网联异质车群的自主换道行为及动力学建模

道路上行驶的网联异质车流,存在着网联自主驾驶汽车（Connected Autonomous Vehicles, CAVs）和人工驾驶汽车(Human-driven vehicles, HVs)的复杂交互耦合关系。传统的交通优化模型着重于均匀化网联车辆的运行速度,缺乏对网联车辆自主换道和主动礼让行为的考虑。为引导CAV自主变道决策和让行行为,挖掘其自主行为的动力学特性,运用系统动力学建立车车交互行为模型,判断CAVs所处的空间阈值,控制瓶颈区CAVs的目标巡航速度,调节瓶颈区道路车辆密度,提高异质车流通行效率。采用Matlab数值仿真,验证分析面向CAV自主决策行为的动力学模型,结果表明:相较于传统的交通优化模型,加入符合换道条件和让行条件下的CAVs自主行为因素后,交通瓶颈区车辆平均延误以及瓶颈区排队长度均减少约20%,其中停车延误可减少约40%。网联异质车流中车车交互行为特性及自主决策行为动力学模型可为提高异质车流在瓶颈区的高效运行提供理论基础。     

基于公交浮动车数据的城市主干道交通拥堵预测

交通拥堵预测是解决交通拥堵问题的前提。针对速度特性分析不全面的问题,基于公交浮动车数据,在速度时间相关性和空间相关性分析的基础上,加入了公交流量和时间占有率两个特征,提出了考虑时空特性和公交车流特性的改进粒子群优化的径向基函数神经网络(particle swarm optimization-radial basis function, PSO-RBF)速度预测模型。通过比较预测结果与速度阈值,得到城市主干道的交通拥堵情况。结果表明,与只考虑时空特性的预测结果相比,所提出的基于时空特性和公交车流特性的预测方法,可使模型预测的均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)分别降低13.58%、12.63%,决定系数达92.39%。同时,实例验证了改进的PSO-RBF神经网络模型的预测精度要优于标准的PSO-RBF神经网络。     

基于神经网络补偿的多传感器航迹融合

针对多传感器环境的条件提出了一种基于神经网络补偿的航迹融合方法.各传感器的测量值用线性卡尔曼滤波器进行处理并将获得的局部航迹传送到融合中心.首先对局部航迹进行融合,然后引入神经网络来减少因共同过程噪声而导致的融合估计误差,其中神经网络采用Dan Si-mon提出的网络结构,并对神经网络权值的优化采用无痕卡尔曼滤波(UKF).仿真结果表明,这种融合方法对跟踪具有过程噪声的目标非常有效,而且过程噪声发生变化时该方法仍是有效的,从而使得它在很多实际应用中具有潜在的价值.     

混行交叉口网联自动车专用道布设方案评价模型

为评价混行交叉口网联自动车专用道的布设方案,分析了不同专用道布设情况下网联自动车流和人工车流在交叉口内的各种冲突,根据是否受专用道布设位置影响,将其分为基本冲突、左冲突和右冲突.在此基础上,以混行交叉口通行能力最大为 目标,构建了一套混合整数线性规划模型,包括车道渠化、流量分配和信号配时相应约束,在给定的专用道布设方案...     

基于RBFNN和PSO求解第二类Volterra积分方程的混合方法

提出一种基于RBFNNs和PSO求解第二类Volterra积分方程的混合方法.先将积分区间离散化为点集,并代入积分方程得到方程组,再利用RBF神经网络逼近积分方程中的未知函数,将所求解问题转化为残差平方和的极小化问题.利用PSO算法求解残差平方和的极小化优化问题,得到RBF神经网络的参数,即得问题的逼近解.数值实验表明,该方法可行有效.     

