一种基于模糊神经网络的可靠流量控制模型
一种基于神经网络的网络流量组合预测模型
ｎ ｕ ａ ｅｗｏ ｋ ｈ ｒｕ ｈ ｏ ｅ ｓ ｐ ａ ｄ ｍｕ ｔ ｓ ｐ ｐ ｅ ｉｔ ｎ ｓｍｕ ａ ｏ ｓ ｏ ｆ ｒｎ ｉｄ ｆｔ ￣ｃ ｒ ｓ ｅ ｔ ｅｙ ｔｉ ｖ ｒ ｅ ｅ ｒ ｌｎ ｔ ｒ ．Ｔ ｏ ｇ ｎ — ｔ ｌ ｉ ｔ ｒ ｄ ｃｉ ｉ ｌ ｔ ｎ ｎ ｄ ｅ ｅ ｔ ｎ ｓｏ ａ ｅ ｐ ｃ ｉ ｌ ，ｉ ｓ ｅ ｆ ｅ ｎ —ｅ ｏ ｉ ｉ ｋ ｒ ｖ ｉ ｄ ｉ ｔ ａ ｈ ｏ ｉｅ ｄ ｅ ａ ｒ ｄ ｃ ｒ ｒ ｃｓ ｌ ｈ ｎ ｔ ｅ ｉｄ ｖ ｄ ａ ｄ ｅ ． ｈ ｔｔ ｅ ｃ ｍｂ ｎ ｄ ｍｏ ｌ ｎ ｐ ｅ ｉｔｍｏ ｐ ｅ ｉ ｙ ｔ ａ ｎ ｉ ｕ ｍｏ １ Ｃ ｅ ｅ ｈ ｉ ｌ
果 通过 Ｂ Ｐ神 经 网络 合成 为最 终预 测 结 果 。通过 对 不 同流量 的 一 步预 测 和 多步预 测仿 真 ， 证 了组 验
合模型比单一模 型具有更高的预测精度。 关 键词 ： 流量 ； 关 ； 平稳 ； 经 网络 ； 测 相 非 神 预 中图分 类号 ： Ｎ １ ． ｌ Ｔ ９ ５ ０ 文 献标识 码 ： Ａ Ｃｏ ｍｂ ｎ ｄ ｐ ｅ ｉ ｔ ｎ ｍ ｏ ｅ ｆＩ ｔ ｒ ｅ ｒ ｆ ｃ ｂ ｓ ｄ ｏ ｅ ｒ ｌｎ ｔ ｒ ｉ ｅ ｒ ｄ ｃ ｉ ｄ ｌｏ ｎ ｅ ｎ ｔｔａ ｏ ｉ ａ ｅ ｎ ｎ ｕ ａ ｅｗｏ ｋ
（ ｅｒ ｅｗ ｒ） ｎｄＥｍ Ｎ ｗ ｒ ｕｅ ｅｐｃｉ ｌ ｔ ｍａｅｐｅｉ ｉ ．Ｔ ｅ ｆ ，ｔｅｃｒ ｌ ｏ ｄ ｎｎｓ ｔ ｎｒ Ｎ ｕａ Ｎ ｔｏｋ ｌ ａ ｌ ａ Ｎ ｅｅ ｓｄ ｒ ｅｔ ｅ ｏ ｋ ｒ ｃ ｏ ｈ ｒ ｏ ｈ ｏ ｅａ ｎａ ｏ —ａ ｏ ａ ｎ ｓ ｖｙ ｄ ｔｎ ｅ ｒ ｅ ｒ ｔ ｎ ｉ ｔ ｉ ｙ
基于BP算法的模糊神经网络控制系统的仿真实现
基于BP算法的模糊神经网络控制系统的仿真实现随着计算机和控制技术的不断发展，控制系统的设计也越来越受到关注。
基于BP算法的模糊神经网络控制系统是一种新型的控制方法，可以有效解决传统控制方法难以解决的问题。
在本篇文章中，我们将介绍基于BP算法的模糊神经网络控制系统的仿真实现。
1. BP算法简介BP算法是一种常见的人工神经网络训练算法，它是一种迭代算法，通过不断调整权值来实现网络的训练。
BP算法的基本思想是利用梯度下降求出网络误差函数的最小值。
在模糊神经网络中，BP算法可以用于训练输入输出关系的映射。
通过训练可以得到网络的权值和阈值，使得网络能够更好地拟合输入输出映射。
2. 模糊神经网络控制系统模糊神经网络控制系统是一种强大的控制方法，它将模糊控制和神经网络控制相结合，能够有效地处理模糊性问题和非线性问题。
模糊神经网络控制系统将模糊控制器和神经网络控制器相结合，用模糊控制器处理模糊性问题，用神经网络控制器处理非线性问题。
3. 仿真实现在仿真实现中，我们以飞行控制系统为例，设计了一个基于BP算法的模糊神经网络控制系统，该系统包含一个模糊控制器和一个BP神经网络控制器。
模糊控制器将输入的误差和误差变化率转化为模糊量，然后根据模糊规则得到输出控制量。
BP神经网络控制器通过训练得到输入输出映射，进而对输出控制量进行优化。
我们通过MATLAB软件进行仿真，将仿真结果与经典控制方法进行对比，发现基于BP算法的模糊神经网络控制系统具有更好的控制性能和更强的鲁棒性。
在控制飞行器的姿态过程中，基于BP算法的模糊神经网络控制系统具有更快的响应速度和更小的稳态误差。
4. 总结基于BP算法的模糊神经网络控制系统是一种强大的控制方法，能够有效地解决传统控制方法难以解决的问题。
在仿真实现中，我们设计了一个基于BP算法的模糊神经网络控制系统，得到了良好的控制效果，这也表明了该方法的可行性和优越性。
在实际应用中，我们需要对系统进行优化和调试，以达到更好的控制效果。
基于多神经网络的网络流量预测模型
Ｒ （－ ＝ ｅｐ ～ Ｉ ａ ） ｘ［ Ｉ
６＂ １
其 中 ，Ｘ是 ｎ维 输入 向量 ；ｃ 是 第 ｉ 基 函数的 中心 ， 个 与 ｘ具 有 相 同维 数 的 向量 ； ｏ 是 第 ｉ 感 知 的 向量 ，它 － 个 决 定 了该 基 函数 中心点 的 宽 度 ；ｍ 是感 知单 元 的 个数 ；
