中度混合动力汽车模型预测控制策略

基于车载导航系统(GPS/GIS)建立汽车未来一段行驶路线上的汽车运行状态模型,将模型预测控制与动态规划相结合,提出了中度混合动力汽车实时在线滚动优化控制策略;并就如何减少动态规划计算量及系统变量离散化问题进行了研究;建立了中度混合动力汽车燃油经济性预测控制仿真模型,采用C语言与MTALAB\Simulink进行联合仿真,验证了所设计的模型预测控制算法可以满足实时控制的要求,且采用该预测控制策略的中度混合动力汽车具有显著的节油效果。     

基于混合神经网络的一般动态系统MT方法建模

利用MT理论对一般动态系统的分解提出了混合神经网络建模的方法，混合神经网络模型采用动态神经网络和静态神经网络级联的方式，结合了二者的优点，克服了各自的不足之处．探讨了采用混合神经网络对一般动态系统建模的方法．研究结果表明，此方法对于一般动态系统，特别是复杂的非线性动态系统的建模有其独特的优点．     

混合动力电动汽车机电耦合系统归类分析

对混合动力电动汽车机电耦合系统的归类进行分析.依据其数学模型归纳耦合条件,建立分类规则,并按此规则将其分为转矩耦合、转速耦合和功率耦合3种基本类型.应用上述定义和规则对目前国内外出现的各种典型系统进行了分析,并对3种基本类型的耦合系统及双模式耦合系统进行了评价.结果表明,功率耦合系统和双模式耦合系统具有良好的节能潜力和发展前景.     

基于脉冲耦合神经网络模型的混合噪声滤除

脉冲耦合神经网络模型是一种仿生系统，它模拟了猫猴的视觉神经系统，受到广泛研究并已应用于图像处理的各个领域。针对现有脉冲耦合神经网络模型的缺陷设计了一种阈值线性衰减的输出带权均值型PCNN模型，简称为L&A-PCNN，并应用于混合噪声去除领域。进一步扩充了PCNN模型的应用领域，并提高了处理图像的性能。以改进后的模型为基础，通过数学推理和实验获得模型关键参数的最优设置方法和范围。将L&A-PCNN与中值滤波器结合对图像去噪领域的难点混合噪声进行修复，仿真实验结果证明在去噪性能上使用L&A-PCNN的算法比现有算法有5%-30%的提高。     

混合动力汽车补偿模糊神经网络能量管理策略

以上海大众汽车公司某型号混合动力电动汽车(HEV)的设计要求为基础,提出了一种基于补偿模糊神经网络的能量控制策略,并采用动态调整步长的梯度下降法加快算法的收敛速度.分析了样本数据选取、输入、输出模糊分割和模糊规则提取对控制器性能的影响.利用ADVISOR2002仿真平台进行二次开发,完成了基于补偿模糊神经网络的控制策略、并联电力辅助控制策略和模糊控制策略的仿真比较.仿真结果表明,基于补偿模糊神经网络的控制器具有较强的自适应能力,可以较好提高混合动力汽车的燃油经济性和排放性.     

混合动态系统的离散事件受控对象模型

混合动态起因于离散事件系统用于监控连续状态系统的行为。用抽象语言方法描述连续状态系统，通过对连续状态系统空间的一致性分划，抽象出离散事件对象模型。基于输入／输出观点简要地讨论了离散控制器综合。     

混合动力汽车深度强化学习分层能量管理策略

为了提高混合动力汽车的燃油经济性和控制策略的稳定性,以第三代普锐斯混联式混合动力汽车作为研究对象,提出了一种等效燃油消耗最小策略(equivalent fuel consumption minimization strategy,ECMS)与深度强化学习方法(deep feinforcement learning,DRL)结合的分层能量管理策略。仿真结果证明,该分层控制策略不仅可以让强化学习中的智能体在无模型的情况下实现自适应节能控制,而且能保证混合动力汽车在所有工况下的SOC都满足约束限制。与基于规则的能量管理策略相比,此分层控制策略可以将燃油经济性提高20.83%~32.66%;增加智能体对车速的预测信息,可进一步降低5.12%的燃油消耗;与没有分层的深度强化学习策略相比,此策略可将燃油经济性提高8.04%;与使用SOC偏移惩罚的自适应等效燃油消耗最小策略(A-ECMS)相比,此策略下的燃油经济性将提高5.81%~16.18%。     

混合动力汽车动力耦合行星齿轮系动力学模态

以混合动力汽车双排行星齿轮动力耦合机构为例,运用 UG 建立其三维实体模型,并在 ANSYS 中对动力耦合机构的两排斜齿行星齿轮系分别进行模态分析。通过对比分析两排行星齿轮系的固有属性,得出两行星齿轮系的振动都以行星轮的扭转或扭摆振动为主,且由于存在重根现象,固有频率相近的模态,其固有振型也相似。两斜齿行星齿轮系的固有频率都远大于混合动力汽车发动机、发电机和电动机对外输出的激振频率。可见,斜齿行星齿轮系作为混合动力汽车动力耦合机构,能够有效地避免与动力输入构件的共振。     

混合动力电动汽车多能源原型控制器研究

针对混合动力电动汽车的多能源管理,研究开发了多能源控制器,提出了随车标定和修改多能源原型控制器软件和硬件的新方法．该方法利用Matlab／Simulink在便携电脑上建立混合动力电动汽车多能源控制器的动态仿真模型,利用C 构建驱动USB的S函数,使控制器模型与混合动力电动汽车多能源原型控制器连接,实现在线修改控制器软件的目的,该方法亦可以将MAXPLUSⅡ和ispPAC10生成的目标文件下载到原型控制器硬件中去,实现在线修改控制器硬件．实验证明该方法非常适合原型控制器的开发研究。     

