基于峰值附着系数变化范围的路面识别研究*

为了在制动过程中完成当前路面的识别,在Burckhardt轮胎-路面数学模型的基础上设计了6种典型路面峰值附着系数的变化范围,以路面附着系数为参数指标在制动时进行路面识别。使用单轮模型分别在单一路面和跃变路面上进行了仿真试验,结果表明该方法能够准确快速地完成路面识别,充分利用了不同路面的附着条件。最后通过车载六分力测试系统在干沥青路面上进行了道路实验,进一步验证了该方法的有效性和可行性。     

基于GA-BP神经网络的自建点PM2.5浓度校准研究

为精准预报空气质量,以PM2.5为例对其自建点监测浓度进行校准,选取6种污染物浓度以及5个环境因素建立神经网络模型。BP算法由于权值和阈值的随机性可能存在局部最优、过渡拟合等缺陷,所以利用遗传算法优化BP神经网络,构建GA-BP神经网络模型。仿真结果表明,GA-BP神经网络的校准平均绝对百分比误差和均方误差分别为12.56%和0.0197,明显低于BP神经网络,说明该模型校准效果更好,能明显提高空气质量预报的准确率。     

基于归一化轮胎模型的路面附着系数观测

针对已有的最大路面附着系数观测算法存在收敛速度不够快以及观测精度不够高的问题,提出一种新型的基于归一化轮胎模型理论的路面附着系数观测算法。该算法通过引进归一化轮胎模型,提出基于滑移斜率(slip-slope)的参考路面附着曲线识别算法,并据此开发了一种基于线性插值的最大路面附着系数观测方法,同时引入了回归最小二次算法(RLS)方法对观测结果实时进行数据后处理。仿真分析表明,该算法能准确识别路面附着系数,可使观测精度提高约30%,同时能有效提高识别的收敛速度。     

基于归一化轮胎模型的路面附着系数观测

针对已有的最大路面附着系数观测算法存在收敛速度不够快以及观测精度不够高的问题,提出一种新型的基于归一化轮胎模型理论的路面附着系数观测算法。该算法通过引进归一化轮胎模型,提出基于滑移斜率(slip-slope)的参考路面附着曲线识别算法,并据此开发了一种基于线性插值的最大路面附着系数观测方法,同时引入了回归最小二次算法(RLS)方法对观测结果实时进行数据后处理。仿真分析表明,该算法能准确识别路面附着系数,可使观测精度提高约30%,同时能有效提高识别的收敛速度。     

面向路面附着估计的路面图像识别

为提升智能辅助驾驶系统对路面附着系数估计的准确性与实时性，研究了一种基于视觉信息的路面识别深度学习算法，实现路面附着系数的预估计。设计压缩卷积机制以降低网络运算参数，采用特征图全局平均替换全连接层以提升网络的拟合性能，并构建路面识别深度卷积神经网络DW-VGG。利用自建路面图像数据集对网络进行训练，测试结果表明，基于提出的多层知识蒸馏技术的DW-VGG网络识别精度较高，分类性能评估指标F₁得分为96.57%，并有效降低了网络的运算和内存成本，识别单张图像只需32.06 ms，预测模型只有5.63 M。     

一种预测木聚糖酶最适温度的PCANN模型

采用主成分分析法对样本数据集进行预处理,将得到的新样本数据集输入神经网络,构建F/10家族木聚糖酶氨基酸组成和最适温度的主成分分析神经网络(PCANN)模型.结果表明,当学习速率为0.07、动态参数为0.8、Sigmoid参数为0.96,隐含层结点数为5时,模型对温度拟合的平均绝对百分比误差为4.97%,绝对误差为3.03℃.同时,方法具有良好的预测效果,预测的平均绝对百分比误差为4.68%,平均绝对误差为3.55℃.     

基于粗糙集-模糊C均值聚类的Elman神经网络农村需水量预测

农村需水量影响因素作用机理复杂导致农村需水量预测值与实际值差别较大,采用模糊C聚类分析与Elman神经网络模型结合的方法建立农村需水量预测模型。首先,将用水方差和年用水均量等用水数据作为特征向量对2010—2017年海南省16个村落进行模糊C聚类,将村落分为三类;其次,以数据分析为基础,结合文献分析和官方数据分析提取关键因素,借助SPSS软件对关键因素进行降维处理,得到三类村落的关键影响因素;最后,将所得关键因素和2010—2016年用水数据作为Elman神经网络算法的输入对模型进行校核并运用粗糙集理论对模型进行修正,经误差分析,平均绝对百分比误差(MAPE)从0. 27下降到0. 127,对称平均绝对百分误差(SMAP)从0. 082下降到0. 041,平均绝对偏差(MAE)从3 832. 32减少到1 325. 53,表明模型可以相对全面的模拟农村需水量变化规律,可以用于农村水资源精准预测,为城乡供水一体化提供理论依据。     

