基于遗传BP神经网络的短时交通流预测

为了预测未来一段时间的短时交通流,提出了一种利用BP神经网络进行预测的方法。将历史时刻的车流量作为网络输入,未来短时流量作为输出,采用单步预测。为了缩短收敛时间,避免陷入局部极小值,用遗传算法优化网络初始权值和阈值。对未优化与优化后的网络进行测试。实验证明,未优化的BP神经网络预测精度较低,且收敛时间较长;而遗传优化算法使预测精度及收敛速度得到极大改善,但样本的数量及质量是影响预测精度的关键要素。     

BP神经网络短时交通流预测模型研究

通过对比分析短时交通流预测模型,本文对BP神经网络的基本原理进行了分析,对BP神经网络算法进行设计,建立了基于BP神经网络的短时交通流预测模型。同时将其应用于短时交通流预测模型的仿真计算,利用某市路口的实测交通流数据来验证模型的可行性。仿真结果表明,BP神经网络算法具有较快的计算速度与较好的适应能力,该方法可以较好地应用于短时交通流预测。     

基于模糊推理的无检测器路口短时交通流预测

短时交通流预测是交通诱导与控制的关键技术之一.针对目前无检测器路口交通流预测研究相对较少的情况,提出了一种基于模糊推理的无检测器路口交通流预测方法,即在研究交叉口相关性的基础上,确定关键路口,通过模糊化交通流数据得到无检测器路口与关键路口的模糊关系,接着用模糊推理法得到关键路口对无检测器路口的流量查询表,无检测器路口的流量预测直接由流星查询表得出.采用该方法对合肥市实际路口的交通流量进行预测,实验结果证明了该方法的有效性、可行性.     

基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测;当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题;为此,提出一种基于模糊神经网络的短时交通流预测方法;该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测;由此实现短时交通流的预测;实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。     

遗传算法优化BP 神经网络的短时交通流混沌预测

为了提高BP神经网络预测模型对混沌时间序列的预测准确性,提出了一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到几个典型混沌时间序列和实测短时交通流时间序列进行有效性验证.仿真结果表明,该方法对典型混沌时间序列和短时交通流具有较好的非线性拟合能力和更高的预测准确性.     

社会情感算法优化神经网络的短时交通流预测

针对反向传播(BP)神经网络用于交通流预测易陷入局部最优且寻优速度慢的问题,采用了社会情感优化(SEO)BP神经网络的参数,以SEO中的个体为一个BP神经网络,以3种情绪为表现形式,通过个体间的合作竞争进行寻优.运用Levy、正态、柯西分布3种情绪随机选择策略,通过不同方式实现了以不同的概率选择不确定的情绪,使SEO中情绪更好地模拟人的正常心理变化.实验表明:该模型较其他模型更有利于搜寻全局最优解,能有效提高短时交通流的预测精度.     

改进混沌遗传算法优化BP神经网络的短时交通流预测

BP神经网络算法被广泛地应用于短时交通流预测模型中,但是该算法存在的缺陷降低了预测的准确性.为克服上述缺陷,引入混沌遗传算法(CGA)来进行改进,用混沌遗传算法得到的最优解作为BP神经网络算法的初始值改进算法的缺陷.通过实验结果分析,改进后的算法模型对短时交通流的预测具有了更高的准确性.     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

基于混沌粒子群优化小波神经网络的短时交通流预测

根据交通流量的非线性、时变性和复杂性等特点,提出基于混沌粒子群CPSO(Chaos Particle Swarm Optimization)优化小波神经网络WNN(Wavelet Neural Networks)的短时交通流预测。结合混沌的随机性和遍历性改进粒子群优化算法,改善粒子群优化算法容易陷入局部最优的问题。利用混沌粒子群算法优化小波神经网络的模型参数,克服传统小波神经网络采用梯度下降法易陷入局部极值和引起振荡效应现象缺陷。仿真结果表明,混沌粒子群优化小波神经网络与粒子群优化小波神经网络和小波神经网络两种方法相比,其提高了收敛速度和预测精度。     

基于改进BP的GDP预测研究

GDP时间序列具有线性和非线性的双重特征,所以传统统计预测方法、神经网络方法和集成预测方法都在预测分析时准确性不高,误差较大。文章提出由GDP时间序列,找出只具有非线性特征的GDP年增量百分比序列,以此建立基于BP的预测模型,对我国的GDP进行预测,仿真实验表明,改进的BP模型预测准确率明显优于目前的ARIMA-BP集成模型及单一BP模型的预测准确率,从而证实了改进的BP模型用于GDP预测的有效性。     

