公路车辆动态称重系统解决方案

提出了一种新的车辆动态称重系统解决方案。首先导出测量模型，然后提出利用ORIV算法进行参数识别，并进行了模型实验，证明了该方案的可行性。     

汽车超载车辆动态称重检测系统方案研究

本文介绍了动态称重系统的组成,工作原理及其主要功能和应用的重要意义。     

基于MSP430的动态称重系统

本文主要介绍一种基于MSP430的动态称重系统的结构和实现方法,重点从硬件上对其进行设计和分析,并给出软件流程图。     

神经网络算法在公路动态称重中的应用

介绍了神经网络算法,并将其应用于汽车动态称重,通过实验对比了RBF和BP两种网络结构对轴重估计的影响,结果表明RBF网络估计的实时性能优于BP网络。     

基于FIR算法的公路动态称重系统研究

阐述了FIR算法的基本原理,探讨了加窗函数对结果的影响,给出了实现FIR算法的结构和程序,并对其做了详细说明。实验结果表明,公路动态称重系统所能达到的检测车辆通过速度和动态轮载辨识精度达到了国际ASTM E1318—94标准Ⅲ类WIM系统的规范要求。     

高速公路动态称重与静态称重的利与弊

从计重收费的要求,根据实际使用的情况出发,分析比较了计重收费中应用的这两种方法——动态称重与静态称重的优点和缺点,并且总结了应用静态称重的需注意的细节。     

传感器技术在公路称重系统中的应用

传感器技术被广泛地应用于工业、军事和日常生活等各个领域,本文主要讨论传感器技术在收费公路车辆动态称重系统中的应用,介绍了称重传感器的工作原理和动态称重的主流技术,并展望称重传感器技术的发展趋势。     

自动进料系统中的动态称重

在物料运动的同时称量出其重量称为动态称重。动态称重因为涉及的参数多、运动状态下干扰大,所以比静态称重要复杂的多。本文给出了自动进料系统中动态称重的基本原理,分析了称重中的主要干扰来源和特性。最后利用小波分析理论对称重数据进行了处理,并给出了工程应用中的最终求解公式。     

动态称重系统在治理超限超载中的应用

根据我国治理超限超载车辆的实际情况,对比静态称重和动态称重的特点,本文提出以动态预检测为手段以提高检测效率、减少滞留车辆的延误时间,从实例中分析动态检测系统的原理和结构,介绍动态称重的优点。     

动态称重及其数据处理

文章介绍了动态称重系统的数学模型 ,指出了现有动态称重数据处理方法的不足。在此基础上 ,较详细地讨论了搜索法的原理、系统的组成以及参数的确定。对动态称重系统的开发设计具有参考意义。     

大功率船用柴油机智能诊断系统的研究与实现

通过对船舶柴油机故障诊断仿真系统的模型,结构原理与功能的研究,着重介绍了基于ＲＢＦ神经网络故障智能诊断方法,并以实例对涡轮增压系统和气缸组件与燃料系统故障进行分析判断,指出开发实船柴油故障诊断的计算机辅助分析系统具有指导意义。     

基于模糊RBF神经元网络的冷连轧板形板厚多变量控制

针对板带材轧制是一个复杂的非线性过程,板形控制(AFC)和板厚控制(AGC)又是相互耦合的一个综合系统等特点,提出了一种基于模糊RBF神经元网络的冷连轧板形板厚多变量综合控制系统.仿真结果证明了此AFC-AGC控制系统具有良好的自适应跟随和抗扰性能,其控制效果优于传统的解耦PID控制.     

基于RBF-NN逆系统的卷取张力控制

 基于对卷取机张力间接控制过程的研究,以提高恒张力卷取控制精度为目的,引入径向基函数(RBF)神经网络及逆系统控制理论知识,结合卷取张力控制过程的物理特性,建立了张力控制逆系统模型,其仿真结果较为理想,对实际的生产有指导意义.     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

基于RBF神经网络和专家系统的短期负荷预测方法

深入研究了天气和特殊事件对电力负荷的影响,建立了结合径向基（RBF）神经网络和专家系统来进行短期负荷预测的模型。利用RBF神经网络的非线性逼近能力预测出日负荷曲线,然后利用专家系统根据天气因素或特殊事件对负荷曲线进行修正,使其在天气突变等情况下也能达到较高的预测精度。利用该模型编制的实用化软件在西北电网的多个电力局投入实际应用,结果表明：该方法用BP神经网络相比,具有较高的预测精度,同时具有较强的实用性。     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

基于高斯RBF神经网络的可伸缩机械臂系统动态建模与仿真

设计了一种新的多模块机器人机械臂系统,该机械臂的每个模块具有可伸缩杆和旋转节两部分.为了进行有效控制,给出了系统的解析公式和机械臂自适应控制的相关技术.使用高斯函数的RBF神经网络对系统的动态方程参数进行了估计,使用李亚普诺夫稳定性分析确定神经网络权重的自适应修正规则,并给出了相应的自适应控制器模型.对该机械臂系统的控制进行了计算机仿真分析,结果表明:该方法在响应时间和控制精度方面都有提高,并且在有负载等非线性事件突然干扰的情况下亦能进行有效控制.     

基于RBF神经网络的混合气体智能检测系统研究

基于传感器阵列和神经网络构造智能系统用于检测混合气体的低质量分数.传感器阵列获取质量分数为1×10-6～5×10-6范围的H2,C2H4,C2H2混合气体响应和质量分数为5×10-5～3×10-4范围的CO响应.通过RBF神经网络学习改善低质量分数混合气体检测的灵敏度.把传感器响应作为神经网络输入,神经网络输出为H2,C2H4,C2H2和CO的质量分数.实例分析表明,系统能较好地克服低质量分数混合气体检测过程中普遍存在的交叉灵敏度,得到满意的检测结果.     

一种新型的图像型火灾识别算法的研究

图像型火灾探测技术是一种新型的探测技术,可以有效地克服传统火灾探测技术的缺陷.针对背景复杂的火灾图像,首先利用差分技术、RGB颜色分割技术和形态特征分割技术建立3层复合分割模型,排除大部分干扰,得到火焰疑似区域;然后分析火焰疑似区域的相似性测度、面积变化值、致密度、偏心率和质心点偏移距离等特征,这些特征可以较全面地表征火灾信息;最后利用RBF神经网络建立火灾识别模型,将提取出的火焰特征作为输入量,对火灾图像进行分类识别.仿真结果表明,该算法对不同场景的火灾识别具有较高的准确率.     

基于径向基神经网络的集装箱吞吐量组合预测

利用上海港国际集装箱吞吐量的历史数据,分别采用灰色预测法和三次多项式曲线模型建立了单项预测模型.利用径向基（RBF）神经网络对两个单项预测模型结果进行了组合预测,以作为其最终的预测值.实验结果表明,采用组合方法比采用单一预测方法的预测精度有了进一步的提高.最后,应用马尔可夫链预测模型对组合预测结果进行分析,增加了结果的可信性.