改进的核极限学习机定位算法

针对神经网络无线定位方法,存在训练耗时长,定位结果易受噪声干扰的问题,提出了一种改进的核极限学习机无线定位算法。采取在同一位置进行多次测量的方法得到训练数据;把同一位置测得的数据划分为一个样本子空间并提取样本子空间的特征,以样本子空间的特征代替原来的训练数据;利用矩阵近似及矩阵扩展的相关理论改进核极限学习机算法;将处理过的训练数据利用改进的核极限学习机进行训练,得到定位预测模型。仿真结果表明,在相同数据集下,改进的核极限学习机训练用时短、定位速度快;在相同噪声干扰情况下,此算法定位预测误差小。经验证,该算法不但能提高网络的训练速度、定位速度,还能有效地降低噪声的干扰,提高定位精度。     

遗传算法与神经网络在洪水预报中的应用

采用遗传学习算法对神经网络BP模型的初始权重进行优化,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。将该方法运用于洪水预报问题,并利用山西省文峪河水库的历史资料条件建立一个网络,以洪水预报的各种控制因素相关资料作为样本,对网络进行训练并用训练好的网络进行预报。网络的训练速度及预报结果表明,该算法收敛速度较快,预测精度很高,为洪水预报提供了一种新思路和新方法。     

基于灰色理论与BP网络的负荷预测

针对用BP神经网络进行预测时权值难以确定的问题,提出了一种基于将灰色理论与BP神经网络相结合的预测算法。采用数量研究法,选取重庆市某供电局1999年到2006年的售电量作为样本,利用不同的灰色模型对样本进行预测,再选出预测的最优值对BP网络进行训练,最后用已训练好的BP网络对样本数据进行预测。经实例预测表明:灰色理论与BP网络相结合的预测精度与单一的预测模型相比有了明显的改进,该算法在理论和实践应用中都是可行的,并为电力部门的生产运行和规划提供了重要的参考。     

VAE_LSTM算法在时间序列预测模型中的研究

针对长短期记忆网络(LSTM)算法对时间序列预测存在的不足,考虑到样本序列如果包含线性关系或含有噪音时LSTM算法预测将不准确,同时分析了变分自编码器(VAE)对异常样本修复的原理,提出了一种改进的LSTM时间序列预测算法VAE_LSTM,将VAE网络修复样本的思想加入到传统的LSTM网络,对样本序列进行修复后再输入LSTM神经网络训练,最终建立了时间序列预测模型.阐述了模型建立的方法与步骤,详细分析了模型的原理.使用长江汉口历史水文数据序列进行仿真实验,结果表明:VAE_LSTM算法预测模型在时间序列预测方面有较好表现,满足预测精度要求,比传统LSTM时间序列预测模型的预测准确性高,尤其中短期预测更为准确;对比实验同时表明此模型准确性高于ARIMA,RNN等预测模型.     

神经网络方法在用水量预测中的应用

采用自适应变步长的后向传播算法(ABPM)构建了一个人工神经网络用水量预测模型。分别取一部分历史数据作为训练样本和测试样本，用训练样本对网络进行训练，然后用测试样本对模型进行评估。结果表明该模型收敛速度较快．预测精度高．为用水量预测提供了一种新的方法。     

基于连续优化蚁群算法的神经网络在喷射器性能预测中的应用

以现有的喷射器实验数据集作为样本,用单隐层前向神经网络预测喷射器的性能,网络的训练分别采用连续蚁群系统(CACS)算法和连续蚁群优化(ACOR)算法.数值实验结果显示,用这两种蚁群算法所训练的神经网络对于喷射器性能的预测精度能够满足实际工程的要求,其中ACOR算法的训练误差小于一般的BP算法,预测精度也有所提高.     

