短期电力负荷预测的小波支持向量机方法研究

在充分研究和比较多种负荷预测方法的基础上，提出一种称为小波支持向量机(Wavelet Support Vector Machines，WSVM)的负荷预测新算法．该方法是在研究支持向量机(SVM)核方法与小波框架理论的基础上，引入非线性小波基函数来构造SVM的核函数，从而得到新的SVM模型，并给出了此模型的结构设计与实现算法．通过实例验证，该方法能有效提高预测精度．     

一种基于粗糙集理论的SVM短期负荷预测方法

在分析粗糙集理论方法与支持向量机方法的优势和互补性后,探讨了粗糙集与支持向量机的结合方法,提出了一种基于粗糙集数据预处理的支持向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少支持向量机的训练数据,克服支持向量机方法因为数据量太大,处理速度慢等缺点。将该系统应用于短期负荷预测中,与BP神经网络法和标准的支持向量机方法相比,得到了较高的预测精度,从而说明了基于粗糙集理论方法作为信息预处理的支持向量机学习系统的优越性。     

基于最小二乘支持向量机和证据理论的交通数据融合

针对基于浮动车辆数据(floating car data,FCD)的城市道路交通信息采集系统存在的问题,提出一种基于最小二乘支持向量机(LS-SVM)和证据理论的数据融合方法,通过融合地感线圈采集的交通流量信息,提高FCD系统交通速度信息采集的准确性.利用LS-SVM回归得到速度-流量关系曲线的临界速度参数,再根据历史数据库用统计方法计算出流量-速度关联规则的可信度矩阵,在得到这些经验知识的基础上,定义了两种证据源的基本概率分配函数.最后,通过D-S证据理论对两种证据源进行数据融合,获得融合后的速度信息.实地跑车实验结果论证了融合算法的有效性和可靠性.     

MAS技术在交通仿真中的应用

运用MAS技术,构建了交通系统的MAS功能仿真模型,并在Visual C 对象类的基础上设计了agent类.仿真结显示,这一技术能较大地提高交通仿真的精度.     

基于CTM-RH的城市交通信号线控制

采用细胞传输模型(cell-transmission model,CTM)对城市干道交通流进行建模,并运用滚动区域法(rolling horizon,RH)对信号周期、绿信比和相位差进行优化.仿真结果令人较为满意.     

基于细胞模型及多目标优化的交叉口信号控制

建立了城市平面十字路口交通流的细胞传输模型，该模型适合各种交通流状态．同时，在对信号灯配时进行优化的过程中，采用了两个控制目标，以最小延误为主要控制目标，以最大通行能力作为次要控制目标．模型采用多目标遗传算法对信号周期和绿信比进行优化．仿真结果令人较为满意．     

基于改进蚁群算法的路径规划方法

针对城市道路交通中路径规划的特点,提出了一种基于改进蚁群算法的路径规划方法.该方法通过对交通约束的分析与转换,加强了对实际道路交通网络的描述,提高了路径规划的有效性;在引入方向启发的同时,保留了足够的初始搜索空间,提高了算法的路径规划效率.实验结果表明,该方法在规划效率与有效性上均有明显提高.     

浮动车样本规模的优化方法与仿真研究

提出了一种在移动交通检测系统中确定路网浮动车最小样本数量的优化方法.首先,基于数理统计方法分析了单条路段满足交通流参数估计所需的最小样本数量,在此基础上使用了一种新的基于路段样本数符合率的路网交通信息准确度评价指标,通过该指标和路网样本规模的关系曲线优化路网的浮动车样本规模.仿真实验结果表明:该方法能有效地确定满足路网交通速度估计要求下的最小浮动车样本数量,为浮动车交通信息采集系统在实际应用中确定最小样本规模提供了一种可行的思路.     

视频图像中运动目标的实时检测

提出了一种运动目标检测与跟踪算法。以每点色彩信息的混合高斯模型来实现对视频图像的背景估计,从而实现对运动目标的检测。利用模板匹配的方法实现对运动目标的跟踪,并对混合高斯模型的算法进行了改进,使其能更快、更有效地适应环境的变化。实验结果表明此方法具有较强的鲁棒性,能较好地适应各种气候和光照环境的变化。     

基于模糊内模的自适应控制算法的并行处理

针对非线性系统,在PRAM计算模型上,探讨基于模糊内模自适应控制算法的并行处理。利用TSK建模方法,m个处理机并行地在线辨识出模糊内部模型,并采用内模控制理论并行求出H2最优控制器。仿真实验表明,并行处理方法达到亚线性加速,可以较好地满足实时在线辨识内部模型的应用需求。