RBF神经网络在公交行程时间预测中的应用

为提高公交行程时间预测结果准确度、减少预测过程花费时间,提出基于RBF神经网络公交行程时间预测模型。综合分析公交车辆行程时间动静态影响因素后,将网络变量输入模型对行程时间进行预测,以重庆市462公交线路为例,对模型进行验证,对比BP网络预测结果,表明RBF模型在速度和精确度上优于BP网络,具有一定实际应用价值。     

车用汽油机瞬态空燃比的混沌时序非线性组合辨识模型

为提高汽油机瞬态空燃比的辨识精度,提出了混沌时序非线性组合辨识模型.采用2种单项辨识方法,包括最小二乘支持向量机(LS-SVM)及径向基函数(RBF)前向型神经网络,分别对瞬态空燃比时间序列进行建模与辨识.采用非线性组合方法利用BP神经网络对2种单项辨识方法的结果进行组合辨识,并与Elman神经网络模型及最小二乘辨识模型进行比较.结果表明:混沌时序非线性组合辨识模型的辨识精度优于Elman神经网络模型及最小二乘辨识模型,具有更强的非线性辨识能力,能提高瞬态空燃比的辨识精度,为空燃比反馈控制的成功实行提供了有力依据.     

基于粗糙集和RBF神经网络的高速公路路面使用性能评价研究

利用可辨识矩阵对影响路面使用性能评价的宽泛指标集进行分类、约简,得出对路面使用性能评价最有影响的数据指标,建立RBF神经网络模型,并把处理后的数据指标作为RBF神经网络的输入进行训练、仿真.通过实例,给出了该方法的具体实现过程.与没有采用指标约简的RBF神经网络进行结果对比,该方法在路面使用性能评价上更具有实用性、有效性和可靠性.     

基于神经网络的态势预测方法研究

为提高安全态势感知精确度和降低其复杂度,加强网络系统的安全防护能力,提出了基于神经网络的态势预测方法,并研究了基于径向基函数和遗传神经网络的态势动态预测方法。神经网络可通过自学习和非线性映射以任意精度逼近函数关系,具有高度灵活可变的拓扑结构及很强的适应能力,对于中、短期预测具有较高的精度。     

基于RBF网络的小型车自由流车速模型的建立

充分考虑了自由流车速的主要影响因素,在30组观测数据的基础上,利用RBF网络建立了小型车自由流车速模型,并验证了该模型的可信性。     

RBF网络整定的PID控制器在发动机空燃比控制中的应用

传统的PID控制器很难适应复杂的非线性机械系统的控制,本文提出一种新型的用RBF网络整定的PID控制器来处理这类问题,并在发动机空燃比控制效果上与传统PID控制器进行了比较。仿真结果表明:该新型控制器控制效果比传统PID控制器好,在其他非线性复杂机械系统控制上也有一定的应用价值。     

基于RBF神经网络的不利天气道路通行能力计算

不利天气下影响城市道路通行能力的各种因素都具有随机的、非线性,采用常态条件下修正理论通行能力的计算方法是不适合的.文章结合RBF神经网络模型方法能够良好地分析出随机的、非线性的特点,对路网组成单元进行重新划分,选定不利天气下道路通行能力的影响因素,建立了道路通行能力计算的RBF神经网络模型.并依据哈尔滨市暴雨天气下道路的实际情况进行了算例分析,计算的道路通行能力与实测数据最大误差为-1.16%,验证了模型的可行性和有效性.     

基于RBF神经网络识别路面谱的新方法

路面不平度是车辆行驶中振动的重要激励。为了识别路面不平度的功率谱密度函数(路面谱),提出了一种基于径向基函数(RBF)神经网络识别路面谱的新方法。该方法以7自由度汽车振动模型为基础,以MATLAB软件仿真得到的汽车车身质心垂直加速度谱为神经网络理想输入样本,以GB7031-86建议的路面谱为神经网络理想输出样本,应用RBF神经网络建立汽车车身质心垂直加速度谱和路面谱之间的非线性映射模型。另取一组仿真得到的车身质心垂直加速度谱代入已训练好的网络进行路面谱识别。结果表明:该方法具有较强的抗噪声能力和较理想的识别精度,识别的路面谱与拟合的路面谱吻合一致。     

道路工程SOM-RBF神经网络估价模型研究

研究从道路工程全生命周期造价的角度,运用自适应(SOM)和径向基(RBF)神经网络的模型与全生命显著性造价(WLCS)结合的预测模型对已完工程造价信息进行数据挖掘,估算工程造价。建立WLCS模型并分析计算。运用自组织SOM网络对WLCS模型分析结果进行特征抽取,验证其对类似工程的确定。在此基础上,运用基于自组织RBF网络对投资估算进行预测。结果表明,WLCS应用可以减少造价估算的工作量,SOM网络可以对道路工程的显著性成本项目(CSIs)造价数据进行特征提取,WLCS的SOM-RBF网络模型减少了估价计算量,并提高了估价精度。本研究成果适用于道路工程造价管理研究和应用领域。     

两自由度并联机器人的RBF神经网络辨识自适应控制

针对平面两自由度五杆并联机器人的轨迹跟踪问题,提出了一种基于RBF神经网络的自适应PID控制方法.该控制方案利用RBF神经网络自适应学习辨识并联机器人系统的未知非线性动态,可以在线调整PID控制参数以实现高精度控制.仿真结果显示该控制策略可以精确实现对于并联五杆机器人的轨迹跟踪控制,该方法的自适应性和跟踪性能均优于传统的PID控制.