智能网联环境下CAV混行车流集聚策略及分析

针对目前的交叉口控制方法无法适应于网联人工驾驶车辆(CHV)与网联自动驾驶车辆(CAV)的混行而导致冲突增多、效率下降的问题，提出了一种适用于主干路交叉口的基于多智能体系统(MAS)的CAV混行车流集聚控制模型(MTF-ACM)．构建基于V2V(车对车)技术的混行车流集聚策略，以降低混行车流的随机性．设计虚拟动态预信号，通过时空同步机制对集聚车队进行速度诱导．根据主预信号协同配时策略，使集聚车队以最大可能不停车通过交叉口．研究结果表明：当CAV的市场渗透率(MPR)为60%时MTF-ACM取得通行能力的最佳效益；当交通流量临近饱和状态时，相较于无ACM和CAV-ACM,MTF-ACM平均延误时间和停车次数分别降低30%和50%以上，燃油消耗和CO₂排放分别减少20.59%和22.21%.     

ELM-RBF神经网络的智能优化策略

提出了ELM-RBF(extreme learning machine-radial basis function)神经网络的智能优化方法,采用差分进化算法和粒子群优化算法来确定ELM-RBF神经网络中隐层神经元的中心和宽度。仿真结果表明,在具有相同的网络结构前提下,基于智能优化策略的ELM-RBF神经网络学习算法具有更好的泛化能力和较好的鲁棒性。     

智能网联汽车多目标预测优化换道决策方法

换道决策是智能网联汽车的核心难题之一,其面临着高动态、复杂交通场景下需要综合考虑行驶安全及效率等目标的巨大挑战。提出一种多目标预测优化的换道决策方法,主要包括动力学矩阵建模及多目标预测优化问题解算。基于智能网联汽车的通讯大数据信息构建交通流矩阵模型,然后分别设计表征车辆换道安全、行驶效率的动力学模型,通过多目标综合预测优化方法,求解条件约束下预测优化问题从而优化出最优换道决策指令。结果表明,所提出的预测优化换道方法较其他方法提高了智能汽车的行驶安全性和效率。     

基于AQPSO算法优化的RBF网络模型及应用研究

提出了自适应量子粒子群优化(adaptive quantum-behaved particle swarm optimization,AQPSO)算法,用于训练RBF(radial basis function)网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改进了RBF网络的泛化能力.利用上证指数数据进行预测,实验结果表明,采用AQPSO算法获得的RBF网络模型不但具有很强的泛化能力,而且具有良好的稳定性,在股票数据预测中具有一定的实用价值.     

基于免疫粒子群神经网络的短期预负荷测

针对电力系统短期负荷预测的特点,以及人工神经网络的自学习和复杂的非线性拟合能力,提出了基于径向基（RBF）神经网络的短期电力负荷预测模型．采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值．综合考虑气象、天气等影响负荷因素进行短期负荷预测．仿真试验表明,该方法同传统RBF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．     

网联环境下混合车流的速度协调优化方法研究

为了消除高速公路混合交通流波动所带来的不良影响,提出一种基于前车轨迹的速度协调优化方法。首先利用Newell跟驰理论对前车的运行轨迹进行偏移,再利用三角形基本图(KWT模型)对偏移的轨迹进行修正以提高对下游车队尾端HV轨迹的预测精度,然后通过预测的轨迹协调控制上游车队CAV首车在各个时刻的车速,引导上游CAV平稳顺利汇入下游车流来抑制速度震荡造成的交通流波动,最后通过数值仿真分别讨论了20%、40%、60%的CAV渗透率对速度震荡传播的抑制效果。结果表明：CAV的渗透率越大,对抑制速度震荡传播的作用越大,验证了该方法能有效提高交通流稳定性并提升道路通行能力与安全。     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

多源遥感影像数据融合理论与方法的研究

在分析和探讨多源遥感影像数据融合原理、层次、结构及特点的基础上,归纳了多源遥感影像数据融合方法,并对未来的研究趋势进行了展望。     

混合智能在递归神经网络软测量中的应用

针对机理不清且具有复杂非线性关系的过程对象,提出一种基于混合智能的递归神经网络的数据驱动软测量建模方法。利用主元分析处理输入变量之间的共线性问题,设计了Hammerstein模型与递归神经网络的混合结构,用于描述过程对象的非线性和动态关系。为了使模型参数估计达到全局最优,提出了基于收缩粒子群优化算法的参数学习算法,不仅能够实现模型参数的更新,而且能够保证建模误差最小化。通过某氧化铝氯酸钠溶液组分浓度软测量问题中的实际应用表明:混合智能方法有效。     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

