智能信息處理在復(fù)雜系統(tǒng)建模、系統(tǒng)分析、系統(tǒng)決策、系統(tǒng)控制、系統(tǒng)優(yōu)化和系統(tǒng)設(shè)計(jì)等領(lǐng)域具有廣闊的應(yīng)用前景。
《智能信息處理(第2版)》介紹模糊信息處理、神經(jīng)網(wǎng)絡(luò)信息處理、云信息處理、可拓信息處理、粗集信息處理、遺傳算法、蟻群算法、免疫算法、信息融合、量子智能信息處理、粒子群優(yōu)化算法和DNA算法。
《智能信息處理(第2版)》除供智能信息處理與智能控制技術(shù)研究人員參考外,還可作為相關(guān)專(zhuān)業(yè)研究生教材和大學(xué)高年級(jí)選修課教材。
第1章 模糊信息處理
1.1 電氣設(shè)備故障診斷模糊模型
1.1.1 故障診斷模糊化的必要性
1.1.2 三比值法模糊化處理
1.1.3 舉例說(shuō)明
1.1.4 模糊故障診斷要點(diǎn)及評(píng)判結(jié)論
1.2 多目標(biāo)模糊優(yōu)化方法
1.2.1 多目標(biāo)優(yōu)化問(wèn)題
1.2.2 多目標(biāo)結(jié)構(gòu)模糊優(yōu)化問(wèn)題的解法
1.2.3 隸屬函數(shù)選取時(shí)對(duì)優(yōu)化結(jié)果的影響
1.2.4 數(shù)值實(shí)例
1.3 數(shù)據(jù)處理的模糊熵方法
1.3.1 模糊事件的熵
1.3.2 用基于熵的模糊方法評(píng)定測(cè)量結(jié)果
1.3.3 實(shí)例分析
1.4 自適應(yīng)模糊聚類(lèi)分析
1.4.1 基本的FCM聚類(lèi)算法
1.4.2 自適應(yīng)模糊C均值聚類(lèi)算法
1.4.3 應(yīng)用實(shí)例
1.5 模糊關(guān)聯(lián)分析
1.5.1 模糊綜合評(píng)價(jià)分析
1.5.2 模糊關(guān)聯(lián)分析法原理與方法
1.5.3 實(shí)例研究
1.6 模糊信息優(yōu)化方法
1.6.1 模糊信息優(yōu)化處理概述
1.6.2 模糊信息優(yōu)化處理的基本理論
1.6.3 黃土濕陷性評(píng)價(jià)實(shí)例分析
1.7 模糊多屬性決策的模糊貼近度方法
1.7.1 模糊多屬性決策
1.7.2 模糊多屬性決策模型
1.7.3 模糊多屬性決策的模糊貼近度解法
1.7.4 算例分析
1.8 信息不完全確知的模糊決策集成模型
1.8.1 信息不完全確知的多目標(biāo)決策
1.8.2 12DM模糊決策集成模型
1.8.3 12DM模糊決策集成模型分析
1.9 模糊Petri網(wǎng)
1.9.1 Petri網(wǎng)
1.9.2 基于模糊Petri網(wǎng)模型的知識(shí)描述
1.9.3 基于模糊Petri網(wǎng)的推理算法
1.9.4 推理實(shí)例
第2章 神經(jīng)網(wǎng)絡(luò)信息處理
2.1 神經(jīng)網(wǎng)絡(luò)一般模型
2.1.1 神經(jīng)網(wǎng)絡(luò)模型
2.1.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
2.1.3 神經(jīng)網(wǎng)絡(luò)計(jì)算的特點(diǎn)
2.2 BP神經(jīng)網(wǎng)絡(luò)模型
2.2.1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
2.2.2 BP神經(jīng)網(wǎng)絡(luò)建模
2.3 貝葉斯神經(jīng)網(wǎng)絡(luò)
2.3.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和貝葉斯方法
2.3.2 神經(jīng)網(wǎng)絡(luò)的貝葉斯學(xué)習(xí)
2.3.3 貝葉斯神經(jīng)網(wǎng)絡(luò)算法
2.4 RBF神經(jīng)網(wǎng)絡(luò)
2.4.1 RBF神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
2.4.2 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與訓(xùn)練
2.4.3 高速公路RBF神經(jīng)網(wǎng)絡(luò)限速控制器
2.5 貝葉斯一高斯神經(jīng)網(wǎng)絡(luò)非線(xiàn)性系統(tǒng)辨識(shí)
2.5.1 BPNN分析
2.5.2 BG推理模型和BGNN
2.5.3 BGNN的自組織過(guò)程
2.5.4 仿真研究
2.6 廣義神經(jīng)網(wǎng)絡(luò)
2.6.1 智能神經(jīng)元模型
2.6.2 廣義神經(jīng)網(wǎng)絡(luò)模型及學(xué)習(xí)算法
2.6.3 交通流預(yù)測(cè)模型
2.7 發(fā)動(dòng)機(jī)神經(jīng)網(wǎng)絡(luò)BP算法建模
2.7.1 發(fā)動(dòng)機(jī)性能曲線(xiàn)神經(jīng)網(wǎng)絡(luò)處理方法