基于过采样支持向量机的煤与瓦斯突出预测

基于机器学习的煤与瓦斯分类预测方法中,各突出案例的数量不平衡会导致预测准确率降低。为了提升煤与瓦斯突出预测模型的准确率及稳定性,构建了过采样算法和支持向量机(support vector machine, SVM)组合的分类预测模型。首先,通过聚类分析将突出样本分成多个簇,在每个簇中对可能的噪声点按概率去除;然后通过过采样算法合成新样本,以减少样本数量不均衡对模型训练的影响;最后,用支持向量机模型结合粒子群算法对新数据集进行训练调优。实验结果表明:提出的模型在G-mean、曲线下面积(area under curve, AUC)值上均高于传统的分类模型,具有更强的算法鲁棒性,并且随着突出样本数量的减少,其优势更加明显。     

基于BP算法的成绩预测模型

BP网络是一种典型的多层前向网络,由输入层、隐含层和输出层组成,通过学习样本训练模型后即可用于数据的预测,适用于实现网络教学系统的成绩预测功能。训练样本作为BP网络的学习数据集,对于BP网络模型的训练具有重要的作用。模型选取网络教学系统中能够影响学习成绩的相关因素作为输入数据,包括学生在线学习时间、学生学习能力、作业成绩和测试成绩,利用已有学生成绩作为训练BP网络的期望输出。将这些数据进行归一化处理即可用于训练BP网络模型。训练过程中,全局误差基本呈下降趋势,收敛效果较好。经过训练后的模型可预测出学生的成绩,并转化为相应的等级,对学生下一步学习进行指导,提出适合的教学策略。通过测试表明该模型可以用于教学系统中的学习成绩预测,获得了预期效果。     

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

自适应阈值AdaBoost.RT算法及其在轴承剩余寿命预测中的应用

针对自适应增强回归阈值(adaptive boosting regression threshold, AdaBoost.RT)算法用于判断训练样本好坏的阈值为常数,不能自适应地对每个测试样本动态调整判断标准的问题,提出了一种动态自适应调整阈值的改进AdaBoost.RT算法。通过引入训练结果的均值与标准差构造奇异系数作为判断相对误差的阈值,实现算法训练计算过程中阈值的自适应调整,在提高预测精度的同时,可以减少选择算法参数带来的繁重工作量。采用4组经典测试函数构造不同规模的训练样本数据进行算法检验,实验结果表明,提出的自适应调整阈值算法可以有效利用测试样本之间的差异性,克服了大噪声数据带来的干扰,改进后的集成算法可以改善回归模型的预测效果,提高模型的泛化性能。利用IEEE PHM 2012数据集验证所提方法的有效性,并与极限学习机(extreme learning machine, ELM)和原始AdaBoost.RT算法进行对比分析。结果表明：采用所提方法获得的轴承寿命预测均方根误差降低了5.18%,决定系数提高了3.11%。     

城市道路声屏障的研究与进展

随着城市交通事业的快速发展,交通噪声污染严重地影响了人们的生活、学习和身心健康。城市道路声屏障是控制城市交通噪声、保护城市居住环境的重要措施。文章通过对国内外道路声屏障的研究成果的总结,提出了对我国城市道路声屏障开发可借鉴的经验以及研究的重点方向,对该领域的工作人员具有较好的参考价值。     

基于路段流量平衡的转向交通量推算方法研究

在实际观测交通量时,因观测时间不同步、观测误差等原因导致路段出入口交通量不相等,而在OD矩阵推算研究中却要求路段交通量平衡。为解决这一问题,分别以推算简便快捷、流量均匀分配、减小流量变化率为依据提出三种路段流量平衡推算方法,应用MATLAB软件编写程序获得推算结果。同时提出三个评价指标,以验证平衡推算方法的可靠性。最后以实际三横三纵九个交叉口所组成的路网为例,运用提出的方法进行推算,结合实际情况评价分析后验证了本文提出的方法是可行有效的,其结果可用于路径流量分配,并为交通信号协调控制提供基础数据。     

Rnoise系统中的道路声屏障设计方法

介绍了一种基于综合数字地面模型以及随机车流声源等效替代和分解技术的户外道路交通噪声分析方法与系统，详细了基于该系统的道路声屏障设计与优化方法，该方法能够近似模拟实地各种环境条件的影响，如建筑物，地形，树木植被以及大气条件等，在一定程度上实现了道路交通噪声和声屏障降效果的可视化设计与评价。     