高速公路小修保养工程量的预测模型

为了科学合理地预测高速公路小修保养工程数量,分析了影响高速公路小修保养工程量的主要因素,提出了基于Matlab的BP神经网络高速公路小修保养工程量预测方法;以沥青路面年小修保养工程量历史统计数据为样本,将路面质量等级评分值、路面使用性能指数、年均日交通量、年均日重车量、计算使用年限、年均降雨量、年平均温差、路面厚度、路面宽度确定为影响沥青路面小修保养工程量的量化指标,建立了预测沥青路面小修保养工程量的多元非线性模型;以调研路段沥青路面实际破损维修数量为样本,分别用BP神经网络模型和多元线性回归模型进行预测分析。研究结果表明：将预测结果与实际维修量数据进行比较,BP神经网络模型预测误差为5%,多元线性回归模型预测误差为14%,说明BP神经网络模型是预测高速公路沥青路面小修保养工程量的一种较为合理可行的方法。     

基于轮胎滑水模型的轮胎-沥青路面附着特性影响因素分析

为研究轮胎与沥青路面之间的附着特性,基于耦合欧拉-拉格朗日法(CEL法)建立充气花纹轮胎滑水有限元模型,验证了滑水模型适用性,计算出AC,SMA及OGFC三种沥青路面附着系数曲线.基于轮胎-路面附着特性理论,分析了制动防抱死系统(ABS)状态和潮湿条件下轮胎-路面附着特性影响因素.研究发现:胎路附着特性与轮胎运动状态有关,随滑移率增大轮胎受到的纵向附着系数先上升后下降,滑移率为15%左右时附着系数达到最大;在水膜厚度较小、轮胎压力较高时增大表面宏观纹理可提高路面抗滑性;平均断面深度(MPD)一定时,干燥路面较潮湿状态体现出更高的附着性能;相同水膜厚度时,附着系数随车速增加而不断减小,OGFC路面比AC路面和SMA路面具有更好的抗滑性能.     

基于神经网络的船舶稳性预报研究

为省略船舶稳性计算中横摇阻尼以及船舶阻力等参数的复杂计算过程,提出一种采用径向基函数(RBF)神经网络对第二代完整稳性失效概率预报的方法.研究包括过度加速度、瘫船稳性以及骑浪/横甩3种失效模式.通过研究船舶相关参数对各失效模式失效概率的影响,确定采用RBF神经网络对每种失效模式进行预报时输入特征的选取,从而降低训练时长.使用训练后的网络对样本船稳性进行预报,采用均方误差和平均绝对百分比误差对预报结果进行评估.对3种失效模式预报结果的平均绝对百分比误差分别为6.49%、7.09%、5.70%,均小于10%,表明采用RBF神经网络可较为精准地对船舶稳性进行预报.     

结合时间序列分解和神经网络的河流溶解氧预测

为克服小流域数据资料少,河流溶解氧的非平稳特性及动态变化造成的预测困难,提出结合具有自适应噪声的完整集成经验模态分解(CEEMDAN)和Elman动态神经网络的预测方法.使用CEEMDAN方法对原始溶解氧时序数据进行平稳化处理及降噪,提取溶解氧随时间变化的波动特征、周期特征,以及长期趋势,通过计算样本熵(SE)值,将相似的特征序列合并,以减小误差累积,对合并后的新序列分别采用布谷鸟搜索(CS)算法优化的Elman模型进行预测,将各预测值叠加,得到最终预测结果.实验结果表明:CEEMDAN-SE-CS-Elman方法平均绝对误差(E_MA)为0.14;平均绝对百分误差(E_MPA)为2.07%;均方根误差(E_RMS)为0.24;可决系数(R²)达到0.951 6,精度较其他时间序列预测模型有所提高.     

考虑注意力和时空特征深度学习的网约车行程时间预测

行程时间预测做为智能交通领域中重要的组成部分,在道路导航、乘客出行过程中起着重要的作用。现有方法很少考虑到交通拥堵变化所产生的影响。本文提出了一种基于注意力机制的时空特征深度学习模型,模型通过卷积神经网络去学习行程过程中所花费的时间和距离以及交通拥堵状态信息,通过注意力机制从通道和空间上两个角度去捕获影响行程中路段通行时间的异常信息,采用双层的长短时记忆网络去学习行程中的路段序列信息,最后通过多任务的学习机制从路径和路段两个角度出发去预测路径通行时间。本文提出的方法与DEEPTRAVEL模型相比,预测精度在平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别提升了8.23%和20.79%。     