元 的 延 迟 ， 存 储 和 白联 到 隐 层 的 输 入 端 ， 用 于 记 忆 隐
层 的过 去 态 。并在 下 ‘ 时刻 连 同 网络输 入 一起 作 为隐 层 单元 的输 入 ，使 得 网络具 有 动 态记 忆 功能 。这 种 结构 对
于 上 下 文 结 构 关 系具 何 敏 感 性 ， 有 利 丁 动 态 过 程 的 建 模 。
，
Ｌ Ａ ｈ／２ ０ Ｕａ ｎｕ Ｊ ７
Ｃ ｌ） ｈ ｅ Ｏ
，
Ａｂ ｔａ ｔ ｇ ａ ｚ ｇ ｈ ｎｔ ｏｋ ｏ ｏ ｔ ｌ ｆ ｒ ｅ ｗ ｒ ｍ ｎ ｇ ｍ ｎ ｓ ｆ ｈ ｓｍ ｉｐ ｒａ ｔ ｎｅ ｓ ｈ ｎ ｔ ｏｋ ａ ｔ ｎｅ ａ ｄ ｅ ｗｏ ｋ ｓｒ ｃ ： ｅ ｌｉ ｔ ｅ ｅｗ ｒ Ｑ ｓ ｎ ｒ ｏ ｎ ｔ ｏｋ ａ ａ ｅ ｅ ｔ ｏ ｔｅ ａ ｅ ｍ ｏ ｔ ｎｚ ｃ ｉｎ ｃ ｏ ｉ ａ ｔｅ ｅ ｗ ｒ ｍ ｉ ｅ ｃ ｎ ｎ ｔ ｒ ｎ
．
Ｗｅ ｍａ ｅ ａｉ ｎ ｅ ｒ ｔｏ ｂ ｓ ｄ ｎ ｅ ｖ ｌ ｏ ｎ ｕ ａ ｎ ｔ ｏ ｋ ｄ ｖ ｌ ｉｔ ｇ ａ ｉ ｄ ｎ ａ ｅ ｏ ｓ ｒ ａ ｆ ｅ ｒ ｌ ｅ ｗ ｒ ｍｏ ｅｓ ａ ｄ ｅ ｓ ｔ ｆｃ ｉ ｒｓｌ ｙ ｕｌｎ ａ ｄ ｌ ｎ ｇ ｔ ａ ｉ ａ ｔ ｇ ｅ ｕ ｂ ｂｉｉｇ ｍｏ ｅ ａｅ ｏ ｓｖ ｒｌ ｆ ｅａ ｌ ｓ ｎ ｔ ｄ ｄ ｌ ｓｄ ｎ ｅ ｅａ ｂ ｏ ｎｒｕ
模糊神经网络PID在恒气体流量控制中的应用
Ａ （） ４ Ｘ ＝ｋ ｘ（ ＋ ｉ （） ｘ （ ｕｋ ＝ｆ ・Ｃ ｐｃ１ ｋ ｃ２ ＋ ｃ３ ） ｘ ）
其中： ｘ （ ＝ｅｋ ｃ１ （） ） ｘ （） （） （ 一 ） ｃ２ ＝Ｐ七 一ｅｋ １
ｘ（ ＝ ｃ ） ３ ＝ 一 ｅ －） ｅ － ） ２（ １ （ ２ ｋ ＋ ｋ ｕｋ ＝ｕｋ １十Ａ （） （） （ 一 ） ｕｋ
禽ｊ
运 算 ，根据Ｆ ｚｙ 统的推 理方 式 （ｆ ｎ ｅ ｕｚ系 ｉ Ａ Ａ ｄＢ ｔ ｎ ｈ
Ｃ） ， 确 定 Ｆ ｚｙ Ｒ Ｆ Ｎ的 模 糊 推 理 层 的 个 数 为 ｕｚ Ｂ Ｎ
５ ５ ２ 个 ，也就 是系统 中４ 条Ｆ ｚｙ 则前 件 。 ｘ＝５ ９ ｕｚ 规 本层 每个 节点 的输 出 （ 每条 规则 的适用 度 ）是 该 点所 ｉ 了 有输 入信 号 的乘 积【， 即 ４ １
（） ６
第三层的节点数为Ｎ ５５２ 。Ｆｚｙ Ｂ Ｎ ＝ｘ＝５ ｕｚ Ｆ Ｎ的输出层节 Ｒ
点数为３ ，分别为ＰＤ Ｉ 控制器的 、Ｋ、 三个参数。 ｉ
第 一层 ：输入 层 。
（） ７
采 用增 量式Ｐ Ｄ 制算法 ： Ｉ控
（） ８
输 入节 点个 数也 是输 入变 量个 数 ，输入 层 （ 第 层 ）的 各节 点直接 与输 入量 的各 分量 相连 接 ，把 输 入量 传递 到下 一层 。第一 层 的每个节 点ｉ 的输入 输
一
采用Ｄ ｌ 学 习规则来调整参数，定义 ｝标函数为 ｅａ ｔ ｊ
出关 系可表 示为
Ｅ＝ （ （） ｙｕ ｋ ÷， 一 ｏｔ ） （）
＝ ＝ ，２ ］ ｘ， …， （） １
式 中 ，ｒ （） ｉ ｋ为网络 理想输 出：ｙ ｕ（） 网络 实 际输 ｎ ｏｔ 为 ｋ 出；ｒ （） ｏ ｔ ） ｉ ｋ． ｕ（ 为每一 个迭 代步 骤ｋ ｎ ｙ ｋ 的控制 误差 。 网络 权值 的学 习算法 为
基于人工神经网络下的模糊控制理论
工业技术科技创新导报 Science and Technology Innovation Herald76DOI：10.16660/ki.1674-098Ｘ.2017.30.076基于人工神经网络下的模糊控制理论①张弛（河钢乐亭钢铁有限公司 河北唐山 063600）摘 要:人工神经网络是人工智能的核心思想，模糊控制是实现人工智能的重要手段，二者在现代自动化技术的发展上扮演着不可或缺的角色。
工业自动化控制中的不确定性、非线性，复杂程度高是任何控制方式都要面对的问题。
基于人工神经网络的模糊控制能很好的解决这一难点，具有广阔的应用前景。
随着现代冶金工艺技术的迅速发展，对工艺过程参数的控制精度要求越来越高，生产设备及系统日趋大型化、复杂化。
如何实现智能制造已成为目前工业发展的重要课题。
本文在简单介绍了人工神经网络与模糊控制的历史、发展及基本原理下，重点讲述了结合BP神经网络与PID模糊控制器的自动化控制方案。
