基于BP神经网络的入口匝道控制器的设计

入口匝道控制系统是一种复杂的非线性时变系统，难于用数学准确建模，因此用数学建模的方法实施控制难度较大，本文中根据入口匝道控制原理分析了交通控制中需检测的交通量参数，并据此设计了神经网络控制器，并对这一控制器进行了仿真，仿真结果显示，神经网络用在入口匝道控制中可取得良好的效果。     

用递阶控制思想改进基于结构的神经网络模型

分析了基于结构的神经网络建模方法，应用递阶控制的思想对基于结构的神经网络模型进行了改进．在原模型中增加了一个协调器，对每一时刻各子系统输出修正后再进行下一时刻计算．建立了52SFZ-140—270B型液压缓冲器基于结构的神经网络模型．测试结果表明，改进后的模型减小了子系统误差及子系统间的相互影响，提高了系统的整体模型精度．     

高速路入口匝道的模糊神经网络自适应协调控制

为了实现高速公路多路段入口匝道的协调控制,提出了一种基于模糊神经网络的自适应协调控制方法.该方法首先利用模糊规则实现了相邻路段间交通状态的协调,并对匝道排队进行调节,使其不超过最大排队长度.然后,在神经网络权值优化过程中,采用遗传算法对隶属度函数进行优化,避免算法收敛于局部最优解.该方法具有不依赖于系统的精确模型、控制算法能自适应外界变化、可实现多路段间协调控制等优点.仿真结果表明,该方法对3个路段的高速公路入口匝道能够较好地实现自适应协调控制;与经典的ALINEA方法相比,优化速度更快,在抑制交通密度波动和排队长度增长方面效果更好,对道路容量的利用也更加充分.     

高速公路入口匝道的模糊逻辑控制

利用模糊逻辑控制器实时地调节高速公路入口匝道,该控制器由模糊规则库,模糊生成器,模糊消除器等组成,控制器的输入量来自入口匝道以及上下游的检测器,输出是入口匝道的调节率。     

高速公路入口匝道控制与仿真

给出模糊控制在高速公路入口匝道调节中的应用,并比较了定时控制与模糊控制的计算机仿真结果。仿真结果表明模糊控制策略在行程时间和总服务流量等性能指标上优于定向控制。     

基于PID神经网络的快速路入口匝道控制

鉴于神经网络具有良好的非线性特性,学习能力以及自适应能力,本文将神经网络控制与快速路入口匝道控制结合起来,提出了一种基于PID神经网络的入口匝道的协调控制方法。仿真结果表明,较之于ALINEA控制,该方法能更好地稳定快速路的主线交通流密度。     

SWARM 算法在高速公路入口匝道控制中的应用

交通运输业是国民经济中具有全局性和先导性的基础产业.高速公路作为现代化交通基础设施,以其通行能力大、行车速度高的显著特点,成为适应现代产业发展需要的骨干运输方式和重要通道.高速公路的交通控制是高速公路完善程度的重要标志,入口匝道控制则是高速公路控制系统的重要内容,本文介绍了高速公路入口匝道控制系统,包括入口匝道控制的基本原理和典型的控制方法, 并给出了高速公路入口匝道控制系统结构图.SWARM算法在高速公路入口匝道控制中的应用,它以高速公路主线交通流为控制对象,以入口流量为系统的输入控制量,通过计算匝道上游交通需求与下游道路容量差额来寻求最佳匝道入口流量控制,从而使高速公路本身交通需求不超过它的容量,使高速公路主线交通流处于最佳状态.     

基于模糊算法的高速公路匝道控制方法

针对高速公路交通拥挤和堵塞问题，提出用模糊控制的方法，在拥挤和堵塞形成之前控制匝道的入口流量，避免交通拥挤和堵塞的形成。分析了交通流的构成和自然条件对交通的影响，然后设计出匝道模糊控制的基本结构，并给出了确定交通状态参数的模糊算法。     

高速公路匝道协调控制系统的仿真分析

采用连续流宏观稳态交通模式和占有率调节控制策略,使用Visual Basic软件设计了一个高速公路匝道协调控制系统,模拟了高速公路交通系统的动态运行过程,并通过数据仿真对系统运行和计算的有效性进行了分析.仿真结果表明,控制系统具有良好的动态性能,所提出的方法能够有效地消除交通拥挤,维持主线车流稳定,实现车辆在高速公路上的高效、安全运行.     