基于集成Dropout-DNN模型的盾构掘进速度预测方法

为了提升土压平衡盾构机的掘进速度预测精度,提出一种集成Dropout-DNN模型的盾构掘进速度预测方法。依据济南地铁R1线盾构隧道段工况数据,将数据集划分为五份,并选取刀盘转速、刀盘扭矩、总推进力、螺机转速、土仓压力这五个参数为输入参数,分别建立了五个Dropout-DNN模型并进行集成实现了盾构掘进速度的预测,进一步对不同的预测方法进行了对比分析。研究结果表明：各Dropout-DNN模型预测精度具有一定的差异性但基本良好,其决定系数均大于0.6、平均绝对百分误差均小于10%,而集成的Dropout-DNN模型决定系数为0.695、平均绝对百分误差小于5%,可见集成模型预测精度较高；基于BP神经网络、DNN模型实现的盾构掘进速度预测模型其决定系数分别为0.502、0.566,可见提出的集成Dropout-DNN模型预测精度提升明显。     

基于状态空间模型的机床热误差动态建模

提出了一种基于状态空间模型的机床热误差建模方法,以几个关键温度点的温升为输入,结合状态变量和干扰来确定热误差输出,由子空间辨识算法得到模型参数.同时,在一台数控车床上进行实验,以探究模型的精度和鲁棒性.结果表明:在不同的转速条件下,所提出的模型能够补偿70%的热误差;与自回归模型的建模方法相比,状态空间模型表现出更优异的鲁棒性.     

道路网交通流状态变化趋势判别方法

根据城市快速路交通流参数实测数据所表征的交通流状态特性,结合基本图和三相交通流理论,将道路网交通流状态划分为自由流状态、拥挤流状态和阻塞流状态.在此基础上,采用模糊信息粒化的思想,以道路网检测断面数为窗口,设计三角形模糊隶属函数,将同时段的道路网交通流状态映射为含有低边界值L、中值R和高边界值U三参数的模糊信息粒.以模糊信息粒为输入,建立Elman网络模型预测交通流状态变化趋势.依据预测结果计算道路网交通流状态综合指数,判别未来时段道路网交通流状态,并以北京市某一区域路网为例进行实证性研究.研究结果表明:所提出的方法能够实现道路网交通流状态变化趋势判别,准确率为93.33%,同等条件下支持向量机模型判别准确率仅为86.67%.     

基于EWT-PSO-Elman耦合模型在径流预测中的应用

由于径流序列的非线性和非平稳性,单一预测模型能力有限,难以做出准确预测。因此,论文基于澄碧河流域坝首站1979-2019年共41a的实测月径流序列,引入经验小波变换分解(EWT)、粒子群算法(PSO),建立一种基于Elman神经网络的组合月径流预测模型(EWT-PSO-Elman),并采用纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析,并将预测结果与EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型进行比较。结果表明：EWT-PSO-Elman模型的纳什效率系数为0.9135,均方根误差为19.4511,预报等级为甲级,具有较好的预测精度和泛化能力;EWT-PSO-Elman模型的预测精度优于EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型。可见,EWT-PSO-Elman模型具有更好的预测精度,可应用于径流预测研究中。     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

基于改进Elman神经网络的非线性预测控制

为了提高非线性预测控制中预测模型的精度,提出一种基于递归神经网络建模的预测控制方案.采用改进Elman神经网络在线建立预测模型,用递推最小二乘法在线修改神经网络权值,并引入误差补偿环节,从而达到改善预测模型精度的目的,使控制系统的控制性能得到提高.仿真实验表明了该方法的有效性.     

改进天鹰优化器优化Elman神经网络模型预测管道蜡沉积速率

管道结蜡一直是困扰含蜡原油输送的棘手问题，建立准确的蜡沉积速率预测模型对于保障管道的安全运行具有重要的实际意义。考虑到Elman神经网络(ENN)模型的不足（易陷入极小点、泛化能力弱），基于蜡沉积速率的主要影响因素，提出了一种基于改进天鹰优化器（引入鲸鱼优化算法的狩猎策略对天鹰优化器的局部搜索能力进行改进）的 ENN模型，并基于两组室内实验数据对比分析了所建新模型和其他模型预测精度的差异。结果表明，改进新模型的平均绝对百分比误差分别为0.7603%、1.2452%，其预测精度明显高于传统ENN模型；采用改进天鹰优化器建立的ENN模型可对初始权值和阀值进行寻优处理，极大提高了泛化能力，因此具有预测精度高的优点。     

基于组合预测方法的安徽经济发展预测

利用最优加权组合法,对时间序列模型、灰色预测模型和神经网络模型进行组合,通过计算确定其权重,得出未来五年安徽省的GDP,同时根据平均绝对百分误差、均方根误差以及泰尔系数,将组合预测模型与单一的预测模型进行比较,得出组合预测模型的精度比单一预测模型预测精度高,并根据组合预测结果可以看出在未来五年安徽省的经济会持续稳定的发展。