关键词：BP神经网络 PID模糊控制 自学习中图分类号：TP273 文献标识码：A 文章编号：1674-098X(2017)10(c)-0076-03①作者简介：张弛(1973—)，男，河北唐山人，硕士，高级工程师，从事控制理论与应用的研究。
人工神经网络的英文全称是A r t i f i c i a l N e u r a l Networks，简称ANN。
人脑的复杂程度是任何自动化系统都不能全面真实地描述出来的。
ANN只是人脑功能基本特征的网络模型，是人脑的模拟与简化[1]。
模糊逻辑控制(Fuzz y Logic Control)简称模糊控制(Fuzz y Control)，是一种电脑数字控制技术，以模糊集合论、模糊语言变量和模糊逻辑理论为基础。
1973年，美国的扎德创立了相关的定理。
1974年，Mamdani将其应用到了工业控制中，获得成功，标志着模糊控制论的诞生[2]。
1 人工神经网络1.1 人工神经网络的组成人工神经网络是由大量神经元组成，神经元是功能简化的处理单元（电子、光学元件等），一个输出值由多个输入值确定。
控制系统的模糊神经网络滑模控制方法
控制系统的模糊神经网络滑模控制方法模糊神经网络（Fuzzy Neural Network，FNN）是一种将模糊逻辑和神经网络相结合的控制方法，具有较强的非线性建模和控制能力，在控制系统中得到广泛应用。
而滑模控制是一种基于变结构控制理论的控制方法，能够实现对系统的快速响应和强鲁棒性的控制。
本文将介绍控制系统中模糊神经网络与滑模控制相结合的方法，即模糊神经网络滑模控制方法。
一、模糊神经网络的基本原理模糊神经网络是通过模糊逻辑推理和神经网络学习相结合的方法，能够实现对系统的非线性建模和控制。
其基本原理如下：1. 模糊化处理：将输入和输出量转化为模糊量，通过隶属度函数描述其隶属度，得到模糊变量。
2. 规则库设计：构建一系列模糊规则，描述输入变量和输出变量之间的模糊关系。
3. 推理机制：根据输入变量通过模糊规则进行模糊推理，得到模糊输出。
4. 解模糊化处理：将模糊输出通过解模糊函数映射为实际输出量。
二、滑模控制的基本原理滑模控制是一种基于变结构控制理论的控制方法，其基本思想是通过引入滑模面，使得系统状态能够迅速地切换到滑模面，从而实现对系统的快速响应和强鲁棒性的控制。
其基本原理如下：1. 设计滑模面：根据系统的特性和要求，设计一个滑模面，使系统状态能够在其上快速切换。
2. 设计滑模控制律：根据滑模面的切换条件和系统模型，设计相应的滑模控制律，使系统状态能够快速地切换到滑模面。
3. 添加辅助控制律：为了降低滑模面的切换频率和振荡幅度，可以加入辅助控制律以提高系统的性能。
三、模糊神经网络滑模控制方法模糊神经网络滑模控制方法将模糊神经网络与滑模控制相结合，以充分发挥二者的优势，提高系统的控制性能。
其基本步骤如下：1. 建立模糊神经网络：根据系统的特性和要求，设计模糊神经网络的输入变量、输出变量和隐含层，确定隶属度函数和模糊规则，并通过神经网络学习算法训练网络参数。
2. 设计滑模面：根据系统的特性和要求，设计滑模面，并确定其滑模控制律。
山武阀门定位器自整定方法(一)
山武阀门定位器自整定方法(一)山武阀门定位器自整定介绍山武阀门定位器自整定是一种用于自动调整阀门位置的技术。
它可以根据流体压力和流量变化，自动调整阀门的开度，以保持设定的流量和压力稳定。
本文将介绍几种实现阀门自整定的方法，并探讨其优缺点。
方法一：PID控制器•使用PID控制器是最常见的阀门自整定方法之一。
PID控制器根据设定的目标值和反馈信号计算出一个控制信号，以驱动阀门开度的调整。
•优点：PID控制器结构简单、调节方便，适用于各种流体控制系统。
•缺点：对于复杂、非线性的控制系统，PID控制器的性能可能不够理想。
方法二：模糊控制器•模糊控制器是一种基于模糊逻辑的控制方法，通过将模糊规则映射到控制输出，实现对阀门开度的自整定。
•优点：模糊控制器对于非线性和模糊的系统具有良好的适应性，能够在复杂的环境中实现较好的控制效果。
•缺点：模糊控制器的规则设计和参数调节相对复杂，需要一定的专业知识和经验。
方法三：自适应控制器•自适应控制器是一种能够根据系统动态特性自动调整控制策略的方法。
