基于SVM的电梯群控系统交通流模式识别

针对电梯群控调度中的交通流模式识别问题,提出了一种基于多值分类支持向量机的电梯交通流模式识别方法．文中介绍了电梯交通流模式识别的设计流程,并建立了相应的电梯交通流模式识别器．结果表明,基于支持向量机的交通流模式识别方法能够较准确地辨识出各种交通流模式．通过对比试验,证明了该算法的识别准确率优于人工神经网络算法,体现出较好的泛化能力,具有一定的实用价值.     

基于遗传算法模糊神经网络的电梯群控调度

提出了一种基于遗传算法的模糊神经网络的电梯群控调度方法，即智能多模式群控调度方法，其特点是能够适合于各种交通流模式，该文详细介绍了这种方法的设计思想、结构及其实现，并进行了仿真试验。仿真结果表明，该方法能够适应各种交通流模式的变化，实现了在各种交通模式下根据各种相应服务要求进行电梯合理调度的目标。     

电梯群控系统调度算法的研究

本文主要介绍了基于专家系统的算法,基于模糊控制的算法,基于神经网络系统算法以及遗传算法在电梯群控系统中的应用.     

基于多Agent的电梯智能群控系统

给出了基于Agent的多电梯智能群控系统结构,并对其中的状态协调Agent以及调度Agent进行了深入研究,在分析电梯乘客需求的随机性与周期性特点的基础上,给出了建立客流模板的学习算法.根据乘客的现实需求和预测得出的潜在需求对梯群预测调度,给出了选择客流模板的算法和基于乘客需求预测的最大引力派梯算法.该方法能够利用预测的乘客需求,尽量减小调度的滞后性,从而减少乘客的平均候梯时间及长时间等待率.仿真结果显示了该方法的优越性.     

电梯群控系统多目标控制策略

分析了电梯群控系统的功能和特点，采用组合优化方法将群控系统的多个目标进行加权组合，建立了基于遗传算法的多目标优化模型，并在电梯群控仿真试验台上进行了试验．根据试验结果分析了系统性能指标．     

基于CANBUS的电梯群控系统的算法与实现

为了满足高层建筑和智能化建筑的需要,在研究电梯群控系统运行特点的基础上,提出了多目标的电梯群控系统算法.采用最优化理论的分析方法,分析电梯群控模型及调度策略,以及最大限度地降低系统能耗的群控系统,并基于CAN总线的技术特点,给出了群控系统的实现方案,对电梯群控理论的研究有一定的促进作用.     

一种电梯群控系统的模糊逻辑描述

建立计算机电梯群控系统的核心是建立专家系统和模糊规则.电梯交通分析已由统计学特性描述进入动态特性(即模糊特性)描述,因此把模糊学理论用于电梯交通分析已成为当务之急.本文关于电梯群控系统的模糊逻辑描述的研究是建立电梯群控专家系统和模糊规则的基础.     

PC—PLC组成的电梯群控系统

介绍一种由PC与PLC组成的电梯群控系统,讲述了系统的软件设计方法和PLC与PC之间的通讯方案。     

一种集成智能的电梯群控技术

针对当前出现的多种电梯群控算法的不足,本文简要介绍了基于人工智能（Artificial Intelligence）的思想及其集成控制方法,以满足电梯客流动态随机性的要求。这种集成控制可对电梯交通模式进行识别和智能预测,从而大大减少乘客候梯时间和能量消耗．并设计了程序仿真电梯调度方法。     

基于蚁群算法的电梯群控系统节能策略的优化研究

电梯群控系统的目标是分配电梯服务以满足各层客户的呼叫需求,属典型的组合优化问题,而蚁群算法常用于解决离散组合优化问题.其良好的全局优化能力与快速收敛特性适合于电梯群控.然而当前的调度算法主要集中在减少乘客的等待和乘坐时间上,却忽略了电梯群的耗能问题.为实现节能的目标,建立了能量目标函数和电梯群控系统的蚁群模型,并给出了优化方案和收敛的算法.模拟结果证明了算法的有效性.     

用于控制图模式识别的广义神经网络系统

面向过程控制图的模式识别,提出了一个广义神经网络系统.该系统基于广义过程对象模型发生数据,离线训练后能够在线识别各类工业过程常见的控制图模式,模块化的设计使得神经网络系统的结构相对简单,有效地提高了网络的训练速度和模式识别的准确率.首先研究了广义过程对象模型参数对神经网络控制图模式识别率的影响,并基于此影响规律设计了包含模式识别分类模块与模式参数估计模块的集成化神经网络系统结构;其次使用基于广义对象模型产生的数据对神经网络系统进行了训练和验证,讨论了学习训练方法,并进行了控制图模式识别性能的仿真测试,获得了满意的结果.在TE过程仿真平台上进行了实验,给出了对上升阶跃模式和下降阶跃模式的识别结果,表明了具有较高的识别率.     