……
第3章 云信息處理
第4章 可拓信息處理
第5章 粗集信息處理
第6章 遺傳算法
第7章 蟻群算法
第8章 免疫算法
第9章 信息融合
第10章 量子智能信息處理
第11章 粒子群優(yōu)化算法
第12章 DNA算法
參考文獻(xiàn)
2.4.3 高速公路RBF神經(jīng)網(wǎng)絡(luò)限速控制器
梁新榮等人將RBF神經(jīng)網(wǎng)絡(luò)用于高速公路限速控制器的設(shè)計(jì),得到了好的試驗(yàn)效果。
采用有效的交通控制方法對(duì)交通流進(jìn)行科學(xué)的組織與管理,充分發(fā)揮交通網(wǎng)絡(luò)的通行潛力,在最大程度上使交通流做到有序流動(dòng),成為解決交通擁擠的好辦法。
改善高速公路交通擁擠的方法主要有主線(xiàn)控制、人口匝道控制、路網(wǎng)集成控制和收費(fèi)控制等。主線(xiàn)控制就是對(duì)高速公路主線(xiàn)的交通進(jìn)行調(diào)節(jié)、誘導(dǎo)和警告。主線(xiàn)控制的基本目標(biāo)是改善高速公路運(yùn)行的安全和效率,緩解主線(xiàn)上交通擁擠和交通瓶頸對(duì)交通的影響,這種控制對(duì)常發(fā)性擁擠和突發(fā)性擁擠都是有效的。主線(xiàn)控制技術(shù)包括主線(xiàn)限速控制、車(chē)道使用控制及駕駛信息系統(tǒng)。主線(xiàn)限速控制是通過(guò)設(shè)置可變速度標(biāo)志來(lái)限制行車(chē)速度,從而使主線(xiàn)交通流的速度能隨車(chē)輛數(shù)目以及路面狀態(tài)、氣象條件等的改變而變化,保證交通流均勻穩(wěn)定,減少交通事故,同時(shí)還能提高道路通行能力。國(guó)外的運(yùn)行試驗(yàn)證明了這些效果。
高速公路RBF神經(jīng)網(wǎng)絡(luò)限速控制方法是:充分利用與高速公路交通密切相關(guān)的信息,如路面狀況、氣象條件、路段上車(chē)輛數(shù)目等,建立主線(xiàn)交通流速度控制RBF神經(jīng)網(wǎng)絡(luò)模型;利用訓(xùn)練樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)描述輸入、輸出的映射規(guī)律;根據(jù)實(shí)時(shí)檢測(cè)到的路段上車(chē)輛數(shù)目以及當(dāng)前的路面狀況、氣象條件等,由訓(xùn)練后的網(wǎng)絡(luò)得到最佳速度目標(biāo)值;在入口匝道附近的高速分路主線(xiàn)上設(shè)立交通信息指示牌,對(duì)高速公路路段的行車(chē)速度提出限制。
RBF神經(jīng)網(wǎng)絡(luò)控制器的輸出為高速公路路段的車(chē)輛行駛速度限制值。,。的取值范圍為35km/h-160km/h?刂破鞯妮斎胗袃蓚(gè),分別為單位長(zhǎng)度路段上的車(chē)輛數(shù)n和路面性能評(píng)價(jià)值g/n的取值范圍為0-80輛/km,它可由車(chē)輛計(jì)算器測(cè)出,也可由超聲波檢測(cè)器等測(cè)出。
為了提高RBF神經(jīng)網(wǎng)絡(luò)的建模精度,獲得良好的通用能力,網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)不能太少。結(jié)合高速公路管理人員實(shí)踐、專(zhuān)家知識(shí)和駕駛?cè)藛T的實(shí)際經(jīng)驗(yàn),高速公路管理處提供90組樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),使用上述訓(xùn)練算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練前對(duì)樣本數(shù)據(jù)進(jìn)行了歸一化處理。仿真試驗(yàn)表明:RBF神經(jīng)網(wǎng)絡(luò)具有快的收斂速度、很好的泛化能力,網(wǎng)絡(luò)的輸出非常合乎規(guī)律,這表明所建的RBF神經(jīng)網(wǎng)絡(luò)模型是成功的,它正確描述了輸入、輸出的映射規(guī)律。
高速公路限速控制是一種非線(xiàn)性控制,難以用數(shù)學(xué)模型準(zhǔn)確建模。結(jié)合高速公路主線(xiàn)上車(chē)輛數(shù)目以及路面狀況、氣象條件等信息,采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)高速公路限速控?進(jìn)行了研究。利用RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度快、自適應(yīng)性強(qiáng)、泛化能力好等優(yōu)點(diǎn),實(shí)現(xiàn)一種高效的限速控制。研究表明:該方法切實(shí)可行,具有實(shí)用價(jià)值,可使交通更加均勻、穩(wěn)定,同時(shí)還能提高道路通行能力,對(duì)改善高速公路的運(yùn)行和安全效率具有重要意義。
……