它通常采用最小二乘法或者神经网络来估计系统的动态模型。
•优点：自适应控制器能够适应系统参数的变化，具有较高的鲁棒性。
•缺点：自适应控制器通常需要较长的训练时间和较复杂的计算，不适用于所有应用场景。
方法四：模型预测控制器•模型预测控制器是一种基于数学模型的控制方法，通过预测系统未来的状态和输出，优化控制策略。
•优点：模型预测控制器能够通过对未来状态的预测，提前调整控制策略，实现更好的控制效果。
•缺点：模型预测控制器的实现需要精确的系统模型和较大的计算开销。
方法五：遗传算法优化控制•遗传算法优化控制是一种基于进化算法的优化方法，通过不断迭代搜索最优解，实现对阀门开度的自整定。
•优点：遗传算法优化控制能够通过优化目标函数，找到最优的控制策略。
•缺点：遗传算法优化控制的计算复杂度较高，需要一定的计算资源和时间。
总结•选择合适的方法来实现山武阀门定位器的自整定是根据具体的应用场景和要求来确定的。
控制系统的神经网络模型控制方法
控制系统的神经网络模型控制方法控制系统是现代工业生产过程中不可或缺的关键组成部分。
神经网络模型控制方法在控制系统领域中得到了广泛应用，其独特的特点和优势使其成为一种有效的控制策略。
本文将介绍神经网络模型控制方法的基本原理、应用领域以及未来发展方向。
一、神经网络模型控制方法的基本原理神经网络模型控制方法利用人工神经网络来建立控制系统的数学模型，以实现对系统的准确控制。
其基本原理包括神经网络模型的建立、训练和控制。
1.1 神经网络模型的建立神经网络模型通过对系统的输入和输出数据进行采样和处理，建立起系统的模型。
常见的神经网络模型包括前馈神经网络和递归神经网络，它们通过各自的网络结构和神经元连接方式来模拟系统的非线性特性。
1.2 神经网络模型的训练神经网络模型的训练是指通过对已知输入输出数据进行学习，调整神经网络模型的连接权值和阈值，使得模型能够准确地拟合实际系统的动态特性。
常用的训练算法包括误差反向传播算法和径向基函数网络算法等。
1.3 神经网络模型的控制神经网络模型的控制是指根据系统的状态信息，利用训练好的神经网络模型对系统的输出进行调整，以实现对系统的控制。
控制方法可以根据系统的要求和目标来设计，常见的方法包括比例积分微分控制器、模糊控制器和自适应控制器等。
二、神经网络模型控制方法的应用领域神经网络模型控制方法能够应用于各种不同类型的控制系统，具有广泛的应用领域。
2.1 工业控制系统神经网络模型控制方法在工业控制系统中得到了广泛应用，如机械控制、化工控制和电力系统控制等。
神经网络模型能够准确地建立起系统的数学模型，实现对系统动态特性的精确控制。
2.2 交通控制系统交通控制系统是一个典型的复杂系统，神经网络模型控制方法在交通灯控制、路径规划和交通流优化等方面具有广泛的应用价值。
通过对交通数据的采集和处理，神经网络模型能够准确地预测交通流量，优化交通信号控制策略，提高交通效率。
2.3 机器人控制系统神经网络模型控制方法在机器人控制系统中能够实现对机器人动作和决策的精确控制。
控制系统的模糊神经网络混沌滑模控制方法
控制系统的模糊神经网络混沌滑模控制方法控制系统的模糊神经网络混沌滑模控制方法是一种应用于复杂系统控制中的先进方法。
本文将从控制系统的基本原理、模糊神经网络、混沌滑模控制等方面进行论述，分析该方法在控制系统中的应用及优势。
一、控制系统的基本原理控制系统是指通过对系统内部及外部的各种控制因素进行调节和控制，以使系统状态达到预定的目标状态的一种技术方法。
控制系统主要由传感器、执行器和控制器组成。
传感器用于对系统的各种状态量进行测量，执行器用于通过执行力或输出信号对系统进行控制，而控制器则是通过比较测量值和目标值，并根据调节规则进行控制策略的决策。
二、模糊神经网络模糊神经网络是一种模拟人脑神经元工作原理的计算模型。
它具有模糊推理和学习能力，能够对复杂、不确定、模糊的问题进行处理和决策。
模糊神经网络由输入层、隐含层和输出层组成，通过训练学习得到网络的权值和阈值，从而实现对输入数据的模糊推理和处理。
三、混沌滑模控制混沌滑模控制是基于滑模控制理论和混沌控制理论的一种控制方法。
滑模控制是一种对系统进行非线性控制的方法，通过引入一个滑动模式面，使得系统在该面上运动，从而实现对系统状态的控制。
混沌控制是指通过对混沌系统的控制变量进行调节，使混沌系统的状态从混沌状态转化为稳定状态。