基于模糊控制的群控电梯调度算法研究

在分析模糊综合评判决策的数学基础上,针对大多数的群控系统采用单一评价指标的厅层呼叫方式来调度电梯,建立了多目标模糊控制的数学模型。对电梯群控系统的输入量进行分析计算,选择合适的隶属函数,提出了基于多个评价指标的模糊综合评判群控算法。在不同的交通模式下对评价指标赋予不同的权重,并对综合评价函数进行计算,通过模糊推理得到合适的派梯结果,达到使乘客满意并节约能耗的目的。对所提出的群控算法进行了仿真分析。     

基于模糊神经网络的交通灯智能系统

设计了一个使用模糊和神经网络的交通灯智能系统.此系统能根据汽车重量、长度和速度来改变信号灯等待时间.通过计算机仿真表明,此方法比固定时间信号灯更有效.新方法的汽车平均等待时间减少,通过十字路口的速度较快以及燃料消耗都会提高.     

Star pattern recognition method based on neural network

Star sensor is a sensitive instrument for determina-tion of a spacecraft attitude with high accuracy. The in-strument can determine the spacecraft 3-axis attitude through the recognition of observed stars. It measures star magnitude and star coordinates in the spacecraft coordi-nate frame. The measures are then compared with a refer-ence star catalog to obtain the attitude information of the spacecraft[1,2]. The purpose of star pattern recognition is to identify the corresponding relations bet…     

基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。     

一种基于模糊神经网络控制系统的构建方法

给出了在构造基于模糊神经网络的控制系统的过程中利用遗传算法优化输人向量维数的一种改进方法,在此基础上进一步给出了一种通过数据分类提取模糊推理规则的方法,并且将两种方法结合起来形成一种基于模糊神经网络控制系统的构建方法．     

模糊PI控制在电梯门机系统中的应用

为改善电梯门机系统中固定的转速PI参数不能根据电梯门重量变化而自适应调整的缺点,提出一种改进的模糊PI控制方法,用于电梯门机控制系统中．在永磁同步电机矢量控制速度环的模糊控制模块的设计中,创新性的引入电流对PI参数的影响．基于Matlab／Simulink的控制系统仿真结果和工程实验表明,该方法可实现智能控制,相较于传统PI系统对不同的电梯门机系统都可获得更好的动态性能．     

基于模糊积分的神经网络离线签名识别

提出一种基于模糊积分融合方式的多神经网络离线签名识别方法。首先对签名图像进行一系列预处理,提取不同类型的特征,然后使用神经网络进行初分类,再用模糊积分进行融合。实验表明,该识别方法能够比单个神经网络有更好的签名识别效果。     

基于模式识别神经网络的重力匹配算法

为了提高重力辅助惯性导航系统在重力异常明显区域内的定位精度和匹配率,用模式识别神经网络的方法进行了重力匹配.在匹配时刻,根据惯导指示位置确定在一定的网格点范围内搜索载体真实位置,以每个网格点为终点把惯导指示航迹放置到重力图上,由此提取一系列的参考重力图上数据,并把它和对应网格点的位置定义成一个模式类,把所有的模式类作为概率神经网络的样本训练一个模式识别神经网络,然后把重力仪测量数据使用该神经网络识别到某个模式类,对比模式类的定义可以确定此时的载体位置.计算仿真研究表明,该算法的重力匹配率优于通常的相关匹配算法,其组合导航系统的定位误差在1个重力图网格左右.     

混沌Arneodo系统非线性与自适应模糊神经网络控制

针对Arneodo系统的参数不确定性,阐述了Arneodo控制系统中抵消非线性的基本思想和设计方法.利用LQR线性反馈技术,设计了具有稳定裕度的二次型最优控制器,同时在控制器中引入一个用于函数逼近的自适应模糊神经网络,利用该神经网络抵消控制系统中的非线性项,使受控系统的某一状态变量可被镇定到任意参考位置.这种具有模糊神经网络的控制器实现了参数不确定系统的精确反馈线性化控制.通过仿真比较研究,说明了反馈线性化与自适应神经网络相结合的控制器具有良好的控制性能,且更易实现.