基于神经网络的中国汽车保有量建模与预测

利用改进的BP神经网络对中国2000年、2005年、2010年的汽车保有量进行预测,并与灰色预测的结果进行对比。结果表明,由于神经网络具有很强的学习与泛化能力,因此在处理具有一定程度不确定性的非线性系统的建模与预测方面,神经网络有很好的应用价值。     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能,提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中,每个粒子的更新受粒子个体极值和局部极值的影响,为了提高其全局收敛性,采用多粒子策略,使每个粒子的更新受更多其他粒子的影响;为提高收敛速度,采用自适应策略,对参数c0进行自适应调整,使c0随着迭代次数的增加而逐渐减小,这样,在PSO算法的搜索过程中,随着迭代次数的增加,搜索区域会越来越小,从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化,在有限时域内对控制序列进行寻列,给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明,基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于Elman神经网络的汽油机过渡工况空燃比多步预测模型

为了减小车用汽油机空燃比传输延迟对空燃比控制精度的影响,提出一种基于Elman神经网络的空燃比多步预测模型.通过对空燃比数学模型的分析,确定神经网络空燃比多步预测模型的输入向量,同时,为了提高过渡工况空燃比预测精度,在神经网络输入向量中增加反映空燃比变化趋势的导数信息.对HL495发动机过渡工况实验数据进行学习,采用梯度算法对Elman神经网络的权值进行调整.研究结果表明：采用该方法能精确预测过渡工况空燃比,预测模型的最大误差小于1%,平均误差小于0.5%.该预测模型可用于实现车用汽油机过渡工况空燃比的精确控制,提高车用汽油机过渡工况排放性能.     

基于自适应神经模糊推理系统的非线性系统辨识

针对非线性系统辨识方法中偶然性大,精度不高,收敛速度慢,训练过程时间长的问题,提出一种基于自适应神经模糊推理系统的非线性系统辨识方法,利用模糊推理系统使规则结构化及神经网络具有很强的泛化能力相结合,具有以任意精度逼近任何线性或非线性函数的特点。对非线性系统进行辨识,仿真结果表明,ANFIS进行非线性系统辨识是可行的,其辨识精度很高。     

汽车主动悬架系统的单神经元自适应PID控制

建立了汽车1／4主动悬架物理模型，提出了一种主动悬架系统的单神经元自适应PID控制方法。以阶跃函数模拟路面输入，对汽车主动悬架系统进行计算机仿真研究。仿真结果表明，该方法控制的主动悬架，汽车车身振动位移小，鲁棒性较高。     

电喷汽油机过渡工况废气排放特性研究

电喷汽油机在过渡工况中,进气流量和进气管内油膜特性会发生变化,从而使气缸内混合气空燃比偏离控制值,通过对过渡工况下节气门位置、转速、进气流量、排气中氧传感器输出电压和废气HC与CO浓度的实时测量,发现了汽油机过渡工况中混合气浓度变化的规律及特征,并分析了目前空燃比闭环控制存在的问题,为汽油机过渡工况空燃比精确控制莫定了基础。     

车辆横向稳定性的模糊控制仿真

车辆横向稳定性一般是由车辆的结构来保证的,但车辆在较大侧向力作用下将丧失横向稳定性.通过建立车辆转向运动的简化模型,利用前馈补偿和模糊控制策略,将前轮转向角视为前馈输入变量来补偿转向角引起的车辆侧偏角变化;通过左右车轮制动力差产生附加力矩来控制车辆的横摆运动,同时以车辆横摆角速度为反馈输入变量来校正消除系统误差,设计了车辆模糊控制器,并对控制系统在不同车速下进行了仿真分析.仿真结果表明,施加控制的车辆与无控制的相比,横摆角速度与侧偏角的输出稳态值减小,超调量降低,改善了车辆的横向稳定性.特别在高速情况下,车辆横向稳定性改善更加明显.     

废气排放成分的汽油机失火故障RBF神经网络诊断

提出了一种利用排气中HC、CO2和O2浓度诊断车用汽油机失火故障的诊断方法及描述汽油机失火故障的模糊评价指标,利用实验数据和RBF神经网络建立了该指标与排气中HC、CO2和O2浓度间关系的模型,应用MATLAB软件对该模型进行学习训练,将训练好的神经网络模型应用于汽油机失火故障的诊断,结果表明,此模型能正确诊断汽油机失火故障.图2,表2,参8.     

车用汽油机污染物排放特性的灰色关联分析

以车用汽油机CO排放浓度为例，用灰色理论计算出各影响因素与CO排放间的灰色关联度，并对计算结果作了相应的分析，对汽油机在不同工况下影响排气污染物生成的各种因素提出了新的分析方法。     

无检测器交叉口交通流量预测的灰色神经网络模型

为解决一般预测方法要求原始数据量较大,而无检测器交叉口获得的交通流量数据又非常有限的矛盾,提出了一种基于灰色神经网络的无检测器交叉口交通流量预测方法。通过选择不同长度的历史数据构建不同的灰色预测模型,对于不同灰色预测模型得到的预测结果再使用神经网络进行组合,该方法综合了GM预测所需原始数据少、方法简单,而神经网络具有非线性拟合能力的特点。以107国道新市站2002年观测的交通流量作为原始数据,采用灰色神经网络进行时交通流量预测,结果表明了该方法是有效可行的。