混沌滑模控制通过引入滑模控制和混沌控制的方法，对控制系统进行精确的控制，提高系统的控制品质。
四、控制系统的模糊神经网络混沌滑模控制方法基于以上的控制原理和理论，控制系统的模糊神经网络混沌滑模控制方法可以分为以下几个步骤：1. 系统建模和状态观测：首先对控制系统进行建模，确定系统的状态变量，并利用传感器对系统状态进行实时观测。
2. 模糊神经网络设计和训练：根据系统的控制需求，设计相应的模糊神经网络结构，并通过训练学习得到网络的权值和阈值。
3. 滑模控制面设计：根据系统的状态变量和目标状态，确定滑模控制面的设计方法和参数，使系统在该面上能够实现控制目标。
控制系统的神经网络模糊滑模控制方法
控制系统的神经网络模糊滑模控制方法控制系统在工业自动化领域具有广泛的应用，为了提高系统的控制性能和鲁棒性，研究者们不断探索各种新的控制方法。
神经网络和模糊控制是其中两个重要的方法，在实际应用中已经取得了显著的效果。
本文将介绍一种结合神经网络和模糊控制的方法——神经网络模糊滑模控制方法。
一、神经网络模糊滑模控制方法的基本原理神经网络模糊滑模控制方法是将神经网络与模糊控制相结合的一种控制方法，其基本原理是利用神经网络对系统的非线性特性进行建模，并通过模糊控制器对神经网络进行辅助控制，从而实现系统的稳定控制。
1.1 神经网络建模神经网络是一种通过训练数据学习系统输入与输出之间映射关系的模型，其中最常用的神经网络模型是多层前馈神经网络。
在神经网络模糊滑模控制方法中，我们可以利用神经网络对系统的非线性特性进行建模，从而实现对系统的非线性补偿。
1.2 模糊控制模糊控制是一种基于模糊逻辑的控制方法，它通过将模糊的输入和输出与一系列模糊规则进行匹配，得到模糊控制器的输出。
模糊控制器可以对神经网络进行辅助控制，根据系统的状态和误差进行控制策略的调整，从而实现对系统的稳定控制。
1.3 滑模控制滑模控制是一种通过引入滑模面对系统进行控制的方法，滑模面可以使系统在错误发生时快速达到稳定状态。
滑模控制器可以对神经网络模型进行修正，从而提高系统的控制精度和鲁棒性。
二、神经网络模糊滑模控制方法的实现步骤神经网络模糊滑模控制方法的实现步骤主要包括神经网络的训练、模糊控制器的设计以及滑模控制器的引入。
2.1 神经网络训练在实际应用中，我们可以通过采集系统的输入输出数据来训练神经网络模型。
首先，我们需要定义神经网络的结构和激活函数，然后利用训练数据对神经网络的权值和偏置进行调整，最终得到一个满足系统要求的神经网络模型。
2.2 模糊控制器设计模糊控制器的设计是神经网络模糊滑模控制方法的关键步骤。
在设计过程中，我们需要确定模糊输入变量和输出变量的论域和隶属函数，并根据系统的需求设置适当的模糊规则。
智能交通系统中的车辆流量预测模型比较
智能交通系统中的车辆流量预测模型比较智能交通系统是一种通过应用信息与通信技术，实现交通管理的智能化和网络化的系统。
而车辆流量预测模型作为智能交通系统的重要组成部分，能够提供准确的车辆流量预测结果，为交通管理决策提供科学依据。
本文将比较并介绍几种常见的车辆流量预测模型，包括时间序列模型、机器学习模型和深度学习模型。
一、时间序列模型时间序列模型是基于历史数据对未来车辆流量进行预测的一种方法。
其中，ARIMA模型是应用最广泛的时间序列模型之一。
ARIMA模型结合了自回归过程（AR）、差分过程（I）和移动平均过程（MA），能够捕捉到时间序列数据的趋势和周期性。
ARIMA模型适用于数据具有稳定性的情况，对数据的前提要求较高。
二、机器学习模型机器学习模型是基于数据分析和统计学原理，通过训练模型来进行预测的方法。
常见的机器学习模型包括线性回归、支持向量机（SVM）和随机森林等。
线性回归模型是最简单的机器学习模型之一，通过拟合数据点来建立线性关系，并预测未来的车辆流量。
SVM模型是一种非线性分类器，能够通过支持向量的方式构建决策边界，对高维数据具有良好的拟合能力。
随机森林模型是一种集成学习方法，通过多个决策树的集成来减小模型的方差，提高预测的准确性。
三、深度学习模型深度学习模型是一种基于神经网络的模型，能够通过学习大量数据来提取特征并进行预测。
常见的深度学习模型包括循环神经网络（RNN）和卷积神经网络（CNN）。
RNN模型通过引入时序信息，能够捕捉到时间序列数据的长期依赖关系，对于车辆流量预测具有一定的优势。
