电梯群控系统交通流的预测方法

交通流预测是智能电梯群控系统的重要组成部分,对交通流进行预测可使群控系统跟随交通流的变化调节控制策略.将基于神经网络的时间序列预测理论应用到电梯群控系统的交通分析中,构造了一种交通流时间序列预测模型,并提出了调整预测神经网络结构以提高预测精度的方法.仿真实验表明了这种交通流智能预测方法是有效的.     

一种电梯群控多目标调度方法

针对电梯群控系统层间交通模式下用户对电梯需求多样化的特点 ,提出了一种适用于繁重层间交通模式的多目标调度方法 ,并采用遗传算法动态优化电梯调度方案 .仿真实验表明这种电梯调度方法是有效的.     

基于统计近似的电梯群控系统的智能算法

针对电梯群控系统所要解决的是一个复杂的、不确定性的多目标随机系统的决策问题,本文提出一种新的电梯系统(EGCS)群控智能算法,综合考虑电梯运行特性,采用统计方法近似计算平均侯梯时间,应用模糊技术计算各电梯响应层站召唤的适合度,从而确定出最优电梯群控策略.仿真结果表明了算法的有效性.     

基于面向对象Petri网的电梯群控系统建模

电梯群控系统是一种典型的离散事件动态系统,这体现在乘客到达的起始层、目的层和到达时间的随机性,所以,很难用一个传统的数学模型表达式来表示。提出了一种应用面向对象Petri网对该系统进行建模的方法,该方法在对电梯运行情况充分研究的基础上,分别建立电梯运行和电梯控制器Petri网模型,从而构造电梯群控系统模型。该建模方法不仅适用于电梯群控系统,而且适用于其它离散事件动态系统。     

基于平均报酬强化学习的电梯群组调度研究

针对电梯群控系统,建立基于平均报酬强化学习的优化调度模型。采用R-learning的平均报酬强化学习求解算法,在分析电梯群组调度问题特点的基础上,利用径向基函数神经网络解决行为值函数的存储与泛化问题,并结合电梯群组虚拟仿真环境进行验证。通过与两种典型的电梯群组调度算法进行比较,展示了平均报酬强化学习算法在处理具有吸收目标状态的大规模随机序贯决策问题的有效性及可行性。     

电梯群控研究及仿真试验台开发

电梯群控系统是将数台电梯统一管理，根据建筑物中的交通状况和相应的服务要求，提高运行性能的控制系统。分析了群控系统功能和特点，设计了系统的软硬件结构，建立了电梯群控系统仿真试验平台。硬件系统采用分布式控制，单梯运行仿真由各自相应的微控制器单元完成，群控及实时运行监控功能采用面向对象技术在工控机上实现，各功能模块之间采用CAN总线通信。该仿真试验台为群控策略研究提供了软硬件平台。     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

电梯群控系统的活动扫描法仿真

本文在对电梯群控系统进行分析的基础上，给出了该系统的一种仿真模型。进一步论述了用活动扫描法对该系统进行仿真的原理和步骤。最后以一个例子说明了该方法的可行性。     

基于粒子群模糊神经网络的丙烯腈收率软测量建模

对粒子群优化算法与模糊神经网络的结合进行研究，提出粒子群模糊神经网络，并将其应用丙烯腈收丰软测量建模．该方法采用模翱神经网络来杓建丙烯腈收率软测量模型，用粒子群优化算法优化模糊神经网络的参数；并结合实际工艺，对所建软测量模型进行仿真研究。实验结果表明，该模型的性能优于粒子群神经网络模型，能够准确预测丙烯腈收率，具有较高的精度和良好的应用前景。     

模拟电路单—故障的模糊神经网络诊断方法

本文提出了利用模糊神经网络进行模拟电路故障诊断的方法。该方法根据模式识别原理,利用建立在神经网络中的模糊特征库,推断出故障特征对各元件故障的隶属程度,并指示元件参数的变化趋势。这一方法为解决模拟电路及一些含有非线性元件的电路的故障诊断问题提供了一种新方法。     

机器人模糊神经网络阻抗控制

提出一种以位置控制为基础的模糊神经网络阻抗控制结构,它根据力误差修正参考位置,使机器人与环境的实际接触力跟踪期望力。利用模糊神经网络学习参考位置,不需要环境位置和刚度的先验知识。这种方法有误差补偿作用,对干扰和环境等不确定因素具有鲁棒性,仿真结果表明了控制方案的有效性。     

神经网络结构的递归T—S模型模型

提出一种新的递归T－S模型（Takagi-Sugeno模型）的模糊神经网络结构（TSFRNN）,利用动态BP（DBP）算法来学习训练神经网络的参数,通过与通常的多层前馈神经网络结构的T－S模糊神经网络（TSFNN）的对比仿真实验,说明在非线性系统建模方面TSFRNN比TSFNN更加优越。     

神经网络模糊非参数模型自适应控制及仿真

提出一种基于神经网络的模糊非参数模型自适应控制方案。该方案仅用受控系统的I/O数据来设计控制器,综合了模糊控制、神经网络与非参数模型学习自适应控制各自的优点。仿真表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。     

基于灰色关联分析的分层模糊神经网络

为解决“模糊规则爆炸”问题,提出一种基于模糊神经网络从试验样本抽取模糊规则的方法。首先,根据灰色关联分析的结果,将输入变量进行两两组合建立分层模糊子系统。其次对每个模糊子系统设计分层参数、结构优化算法。在权值学习过程中,模糊进化规划与分层方法相结合,网络的各层权值独立优化,并且各层权值优化问题简化为二次型问题,降低了权值优化过程中的计算复杂性。最终能够实现整个模糊神经网络的分层优化,各层神经元单独训练且训练结果互不影响。与常规的前向进化神经网络方法相比较,该方法通过对神经元的部分解群体的进化,缩短了个体的编码长度,显著地减少了计算量。同时这种方法不但能够很大程度上简化适应值的计算,更重要的是能够降低适应值空间的复杂性,从而能够加速进化算法收敛到全局最优点。     

用模糊BP神经网估算小卫星成本

提出了用BP神经网对卫星成本进行二维估算 ,即先求出样本点集扩散到控制点集中的模糊数 ,然后将对应同一控制输出变量的控制输入变量的模糊数作为学习样本 ,让BP神经网进行学习。学习后的BP神经网就能在给定输入变量的情况下 ,估算出输出变量。最后 ,给出了小卫星成本的质量和定点精度模糊BP神经网估算的实例 ,取得了满意的结果。     

模糊神经网络自学习控制器及其应用

本文提出了一种模糊神经网络自学习控制方法，并介绍了采用多层神经网络表达模糊控制的知识规则、模糊推理和学习算法。经实验仿真结果表明这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性能优于一般模糊控制。     

一种网络拥塞预测新方法

提出基于粗糙集的模糊神经网络流量预测算法。传统的流量控制技术,总是以网络资源当前使用情况对包进行处理,没有考虑流量预测问题,易造成流量控制滞后的情况。将基于粗糙集的模糊神经网络引入流量控制,利用其处理不确定性问题和自学习能力,进行流量预测,较好地解决这一问题。最后仿真分析了本方法的性能,证明方法的有效性。     

神经网络应用于模糊综合评价的研究

本文将神经网络理论应用于模糊综合评价, 给出了一种基于三层神经元的多用量化评价方法, 研究了三层神经网络的结构、相应的网络学习过程及其应用于模糊综合评价的计算机实现算法和应用实例。