布置方案的模糊综合评价

在建立某型船指挥舱室布置方案评价因素集的基础上,用层次分析法确定了各因素的权重系数,采用语言值标尺及基于重心的方法构造模糊评价矩阵,最后用广义空间距离方法进行方案的比较与排序,完成某型船指挥舱室布置方案的模糊综合评价．     

高阶CMAC神经网络及其在水下机器人运动控制中的应用

对高阶ＣＭＡＣ神经网络的结构和工作原理进行了研究,提出了中间层作用函数地址的计算方法,给出了计算高阶基函数的不同方法,利用高阶ＭＣＡＣ神经网络对水下机器人模糊深度控制器进行了学习,仿真结果显示了不同高阶基函数ＭＣＡＣ网络的不同建模能力,证明了中间层作用函数地址的计算方法正确。     

散装货船模糊综合安全性评估的实现方法

基于模糊数学的理论,将模糊多级综合评判方法运用于散装货船的综合性评估。通过综合分析与模糊化处理影响散装货船安全笥的船舶、船员及环境三方面的各种因素,建立了模糊综合安全性评估的数学库和计算机程序。     

一种水下目标识别方法──基于模糊理论的多种神经网络融合分类

在应用多种方法提取目标噪声中分类特征的研究基础上,本文设计出基于模糊理论的多神经网络融合分类器,其研究重点主要包括有监督分类的模糊聚类神经网络分类、多神经网络与模糊综合分析相结合的融合分类。基于大量海试实测信号样本的多组实验表明,该分类方法具有良好的工程应用前景。     

模糊控制技术在船舶动力定位中的应用研究

在进行某船动力定位系统的设计过程中,采用了模糊控制器作为系统的控制器,并针对仿真过程中出现的问题进行优化,得到了一个切实可行的模糊控制器,并对该模糊控制器进行了仿真试验验证。     

基于遗传算法的舰船航速模糊控制研究

研究并建立了舰船航速控制系统的数学模型,并将模糊控制理论应用到该系统,提出了一种基于遗传算法的舰船航速模糊控制新方法。该方法较常规的模糊控制具有更优的控制性能,仿真实验结果表明该方法可行、有效。     

Integrated solution for anomalous driving detection based on BeiDou/GPS/IMU measurements

There has been an increasing role played by Global Navigation Satellite Systems (GNSS) in Intelligent Transportation System (ITS) applications in recent decades. In particular, centimeter/decimetre positioning accuracy is required for some safety related applications, such as lane control, collision avoidance, and intelligent speed assistance. Lane-level Anomalous driving detection underpins these safety-related ITS applications. The two major issues associated with such detection are (1) accessing high accuracy vehicle positioning and dynamic parameters; and (2) extraction of irregular driving patterns from such information. This paper introduces a new integrated framework for detecting lane-level anomalous driving, by combining Global Positioning Systems (GPS), BeiDou, and Inertial Measurement Unit (IMU) with advanced algorithms. Specifically, we use Unscented Particle Filter (UPF) to perform data fusion with different positioning sources. The detection of different types of Anomalous driving is achieved based on the application of a Fuzzy Inference System (FIS) with a newly introduced velocity-based indicator. The framework proposed in this paper yield significantly improved accuracy in terms of positioning and Anomalous driving detection compared to state-of-the-art, while offering an economically viable solution for performing these tasks.