CNN模型则通过卷积操作和池化操作，能够提取出数据中的局部特征，并构建全局特征进行预测。
深度学习模型在大规模数据集上的预测准确性通常较高，但对于数据量较小的问题，容易出现过拟合的情况。
四、模型比较与选择在进行智能交通系统中车辆流量预测模型的比较和选择时，需要综合考虑预测准确性、计算效率和数据要求等因素。
时间序列模型在数据具有稳定性和周期性的情况下具有较好的表现，但对于非线性、复杂的数据可能预测效果差。
基于图卷积神经网络的交通流量预测
基于图卷积神经网络的交通流量预测随着城市化进程的加快，交通拥堵问题已经成为了城市发展不可忽视的难题。
如何科学合理地预测和研究城市交通流量，成为了交通管理相关领域的重要课题。
传统的交通流量预测方法常常存在着精度低、复杂度高、时间成本大等问题。
近年来，基于图卷积神经网络（Graph Convolutional Neural Network, GCN）的交通流量预测方法逐渐成为了研究热点。
本文将介绍基于图卷积神经网络的交通流量预测的原理、方法和应用，并进行深入讨论。
一、图卷积神经网络的原理图卷积神经网络是一种专门用于处理图数据的深度学习模型。
它可以有效地利用图的拓扑结构和节点之间的连接关系，实现对图数据的特征学习和预测。
与传统的神经网络模型相比，GCN 在处理图数据时具有更强的适用性和表达能力。
GCN 的原理是基于图信号处理和卷积神经网络相结合的模型。
在图数据中，节点之间的关系通常通过邻接矩阵（Adjacency Matrix）进行描述。
GCN 利用邻接矩阵和节点特征来更新每个节点的表示，实现对图数据的特征学习和表示。
通过多层的卷积操作，GCN 可以逐渐提取出图数据中的高层特征，并实现对节点的分类、预测等任务。
在交通领域中，道路网络通常可以被看作是一个复杂的图结构，每个道路交叉口或交通节点可以被看作是一个图中的节点，道路段或连接这些节点的道路可以被看作是图中的边。
基于这个理念，研究者们开始探索如何利用图卷积神经网络来进行交通流量预测。
基于图卷积神经网络的交通流量预测方法通常包括三个步骤：图的构建、节点特征的提取和交通流量的预测。
通过交通网络数据构建一个相应的图结构，将交通节点和道路连接抽象成图中的节点和边。
将交通节点的特征信息作为节点特征输入到图卷积神经网络中，通过多层的卷积操作来提取节点的特征表示。
利用得到的节点特征表示，结合历史交通流量数据，进行交通流量的预测。
基于图卷积神经网络的交通流量预测方法已经在城市交通管理、智能交通系统等领域得到了广泛应用。
一种基于LSTM神经网络的流量预测模型
2018年第2期 信息通信2018 (总第 182 期）I N F O R M A T I O N&C O M M U N I C A T I O N S(Sum.No 182)一种基于LSTM神经网络的流量预测模型谭阵s张扬^周小翠s贺凡2(中国移动通信集团湖北有限公司，湖北武汉430023;2北京协成致远网络科技有R L公司，北京100036)摘要:在移动互联网时代，流量经营一直是运营商推广业务发展市场的最要举措。
中国移动适时推出了 “4G任我看”视频业务，很受广大用户的青睐。
在业务推广之际，后来的流量分析与管理，需要进行有效支擇。
为此，特提出一种基于 LSTM神经网络的流量预测模型，该模型对用户使用某种业务的历史流量进行分析，进而建立该类业务的流量预测模型，通过历史业务流量、影响业务流量相关指标、时间等指标对业务未来流量进行领测。
关键词:客户感知;LSTM;神经网络;4G任我看中图分类号:TN929.5 文献标识码:A文章编号:1673-1131(2018 )02-0240-020引言为了进一步激发客户流量，应对市场竞争，企业在全国范 围内推广了“4G任我看”视频流量业务。
由于该业务套餐的性 价比较髙，预计会较大程度的激发4G视频服务的发展，从而 拉动4G总流量加速增长。
因此需对4G流量增长情况进行预 测,支撑各专业评估扩容需求。
“4G任我看”视频流量业务的开通预计会较大程度的激发 4G视频流量的增长，从而拉动4G总流量加速増长，然而，4G 总流量的増长不仅局限于此视频流量业务的开通的影晌，因此，研究视频业务的流量增长情况，并对此进行预测，势在必 行。
