车道模型对高速公路交通噪声预测准确性分析

根据桓永高速公路、随岳高速公路和京津第二通道高速公路的交通量、车型及车速等监测数据,运用中间车道预测模型和车道累积模型,分别对三条高速公路进行了噪声预测,将噪声预测值与实测值进行了对比,并分析了差值的原因,得出车道累积预测模型在高速公路交通噪声的预测准确性上优于中间车道模型.     

基于神经网络的自适应噪声抵消器的研究

在系统阐述了自适应滤波器和自适应噪声抵消器基本原理的基础上,利用神经网络的特点,设计了基于四层神经网络的自适应噪声抵消系统,克服了传统自适应滤波器需要两路输入信号统计相关的特点。理论分析和计算机仿真表明,该系统与传统自适应噪声抵消系统相比具有很好的噪声消除能力和鲁棒性。     

GM（1.1）灰色模型在交通噪声预测中的应用

以两个不同区域为例，探讨了灰色系统理论的一维建模理论在交通噪声预测中的应用，本方法具有较一般预测方法所需信息量少，结果合理的优点。     

BP神经网络在股指预测中的应用

设计了一个三层的BP神经网络,优化了网络输入,结合Matlab神经网络工具箱,采用LM算法与归一化方法相结合的方法对网络进行训练与仿真,并对上证指数收盘价进行了预测,实验表明网络收敛快,泛化能力强.     

基于LOGIT模型和BP神经网络的交通方式划分研究

利用LOGIT模型进行交通方式划分,并用BP人工神经网络对其效用值的确定过程进行改进,使应用LOGIT模型计算交通分担率更加合理和符合实际。     

基于BP神经网络的故障光伏组件输出功率预测

针对产生故障的光伏组件会降低光伏组件输出功率的问题,提出了一种改进的BP神经网络预测模型.该预测模型在辐照度、环境温度等因素的基础上加入光伏组件故障面积,串联光伏组件个数作为输入,对比SCG算法和LM算法两种改进方法,对故障光伏组件的输出功率进行预测,并用平均绝对百分比误差和均方误差两种方式对两种改进模型的准确性进行评...     

基于BP神经网络的压力传感器非线性校正方法

采用BP多层前馈神经网络及其改进算法对传感器特性进行补偿，有效地改善了BP传统算法收敛慢、容易收敛到局部最小点的缺陷，并编制了训练程序．结果表明，经BP改进算法处理后，传感器性能大幅度改善，网络的收敛速度更快，精度更高．     

应用遗传算法和LM优化的BP神经网络模型预测机场道面使用性能

分析了影响道面使用性能的各种参数,结合BP神经网络和遗传算法来预测机场道面使用性能.通过遗传算法全局寻优功能对神经网络的初始权值和阈值进行优化,然后采用LM(Levenberg-Marquardt)优化算法对神经网络训练速度进行加速,并且使训练避免陷入局部极小点.通过历年数据对神经网络进行训练,用所得神经网络模型对机场道面使用性能进行预测.训练结果表明,该方法具有足够的精度,能够应用到工程实际中.     

基于神经网络的车辆交通协调性评价模型

为了研究自动驾驶汽车交通协调性的主客观映射评价模型,以高速公路匝道汇入为研究场景,首先基于自然驾驶数据的交互样本数据,以自车平均行驶速度、并线时刻侧向速度、并线时刻车头TTC、并线时刻两车相对侧向速度和对手车减速程度等客观指标数据和交通协调性主观评价结果作为模型输入和输出,构建映射评价模型;然后设计2×2交叉对比实验,并分析数据预处理方法及神经网络类型对评价模型效果的影响。研究结果显示,基于线性函数归一化处理的BP神经网络模型和Dropout神经网络模型总精度分别为95.71%和80.00%,基于阶梯函数归一化处理的BP神经网络模型和Dropout神经网络模型总精度分别为94.60%和73.25%。由此可见,模型评价效果较好,所建立的客观表征指标集能够较好地表达专家对车辆交通协调性表现的评价。在建模方法方面,基于BP神经网络的映射评价模型的表现优于Dropout神经网络模型,能够根据客观数据更准确地得到符合专家评判标准的评价结果。在样本数据预处理方法方面,线性函数归一化处理方法能够在消除数据间数量级差异的同时保留客观表征指标集数据在不同样本之间的差异,能提高映射评价模型的评价精度。因此...     

