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。     

基于神经网络的出行目的推算研究

出行目的是交通出行的关键属性和重要内容,其对分析交通行为具有关键作用。随着被动数据的不断获取,通过数据挖掘方法推算出行目的既弥补了被动数据的缺陷,也可为进一步分析交通行为提供完善的数据基础。本文通过总结国内外学者在交通出行目的推算方面的研究经验,基于现有的调查数据,采用神经网络方法进行出行目的推算,推算的出行目的的准确性达到86%,在此基础上分析了对模型具有显著影响的因素,由此得到在出行目的推算中的关键因素为时间和空间变量。     

基于HHT和BP神经网络的船舶电力系统故障定位

针对船舶电力系统故障难以精确定位的情况,将Hilbert-Huang变换(HHT)和BP神经网络应用于船舶电力系统故障节点定位。首先,采集各节点电流信号,经过EMD分解得到若干IMF分量,对第一个IMF分量进行Hilbert变换得到其瞬时振幅向量。然后,将各节点的瞬时振幅向量之和作为电流信号的特征量输入到带有动量因子的BP神经网络中进行训练,利用训练好的神经网络进行故障节点定位。最后,通过仿真实验验证了所提方法的有效性。     

故障树和神经网络在遥测装备故障中的研究

论文通过分析遥测装备的故障特性及其原因,结合对遥测装备变频单元故障树的定性和定量分析。构建了基于故障树的人工神经网络故障诊断断系统,根据系统编写了相应的程序以实现功能。通过实例验证了方法的实用性和有效性,增强了遥测设备的智能故障诊断能力。     

基于遗传算法的BP神经网络短时交通流预测

对BP神经网络模型、方法及遗传算法的基本原理进行了分析,将遗传算法与标准BP神经网络算法相结合构建了基于遗传算法的神经网络算法;建立了基于BP神经网络的短时交通流预测模型,对BP神经网络算法及基于遗传算法的BP神经网络算法进行设计,并将其应用于短时交通流预测模型的仿真计算,仿真结果表明基于遗传算法的BP神经网络算法具有更快的计算速度及更好的适应能力,该方法可以较好地应用于短时交通流预测。     

大跨悬索桥MTMD抖振控制的参数优化

针对悬索桥抖振控制问题,建立有限元模型,应用神经网络和遗传算法对多重调频质量阻尼器(MTMD)进行双参数优化。以某大跨悬索桥为例,利用神经网络改进的谐波合成模拟方法(RBF-WAWS法)对脉动风速进行模拟,并换算成抖振力作用主梁上,通过时程分析及后处理获取主跨跨中横桥向响应值。将响应值的均方差作为优化目标函数,以MTMD总质量、个数及阻尼比作为优化变量和约束条件,采用神经网络拟合目标函数并应用改进的自适应遗传算法进行寻优。结果表明,优化后的MTMD能有效控制悬索桥在脉动风作用下的抖振响应,减振率达48%。提出的理论与计算方法对悬索桥中MTMD的设置及参数选取具有实际工程意义。     

基于概率神经网络的通用航空器冲突探测方法

针对当前冲突探测技术难以同时实现精准识别与实时识别的问题,研究基于概率神经网络(PNN)的通用航空器冲突探测方法.将冲突探测视为模式识别问题,通过冲突模型分析,提出了航空器"冲突角"概念,改进了现有冲突识别方法采用的关键特征指标,将原有的4个关键特征指标提炼为3个指标,分别为航空器相对距离、相对速度以及冲突角,以此构造概率神经网络,训练形成神经网络分类器.结果表明,基于3关键特征的概率PNN冲突分类器分类误警率和漏警率保持在1%左右,在冲突误警率上优于基于4特征的SVM冲突分类器的6%,提高了航空器冲突探测的准确度;分类所耗时间始终保持在1.2 s左右,远低于Monte Carlo仿真方法的同时,较4特征分类器也降低了0.2 s左右,提高了冲突识别效率.      

一种基于独立成分分析和径向基神经网络的人脸识别新方法

提出了一种新的基于独立成分分析和径向基神经网络的人脸识别方法。独立成分分析可以从高阶上消除特征数据的相关性,改进了主成分分析方法只能从2阶上消除数据相关性的弱点;最终特征数据的分类由RBF神经网络来实现。在人脸数据库上的实验结果表明该新方法的识别性能较其他方法有了很大提高。     

人工智能技术在船舶动力装置故障诊断中的应用

传统的动力装置故障诊断方法需要大量的故障数据样本,导致诊断效率和实时性差,无法满足现代船舶航行的需求。针对上述问题,提出人工智能技术在船舶动力装置故障诊断中的应用。使用小波包分析技术对传感器采集的信号进行去噪、分解重构以及能量谱特征提取处理后,构建船舶动力装置故障集。使用D-S理论对BP神经网络输出的诊断结果进行数据融合和置信度判断,得到可靠的诊断结果完成故障诊断。对比实验数据显示,利用人工智能的方法诊断精度较高,并且诊断响应效率高,具有良好的泛化能力。