业务流量的增长与预测，分析步骤如下：⑴分析历史流量相纖据粒业务的流量模型~~m影响业务流量变化的指标及影响情况；⑵建*业务流量的预测模型，通过历史业务流量、影响业务流量相关指标、时间等指标对业务未来流量进行预测。
围1基于LSTM神经网络的流量预测模型1.4核心功能-3:端到端链路监测集团客户4G GPRS专线端到端智能监测系统中的端到端 链路监测，有别于普通集团专线的链路监测。
我国财务风险预警模型研究文献综述
我国财务风险预警模型研究文献综述引言财务风险预警是借助企业提供的财务报表、经营计划及其他相关会计资料,利用财会、统计、金融、企业管理、市场营销等理论，采用比率分析、比较分析、因素分析及多种分析方法，对企业的经营活动、财务活动等进行分析预测,以发现企业在经营管理活动中潜在的财务风险，并在危机发生之前向企业经营者发出警告,督促企业管理当局采取有效措施,避免潜在的风险演变成损失的一种预警方式。
国内财务危机预警的研究始于20世纪80年代中后期，对财务危机预警模型的研究则一直到２0世纪90年代末才开始。
吴世农、黄世忠(1９86)曾撰文《中国经济问题》介绍企业破产的财务分析指标及预测模型:国家自然科学基金委员会管理科学组先后支持佘廉等人从事企业预警研究，并于1999年出版了企业预警管理丛书,之后我国学者真正开始了对财务预警的研究，并取得了一定的成果。
1 统计方法预警模型1．1 单变量预警模型。
单变量预警模型是指以某一项财务指标作为判别标准来判断企业是否处于破产状态的预测模型。
陈静（1999）以27个ST公司和27个非SＴ公司为样本,最终选定资产负债率、净资产收益率等6个财务指标，分别以公司被ST的前一年、前两年、前三年的财务数据为基础,运用判别分析法做了实证研究。
在单变量分析中,发现在负债比率、流动比率、总资产收益率、净资产收益率4个指标中,流动比率和负债比率误判率最低。
ﻫ 1.2 多变量预警模型。
多变量模型即运用多种财务比率指标加权汇总而构造多元线性函数公式来预测财务危机。
周首华、杨济华和王平(１９96）在Z分数模型的基础上进行改进,考虑了现金流量变动情况指标,建立了Ｆ分数模型:F=-0．177４+1．1091Ｘ1+０.１７04Ｘ2+l.9271X3+0.０3０２X4+0．４961X5ﻫ其中,X1、Ｘ2及X4与Z计分模型中的X1、X2及Ｘ４反映的指标相同，而X３、X5与Z分数模型的X3、X ５不同。
X3=(税后净收益+折旧)／平均总负债,它是一个现金流量变量,是衡量企业所产生的全部现金流量可用于偿还企业债务能力的重要指标。
基于循环神经网络的交通流量预测与控制
基于循环神经网络的交通流量预测与控制随着城市化进程的不断加速，交通拥堵已经成为城市运行中的一大难题。
为了更好地解决交通拥堵问题，交通流量预测与控制技术日益受到关注和研究。
本文将介绍基于循环神经网络的交通流量预测与控制方法，以期提供一种有效的解决方案。
首先，我们来了解一下什么是循环神经网络。
循环神经网络是一种特殊的神经网络结构，它在处理序列数据时能够保留之前的信息，并将其输入当前的计算中。
相比于传统的前馈神经网络，循环神经网络在处理交通流量预测问题时更具优势。
在交通流量预测中，循环神经网络可以通过历史的交通流量数据来学习交通流量的时空关系，从而进行准确的预测。
首先，我们需要收集大量的交通流量数据，包括车流量、车速、车道占有率等信息。
然后，我们将这些数据作为循环神经网络的输入，与时间序列对应起来。
通过训练循环神经网络，我们可以得到一个准确的交通流量预测模型。
除了交通流量预测，循环神经网络还可以用于交通流量的控制。
通过对交通流量进行实时监测和预测，我们可以根据预测结果来调整信号灯的时间分配，以及决定是否需要引导交通流向其他道路。
这种基于循环神经网络的交通流量控制方法可以减少交通拥堵，提高道路通行效率。
然而，基于循环神经网络的交通流量预测与控制也存在一些挑战。
首先，交通流量受到多种因素的影响，包括天气、节假日等，如何将这些因素纳入模型进行预测与控制是一个难点。
其次，交通流量是一个动态的过程，受到时空的影响，因此循环神经网络需要具备一定的记忆能力，以保持对历史信息的持续关注。
另外，循环神经网络的训练过程比较复杂，需要大量的计算资源和时间。
为了克服这些挑战，研究人员提出了一些改进的循环神经网络模型。
例如，长短期记忆网络（LSTM）和门控循环单元（GRU）等模型可以更好地处理时空序列数据，并有助于提高交通流量预测的准确率。