流固耦合系统动力稳定性的混合Γалёркин-Floquet解法

本文给出求解一般流固耦合系统动力稳定性的一种有效而通用的混合-Floquet 方法。作为实例,采用此法研究了一个充液圆柱壳体的动力稳定性问题。     

基于递阶进化规划的RBF网络设计新方法

针对RBF神经网络的特点 ,提出一种递阶进化规划算法 ,利用此方法同时对网络的拓扑结构和网络参数 (权值、隐节点中心和形状参数 )进行优化 ,克服梯度算法需要求导且易陷入局部极小的弱点 ,分别对单入单出和多入单出非线性函数的建模问题进行了仿真 ,验证了该算法的有效性     

混合型集成神经网络故障诊断方法研究

基于集成神经网络故障诊断理论，提出了一种混合型集成神经网络故障诊断方法，阐述了其结构和算法。采用了工业对象对其进行了仿真研究，通过仿真结果表明其可行性。     

融合图卷积神经网络的文本情感分类

文档级别情感分类旨在预测用户对评论文本的情感极性标签。最近研究发现,利用用户和产品信息能有效地提升情感分类性能,然而,现有大多数研究只关注用户与评论、产品与评论的信息,忽略了用户与用户、产品与产品之间的内在关联,因此,本文提出一种融合图卷积神经网络的文本情感分类模型。首先,根据数据集构建了用户与用户关系图、用户与产品关系图;然后,融合两种关系图形成异质图,并使用图卷积神经网络学习用户与用户、产品与产品之间的内在联系,获得更好的用户和产品表示;最后,使用融合CNN的用户注意力和产品注意力机制的分层网络进行情感分类。实验结果表明,在公开数据集IMDB、Yelp2013和Yelp2014上,本文提出的模型能取得较好的分类效果。     

面向嵌入式应用的深度神经网络模型压缩技术综述

结合大数据的获取,深度神经网络关键技术广泛应用于图像分类、物体检测、语音识别和自然语言处理等领域.随着深度神经网络模型性能不断提升,模型体积和计算需求提高,以致其依赖高功耗的计算平台.为解决在实时嵌入式系统中的存储资源和内存访问带宽的限制,以及计算资源相对不足的问题,开展嵌入式应用的深度神经网络模型压缩技术研究,以便缩减模型体积和对存储空间的需求,优化模型计算过程.对模型压缩技术进行分类概述,包括模型裁剪、精细化模型设计、模型张量分解和近似计算和模型量化等,并对发展状况进行总结.为深度神经网络模型压缩技术的研究提供参考.     

基于正则约束的分层仿射图神经网络文本分类模型

文本分类是自然语言处理中一个重要的研究课题。近年来,图神经网络（graph neural network,GNN）在这一典型任务中取得了良好的效果。目前基于图结构的文本分类方法存在边噪声和节点噪声干扰、缺乏文本层次信息和位置信息等问题。为了解决这些问题,提出了一种基于正则约束的分层仿射图神经网络文本分类模型Text-HARC,该模型融合了图注意力网络（graph attention network,GAT）与门控图神经网络（gated graph neural network,GGNN）,引入正则约束过滤节点与边噪声,分别使用仿射模块与相对位置编码补充词语表示。通过实验,该方法在TREC、SST1、SST2、R8四个基准数据集上的准确率提升明显,消融实验结果也验证了该方法的有效性。     

基于神经网络预测模型的高速公路递阶控制

利用递阶结构和神经网络来进行高速公路入口匝道控制，其基本思想是：把高速公路作为一个大系统问题，子系统为高速公路的路段，协调控制层负责计算各路段的期望轨线，应用神经网络对各路段交通状态进行预测，并根据预测结果实施控制。给出了控制器的构造方法并进行了仿真实验，实验结果表明，该方法能够有效地消除交通拥挤和维持主线车流稳定。     

基于神经网络模型的扩展优化自校正预测控制

利用前馈神经网络权初值优化的快速BP算法建立对象的非线性预测模型,采用分段线性化的技术建立动态线性模型,基于该线性模型进行滚动优化,同时用非线性预测模型对其进行补偿,实现对具有时延的非线性系统的预测控制,较好地解决了非线性系统存在时变、模型失配等情况下的控制问题。仿真实验表明由它构成的控制系统具有很好的动态响应和较强的鲁棒性。     

基于一类GA-RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题.针对传统的控制方法控制效果差、精度不高,难以达到期望结果的问题,结合RBF神经网络的特点,提出用基于混合编码方式的混合遗传算法训练的RBF神经网络,同时优化网络的结构和参数,并利用RBF神经网络建立转炉炼钢静态模型.仿真结果表明,该模型具有在线调整和学习的功能,比传统模型具有更好的计算精度和适应能力,为提高转炉冶炼过程的控制精度给出了一个有效的方法.     

基于一类GA—RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题．针对传统的控制方法控制效果差、精度不高，难以达到期望结果的问题，结合RBF神经网络的特点，提出用基于混合编码方式的混合遗传算法训练的RBF神经网络，同时优化网络的结构和参数，并利用RBF神经网络建立转炉炼钢静态模型．仿真结果表明，该模型具有在线调整和学习的功能，比传统模型具有更好的计算精度和适应能力，为提高转炉冶炼过程的控制精度给出了一个有效的方法．     

基于动态模糊神经网络的入侵检测系统

针对传统的网络安全防范技术存在的缺陷和入侵检测在动态安全模型中的重要地位和作用,提出了基于模糊理论、神经网络和遗传算法结合的新方法--动态模糊神经网络,并且给出基于动态模糊神经网络的入侵检测系统构建体系.该系统在实际应用中收到了较好的效果.