一种基于神经网络模型的中国能耗预测

通过对中国能源消费增长率的数据分析,运用LM(Levenberg-Marquardt)优化算法,结合BP网络,建立了相应的中国能耗增长率的神经网络模型,对中国能费增长率进行了拟合,并对未来能耗总量进行了预测。通过实际数据与测试数据的统计分析表明,该模型具有极强的拟合精度,对中国能源消费需求总量的预测有较高的可信度。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

A BP neural network based information fusion method for urban traffic speed estimation

Obtaining comprehensive and accurate information is very important in intelligent traffic system (ITS). In ITS, the GPS floating car system is an very important approach for traffic data acquisition. However, in this system, the GPS blind areas caused by tall buildings and tunnels could affect the acquisition of traffic information and depress the system performance. Aiming at this problem, we developed a novel method employing a back propagation (BP) neural network to estimate the traffic speed in the GPS blind areas. When the speed of one road section is lost, we can use the speed of its related road sections to estimate its speed. The complete historical data of these road sections are used to train the neural network, using Levenberg-Marquardt learning algorithm. Then, the current speed of the related roads is used by the trained neural network to get the speed of the road section without GPS signal. We compare the speed of the road section estimated by our method with the real speed of this road section, and the experimental results show that the speed of this road section estimated by our method is better.     

An improved BP artificial neural network algorithm for urban traffic flow intelligent prediction

The traffic flow is interrelated to traffic congestion, the big traffic flow directly results in traffic congestion of some section. In this paper, on the basis of the research of overseas traffic accident, considering the characteristic of Chinese traffic, artificial neural network was used to predict traffic accident, and an improved BP artificial neural network model according with Chinese the situation of a country was proposed. The urban traffic flow prediction was simulated under the particular situation, the simulation result shows that the improved BP artificial neural network can fit the urban traffic flow prediction very well and have high performance.     

神经网络中的正交设计法研究

提出用正交设计法选择前馈型神经网络训练样本的方法,并且对其基本原理进行了探讨。文中以三层BP网络为例,根据特定位级的正交表获取相应的训练样本集,利用该训练样本集对网络训练,然后用经过训练的网络对各取值域作离散预测。详细的对比计算表明：1）将正交设计法应用于神经网络学习训练样本的选取上是成功有效的;（2）选用四位级或五位级的正交表来对网络样本做选择精度已经足够。另外,将网络隐层神经元个数对网络的影响与选用正交表不同位级对网络的影响的效果也作了比较。     

An improved BP artificial neural network algorithm for urban traffic flow intelligent prediction

The traffic flow is interrelated to traffic congestion, the big traffic flow directly results in traffic congestion of some section. In this paper, on the basis of the research of overseas traffic accident, considering the characteristic of Chinese traffic, artificial neural network was used to predict traffic accident, and an improved BP artificial neural network model according with Chinese the situation of a country was proposed. The urban traffic flow prediction was simulated under the particular situat...     

基于IOWA算子的短时交通流预测方法研究

本文首次将诱导有序加权平均（IOWA）算子应用到短时交通流预测中,建立了以整体预测误差平方和最小为目标的组合预测模型。在分析短时交通流预测模型的基础上,本文选取了指数平滑法、季节自回归求和移动平均模型（SARIMA）、BP神经网络模型对短时交通流进行预测,再用IOWA算子将这三种模型进行组合预测。最后进行实例验证,通过MAE、MSE和MAPE三项指标比较分析四种模型的预测效果。结果证明,IOWA算子组合预测模型明显优于其他的预测模型,有效地提高了短时交通流的预测精度。     

公路交通噪声预测模型

基于声传播的基本特性．提出了一个简化的公路交通噪声预测模型。该模型的推导是根据A计权声压级计算公式，采用常规噪声测量方法估计预测模型参数得出的，同时根据汽车噪声源引起的地面效应以及涡流对声波传播的影响，对模型进行了修正。利用该模型可以预测一个稳态源的声压级LA（如汽车起步和停车时）和移动声源的时间平均声压级LAepτ，（如一段时间内的公路交通噪声）。仿真结果表明，几何散布、地面效应和涡流是影响交通噪声传播的重要因素；在对LAepτ，瞬态测量时，必须有足够的测量时间以确保机动车采样具有代表性。实地测量验证了该预测模型的有效性。     

基于BP神经网络的坡面降雨产流预测

为预测坡面降雨产流,基于坡面降雨产流的非线性特性,引用3层BP(Back-Propagation)网络建模方法,对B市密云水库流域石匣小区水土保持监测小区的坡面降雨产流进行了研究。模型输入层变量数为5个,分别代表坡度、坡长、降雨强度、降雨历时、土壤的有效糙率,输出层变量数为坡面降雨产流量,利用野外小区实测数据,对上述网络进行了训练,学习100次后网络趋于收敛,训练样本集误差达到2.040 96×10-10,小于预设精度,预测样本的平均相对误差为1.67%。该模型的建立与实践,为坡面降雨产流预测的研究提供了新的方法。     

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。     

基于卷积神经网络的网络流量识别技术研究

近年来,深度包检测技术和基于统计特征的网络流量识别技术迅速发展,但它们分别存在不能识别加密流量和依赖人对特征主观选择的缺陷.文章提出了基于卷积神经网络的流量识别方法,将网络数据按照一定的规则转换为灰度图像进行识别,并根据TCP数据包的有序性和UDP数据包的无序性,对原始的网络数据进行了扩展,以进一步提高识别率.实验数据表明,该方法对应用程序和应用层协议两个层次的网络流量具有较高的检测率.