对建设一级公路的分析与探讨

针对安徽省现状公路网中一级公路明显偏少的现象，分析一级公路的特点和功能定位，可为安徽省在高速公路连接线、省际连通路和区域经济干线方面加大一级公路的建设力度提供理论依据。     

基于系统规划的公路桥收费策略

在我国有公路桥的城市很多,为此制定相应的基于系统最优的公路桥收费策略,不仅可以方便居民的正常出行,还有助于政府利用桥梁收费达到城市交通平衡和解决市政桥梁建设资金问题的双重目的。     

工期固定多目标资源优化的方法

资源是指为完成工程任务所需的劳动力、材料、机械设备和资金等的统称。资源优化就是通过改变工作的实施时间,使资源按时间的分布能够符合优化目标。     

基于串联排队网络的三峡-葛洲坝水利枢纽联合调度模型

为了提高三峡-葛洲坝水利枢纽的整体通过能力, 分析了三峡-葛洲坝水利枢纽联合调度的实际需求, 建立了三峡-葛洲坝水利枢纽联合调度数学模型, 考虑了闸室面积利用率最大、整体待闸时间最小两个目标函数和船舶编排过程中的八个约束, 应用串联排队网络理论求解模型。算法将申报船舶按照航向分成四个船舶序列, 动态计算每艘船舶的权重, 兼顾船舶长度与宽度优先, 待闸时间约束、葛洲坝船闸通航条件限制和任务均衡的要求, 循环排船, 逐步优化。应用结果表明应用该数学模型和编排算法编制一个计划期的两坝五闸计划仅需2 min, 编排时间短, 葛洲坝2^#船闸的闸室面积利用率高于70%, 并且客船和旅游观光船均排在前面的闸次中, 说明客船的待闸时间约束是满足的, 并且在航向上是上下航向交替运行, 没有出现倒闸情况, 编制的计划满足实际调度需要。     

高速公路动态交通流Elman神经网络模型

为了提高高速公路交通流建模的精度, 分析了离散的高速公路动态交通流数学模型, 基于Elman网络原理, 建立了回归神经网络交通流模型。回归神经网络的输入层、上下文层、隐含层和输出层的节点数目分别选为8、30、30和2, 采用Levenberg-Marquardt算法对回归神经网络进行训练, 并对一条5路段的高速公路进行仿真。结果表明: 回归神经网络平均相对误差为8.683 7×10^-5, 最大相对误差为4.237 1×10^-4, 与BP神经网络和RBF神经网络相比较, Elman回归神经网络能更好地逼近交通流数学模型, 真实地描述交通流基本特性, 能准确地建立动态交通流模型, 适应交通状况的变化。     

��·������Ԥ��ĸĽ�BP�����緽��

铁路货运量与其影响因素之间存在着复杂的非线性关系，传统的BP神经网络模型能对非线性系统进行很好的拟合，但模型的预测能力不强。通过单位根检验，可知铁路货运量及其影响因素的时序列数据是非平稳的。本文通过分析BP神经网络的传递函数对非平稳时间序列预测的不利影响，提出用差分法对输入数据进行预处理，在此基础上建立了铁路货运量预测的改进BP神经网络模型，并通过实例计算说明了这种改进BP神经网络方法对提高铁路货运量预测精度的有效性，最后利用该模型对2006—2O1O年的铁路货运量进行了预测。     

发展大城市公共交通体系化的研究

在我国城市,尤其是大城市,土地利用与交通之间存在的问题和矛盾已十分突出,高密度的城市土地开发和人口聚集使得城市交通需求与生成无论在时间上还是空间上都呈现高度集中的状态。从城市可持续发展与交通发展的目标出发,提出了实现我国大城市空间可持续发展与缓解当前大城市交通矛盾的有效策略,即建立以轨道交通为支撑的大城市公共交通体系,实施“枢纽型”的客运系统组织,进行以轨道交通为基轴的公交网络优化,循序渐进地进行公共交通体系化的发展培育,最终实现公共交通发展的升级。     

苏州古城交通分析及改善策略

苏州古城已有2500余年的历史,古城布局工整、脉络分明,功能完备,迄今仍然作为苏州市区的核心地区担负着重要的城市职能。随着城市经济和机动化交通的快速发展,与国内其他城市中心区一样,苏州古城也出现了道路拥堵、环境污染等一系列由交通引发的问题。从分析苏州古城用地情况出发,即从道路网络的发展演化过程、路网容量、布局结构、交通流空间分布以及现有交通模式等角度研究造成现状交通问题的种种原因,并从疏解古城城市功能,完善道路设施和交通发展政策等方面提出初步解决古城交通问题的几点策略,以供缓解苏州古城交通问题和其他遇到类似问题的城市做参考。     

黄土沟壑区湿软路基沉降预测模型

为合理考虑路基沉降预测时诸多影响因素的不确定性与随机性, 提出基于神经网络范例推理的路基沉降预测模型。以同类工程的成功经验为基础, 建立了基于神经网络的沉降范例检索模型, 在范例相似度计算中, 引入归一化效用函数, 通过神经网络的学习, 建立当前沉降范例与沉降源范例之间的相似关系, 最终实现当前沉降范例的沉降预测。对黄土沟壑区湿软路基沉降预测结果表明, 该模型具有较高的预测准确性, 预测值与实测值绝对误差小于10%。     

基于神经网络方法的柴油机气缸压力识别

分析了柴油机气缸盖系统激励和响应信号的非线性特性,阐述了基于BP神经网络的柴油机气缸压力识别方法.对测试的振动响应信号进行时域统计平均和低通滤波后,训练BP神经网络,利用自适应梯度下降算法,自适应调节学习速率,提高网络精度,识别柴油机气缸压力.结果表明,恢复出来的缸内压力信号和实测信号十分接近,该方法对柴油机的实时在线控制、监测和故障诊断有重要的应用价值.