基于径向基插值的曲面变形方法在船型多目标优化中的应用

在船体型线优化中,精确有效的船体曲面表达和变形技术在优化中起着重要的作用,文中研究基于径向基插值的曲面变形方法在船型多目标优化中的应用,采用基于径向基插值技术的船体曲面变形方法,以DTMB5415船型为研究对象,结合计算流体力学计算工具和多目标粒子群算法,以兴波阻力最小为优化目标,完成了不同弗劳德数(Fr)下的船舶阻力性能优化.在优化结果中选择3条典型船型进行分析:Fr为0.41时方案1较优,兴波阻力减小了18.83%;Fr为0.22时方案3较优,兴波阻力减小了49.66%;Fr为0.28时方案2为折中方案,兴波阻力减小了30.23%.优化结果表明,基于径向基插值技术的船体曲面变形方法可有效产生光顺的船体型线.     

强海杂波背景条件下海上目标检测方法

为了减少展宽的一阶海杂波谱对空间超分辨谱估计技术的影响，提高MUSIC算法的检测性能，用径向基神经网络实现海杂波预测和对消．利用神经网络的可对任意非线性函数模拟的特性，对展宽的海杂波进行模拟，用模拟后的结果实现一阶海杂波的对消，来满足MUSIC算法的应用条件．最后用MUSIC算法分辨海上目标的方位信息．实验结果表明，对消前后目标背景噪声子空间特征值发生改变，对消后更接近于MUSIC算法的假设条件，提高了MUSIC算法的检测性能，扩大了MUSIC算法的应用范围，实现在非高斯噪声背景条件下应用MUSIC算法检测目标．确定最小的相空间维数和时间间隔，采用更先进的神经网络算法，可以提高神经网络的预测速度．     

基于非线性数据融合的冰层厚度自动测量应用研究

为解决黄河冰层厚度测量的误差大、精度低等问题,设计了一套针对黄河冰情特点的钻式冰层厚度自动测量系统,并研究了基于径向基神经网络的非线性数据融合处理技术.该测量系统首先通过电机(或破冰机)推动钻头在冰上钻孔,用压力传感器来判断钻孔动作的开始和停止;同时用钻头来带动编码器旋转,进行脉冲计数;当钻孔动作结束后,用钻头钻行速度和启停时间来计算冰层厚度,同时也通过编码器脉冲计数值来计算冰层厚度;最后以高斯基函数建立二元径向基的数学模型,将启停时间和脉冲计数值进行融合处理,得出冰厚测量结果.测量结果可在现场显示,也可通过GPRS无线传输到观测站.该测量系统不仅减少了人工操作带来的误差,而且克服了黄河水中杂质多、含沙量大等因素的影响,提高了系统的测量精度和稳定性,较适合在黄河及黄河流域库区冰厚测量进行推广使用.     

基于MPSO-RBF神经网络的切向刚度研究

为了能更快速、准确地计算在多影响因素下的机械结合面切向刚度,采用改进的粒子群算法优化径向基神经网络参数,实现了两个算法的有机结合。考虑结合面的材质、表面加工方法、表面粗糙度、结合面面压、介质等影响结合面切向刚度的因素,以实验参数作为样本,利用建立的模型进行了结合面切向刚度仿真,并对仿真结果与实验结果进行了对比分析。分析结果表明,模型预测精度可达92%以上。     

基于层次分析与数据融合的综合评估方法

为解决层次分析法在多指标综合评估中的不一致性、多源评估数据不可靠性以及评估结果不全面、不直观等问题,提出了一种基于层次分析与数据融合的综合评估方法.该方法首先改进1-9标度法,合理确定多因素权重,减少了层次分析的不一致性;然后,设计了多源评估数据的可靠性预处理机制和基于数据融合的综合评估算法,提高了多源评估数据的可靠性、综合评估结果的准确性与全面性.最后,将该方法应用到高校教师课堂教学质量综合评估系统中.系统运行结果表明该方法可行、有效,评估结果准确、全面、直观.