基于强跟踪滤波器训练的前向神经网络及其在系统辨识中的应用研究*

给出基于强跟踪滤波器训练前向神经网络的新方法。由于强制残差序列保持相互正交,强跟踪滤波器相对扩展Kalman滤波的收敛速度更快,同时精度更高。最后通过系统辨识仿真实例验证该方法的有效性。     

模糊小脑模型神经网络在短时交通流预测中的应用

模糊小脑模型神经网络(FCMAC)是将模糊理论引入小脑模型网络则形成的一种新型网络。在研究FCMAC算法的基础上,将FCMAC算法应用于短时交通流预测问题。通过仿真实验,并与BP和RBF方法进行比较。结果表明FCMAC方法具有较高精确性和一定的应用价值。     

模糊小脑模型神经网络在短时交通流预测中的应用

模糊小脑模型神经网络（FCMAC）将模糊理论引入小脑模型网络则形成的一种新型网络。在研究FCMAC算法的基础上,将FCMAC算法应用于短时交通流预测问题。通过仿真实验,并与BP和RBF方法进行比较。结果表明FCMAC方法具有较高精确性和一定的应用价值。     

利用神经网络进行推理的模糊控制器

本文介绍了一种利用神经网络进行推理的模糊控制器。网络的输入和输出均为模糊集。训练后的网络能完成合成关系，即模糊推时。为了减少ＢＰ网络的高线训练时间，对模糊集进行了“编码”。最后给出了该控制器应用于曲线环节的实时控制结果。     

基于SOM规则自动生成的模糊神经网络模型

1 引言模糊系统建模一般将经过系统结构辨识和系统参数估计两个阶段。在辨识阶段,主要决定输入变量及其相互关系、模糊规则数、输入输出空间划分和系统参数的初值;在估计阶段,主要用来调整系统参数以使得系统的输出与目标输出的差值尽可能小。对于系统参数估计阶段的参数调整,人们已提出一些自动方法。对于系统结构辨识阶段,也产生了如模板法、聚类法和决策树法等,但这些方法一般都需要人工干预。其中模糊规则的生成与调整以及隶属度函数的选取是系统结构辨识阶段的主要问题,文提出了用神经网络自动生成模糊规则并进行隶属度形状调整,从而构成模糊神经网络。Wang提出自动分割输入空间的方法,Lin提出三阶段学习算法的模糊神经网络。     

自适应模糊神经网络在噪声消除中的应用

本文提出了一种基于模糊神经网络的噪声自适应消除方法,介绍了该方法的原理及实现算法,并利用特殊函数和一定的噪声作为样本信号,建立了基于模糊神经网络的自适应噪声消除模型。通过该模型对有用信号的参数进行了辨识,仿真结果表明该方法具有学习速度快、诊断精度高等优点,可用于通信线路及其他电子设备的噪声消除。     

基于稀疏表达和RBF神经网络的交通流预测方法

准确的交通流预测被认为是智能交通系统（ITS）中一个重要的元素.针对以往仅靠人工经验在预测节点的邻近范围内进行时空关联选取,提出了一种基于稀疏表达的时空关联挖掘的方法,并应用于RBF（Radial Basis Function）神经网络进行交通流预测.它的优势在于可以基于全局的交通网数据自动地挖掘出与目标节点的传感器相关的时空关联传感器,此方法具有良好的自适应性,能应用到大的交通网中进行交通流预测.相比于从邻近范围选取时空关联传感器来进行预测的方法,拥有更好的预测性能.     

一种基于神经网络逆向推理机制的专家系统

本文提出了一种基于神经网络逆向推理机制的专家系统设计方案。论文研究了一种表达知识的二元产生式规则及其编码方法。通过编码，知识被存储在ANN中；基于ANN的知识库，论文设计了一种具有逆向推理机制的推理机。本文设计了一个原型系统，用于动物识别，经实验，取得较理想的效果，证明了该方法的有效性。     

非线性倒立摆的BP神经网络系统辨识

基于BP神经网络能以任意精度逼近任何非线性连续函数的原理。通过在MATLAB环境下,对典型的不稳定、非线性、强耦合的倒立摆系统建立了BP神经网络辨识结构,并对辨识结果进行了分析。结果表明BP神经网络对非线性倒立摆模型的辨识是有效的。