高速公路加速车道上车辆的汇入特征分析

为了研究高速公路入口匝道上车辆的汇入规律，利用摄像和Autoscope-2004图像处理系统在江苏、山西、河北、北京、天津、广东等地对高速公路合流区加速车道上车辆的汇入特征数据进行了大量调查，在对调查数据进行处理分析的基础上，运用概率分析和微分法建立了匝道车辆的汇入概率模型和行驶距离分布概率模型，利用实际数据对模型进行检验，并举例说明模型在高速公路加速车道长度的设计、评价和分析方面的应用，该模型揭示了匝道车辆汇入概率与合流区几何特征、交通特征的数学关系，不但解释了调查结果，而且对高速公路规划设计、控制管理等工程实践有重要的指导意义。     

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。     

基于动态反馈神经网络的复杂系统预测控制

在分析基于动态反馈神经网络(DRNN:Dynamic Recurrent Neural Network)的模型预测控制策略的基础上,为改善Elman网络辨识高阶系统时的计算复杂性,采用具有局部动态反馈特性的Elman网络进行线性系统状态空间模型的在线辨识.基于跟踪器型性能指标的预测控制器对系统进行滚动优化,并对动态反馈神经网络逼近状态空间模型进行了证明.对过程控制装置三容系统进行了仿真研究,通过离线训练方式获得网络初值的选择.仿真结果表明,此算法能使系统的输出保持期望轨迹,并能有效处理系统本身的输入、输出约束条件.     

基于正则神经网络模型的时滞混沌系统预测控制

研究模型未知、不稳定的不动点位置及其局部性态未知情形下的时滞混沌系统的控制问题。提出了一种神经网络预测控制方法,将模型未知时的时滞混沌运动控制到不稳定的不动点处。分析了控制系统(包括观测器、正则神经网络预测器和在线训练的线性神经网络预测控制器)的稳定性,与现有同类方法比较,本方法收敛速度快,算法简便。仿真实验表明了本方法的有效性。     

两层模糊神经网络交通信号控制模型

交叉路口信号的有效控制是减少车辆延误时间的关键,是保证城市交通顺畅的前提。以单交叉路口为研究对象,在仿真希腊学者Pappis提出的模糊控制方法基础之上,基于交叉路口的动态特性及模糊规则的一成不变,提出两层BP神经网络实现单交叉路口的模糊信号控制方法,在不同车流量情况下,使用MATLAB工具仿真实现,结果表明:所提出的模糊神经网络具有较强的学习、推理能力,对于车辆的平均延误时间有较好的改进。     

基于模糊神经网络的染色机温度控制

针对染色过程中温度控制系统具有严重的非线性以及较大的时间滞后性，无法精确建立数学模型的特点，设计了一种模糊神经网络控制算法．该算法能实现对恒温、升温、降温过程的分别控制，以达到提高控制效果的目的．提出模糊神经网络控制方法，并设计出相应的控制器，通过Matlab仿真及实际应用论证了该控制器的可行性．     

基于神经网络的柴油机NOx排放预测模型研究

传统的基于MAP图查表方式得到柴油机NOx排放的方法需要做大量标定实验,本文采用BP神经网络构建柴油机NOx排放预测模型．论文选取进气压力、进气温度、排气温度和发动机转速这4个量作为预测模型的输入量．考虑到柴油机NOx生成与其工作参数之间有时间迟滞,模型的输入量包含当前值和历史值．对输入数据做了归一化处理．在模型后处理模块对输出数据做反归一化处理．所提出的模型具有较高的预测精度．     

An integrated scheme of neural network and optimal predictive control

An approach of adaptive predictive control with a new structure and a fast algorithm of neural network (NN) is proposed. NN modeling and optimal predictive control are combined to achieve both accuracy and good control performance. The output of nonlinear network model is adopted as a measured disturbance that is therefore weakened in predictive feed-forward control. Simulation and practical application show the effectiveness of control by the proposed approach.