城市环境噪声模拟与评估系统——“中大声图”的研究与应用

 在城市环境噪声排放模型及噪声传播模型的基础上,考虑建筑物群及林带对噪声的衰减影响,并结合地理信息系统（GIS）研发了城市环境噪声模拟与评估系统—“中大声图”。系统搭建了点线面环境噪声的排放模型和传播模型,特别在线声源道路交通噪声方面,利用GIS获取道路与建筑物信息,加载车辆排放模型,计算了城市尺度的道路交通噪声分布,并利用计算结果在GIS上绘制出交通噪声地图。最后将系统应用于城市交通噪声的模拟和减噪效果评估上,结果表明该系统的算法准确有效。     

电网大停电交通拥堵度评估模型及方法研究

针对大停电事故对路网交通拥堵产生严重影响和恶劣后果的背景,根据交通流特性,从路段和交叉口两个方面建立基本路段交通拥堵度评估指标体系;同时提出大停电后各个评价指标的计算模型和量化方法。在此基础上,采用突变级数评价法对基本路段拥堵度进行评估;并以车辆行驶里程(VKT)作为权重对路网体系中各基本路段进行加权,进而得到大停电后路网的交通拥堵度水平。最后以典型大停电区域为例,对不同停电时间下路网交通拥堵度水平进行量化评估;且评估结果与有关交通部门的统计情况相吻合,验证了该评估模型和方法的正确性、实用性。     

城市道路交通噪声污染及控制

指出了我国城市道路交通中所存在的噪声污染问题，阐述了道路交通噪声污染给人们带来的危害，对产生噪声污染的原因进行了分析，并从工程措施、技术措施、交通管制措施等方面对如何降低道路交通噪声污染进行了探讨，从而提出了控制对策。     

太原市高架复合道路交通噪声影响因素分析

基于太原市高架交通的实测数据,将高架复合道路分为5个路段进行理论计算,并与实测值对比分析发现高架桥两侧噪声主要来源于高架水平段和临近侧辅道,车流量、车型和车速是太原市高架复合道路交通噪声的主导因素。同时对高架复合交通各路段车流量和实测声压级值进行了相关性分析,得出高架桥上的中型车、辅道上的中型车及重型车是太原市高架复合道路交通噪声的主要来源;其中高架桥上的中型车与实测声压级相关系数最高,为0.77,测点一侧的辅道上的中型车与重型车车辆数与实测声压级的相关系数分别为0.67和0.49。研究结果为太原市高架复合道路交通噪声污染防治指示了一定方向,并探讨了相关措施。     

交叉口交通状态精细化判别方法研究

针对目前交叉口交通状态判别方法不能有效识别溢流、车辆慢行等的问题,提出了一种交叉口交通状态精细化判别方法。首先对交叉口的物理空间组成进行分解,分解为各方向路段和内部冲突区域两部分;其次,利用计算饱和度方法对各方向路段的交通状态进行判别;利用绿灯结束时刻剩余车辆累积车头时距与间隔时间之比对内部冲突区域的交通状态进行判别;最后,采用综合交通状态判别方法实现交叉口交通状态的精细化判别,并利用实际采集的数据对方法进行仿真验证。仿真结果表明:所建立的方法可以更精细的对交叉口交通状态进行判别。     

城市道路交通噪声污染的灰色预测和灰色关联分析

根据郑州市 1994～ 1998年城市道路交通噪声的监测数据以及相关影响因素的数据 ,运用灰色系统理论建立GM (1,N)预测模型 ,对郑州市 2 0 10年前城市道路交通噪声进行预测 ,并进行灰色关联分析。根据分析结果 ,提出了 1999年到 2 0 10年期间的治理对策。     

灰色推陈出新GM(1,1)模型在城市道路交通噪声预测中的应用

以郑州1995～2000年城市道路交通噪声监测的数据,运用灰色系统理论,建立了常规GM(1,1)和推陈出新GM(1,1)预测模型。经用四种不同方法对两种模型的精度进行检验,结果表明,推陈出新GM(1,1)模型优于常规GM(1,1)模型,其精度更高,不失为预测城市道路交通噪声的一种好方法。应用该模型,对郑州城市道路交通噪声未来4年进行预测,其结果符合郑州城市的实际情况。