此外，研究者还通过集成不同模型、使用集成学习方法等手段来进一步改善交通流量的预测与控制效果。
模糊神经网络在飞行器控制中的应用
模糊神经网络在飞行器控制中的应用随着现代科技的发展，飞行器已成为人类探索自然、研究宇宙的有力工具。
飞行器控制作为飞行器重要的组成部分，一直受到人们的广泛关注。
传统飞行器控制方法主要基于数学模型和控制算法，但由于模型的不确定等问题，这些方法难以满足十分严格的控制需求。
而模糊神经网络作为一种新型的控制方法，可以更好地解决这个问题，因此在飞行器控制中得到了广泛的应用。
一、模糊神经网络的基础知识模糊神经网络（FLNN）是一种基于模糊逻辑原理和神经网络算法相结合的新型智能控制方法。
相比传统控制方法，模糊神经网络不需要建立精确的数学模型，而是基于输入与输出之间函数关系的统计模型。
FLNN的第一层通常是模糊神经元层，负责对输入信号进行模糊化处理，第二层是连接层，负责从输入层到输出层建立连接。
FLNN能够学习到输入与输出之间的映射关系，实现自适应控制。
二、模糊神经网络在飞行器控制的应用飞行器作为一种高度复杂的机械设备，其控制过程中存在着多种不确定因素，例如风速、空气密度等。
针对这些因素，传统控制方法往往难以精确控制，而模糊神经网络则能够处理这些不确定的因素，从而提高控制精度和稳定性。
这也是模糊神经网络在飞行器控制中得到广泛应用的重要原因之一。
使用模糊神经网络的控制方法可以避免在控制时使用过多的控制输入和规则。
一方面，节约了控制器在控制过程中所需的硬件计算资源，另一方面，也优化了控制过程，加快了避障和导航等控制任务。
在飞行器的具体应用中，模糊神经网络主要应用在航空器的高度控制、定位控制和导航控制上。
例如在高度控制上，以垂直飞行器为例，可以使用模糊控制器实现对垂直飞行器高度的控制，使其可以精确地悬停在指定高度上。
使用模糊神经网络的导航控制算法可以维持定位器的定位精度，使其可以长时间地保持精确的位置控制。
三、总结综上所述，模糊神经网络是一种新型的智能控制方法，在飞行器控制中具有广泛的应用前景。
模糊神经网络不需要建立精确的模型，可以处理控制过程中存在的不确定因素，从而提高控制精度和稳定性。
【CN109811832A】一种基于模糊神经网络PID控制的分层注水流量控制方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910202166.4(22)申请日 2019.03.18(71)申请人 哈尔滨理工大学地址 150080 黑龙江省哈尔滨市南岗区学府路52号(72)发明人 王海英 王远远 (51)Int.Cl.E03B 7/07(2006.01)E03B 7/09(2006.01)G05D 7/06(2006.01)(54)发明名称一种基于模糊神经网络PID控制的分层注水流量控制方法(57)摘要本发明公开了一种基于模糊神经网络PID控制的分层注水流量控制方法，具体包括以下步骤：S1、通过水位传感器和压力传感器分别对分层管网内部的水位和压力进行监测，检测到的数据通过数据处理模块传递给模糊神经网络PID控制系统；S2、通过模糊神经网络PID控制系统和变频器对第一水泵和第二水泵的进行控制，当流量稳定时，关闭第二水泵，启动变频器和第一水泵，这样第一水泵就可以对注水流量进行控制，当水压过低时，启动第二水泵进行补充，本发明涉及分层注水技术领域。
该基于模糊神经网络PID控制的分层注水流量控制方法，降低了能源消耗和资源浪费，提高设备的可维护性和运行的可靠性，以达到降低生产成本和提高生产管理水平的目的。
权利要求书1页 说明书4页 附图2页CN 109811832 A 2019.05.28C N 109811832A权 利 要 求 书1/1页CN 109811832 A1.一种基于模糊神经网络PID控制的分层注水流量控制方法，其特征在于：具体包括以下步骤：S1、通过水位传感器（1）和压力传感器（2）分别对分层管网（3）内部的水位和压力进行监测，检测到的数据通过数据处理模块（4）传递给模糊神经网络PID控制系统（5）；S2、通过模糊神经网络PID控制系统（5）和变频器（6）对第一水泵（7）和第二水泵（8）的进行控制，当流量稳定时，关闭第二水泵（8），启动变频器（6）和第一水泵（7），这样第一水泵（7）就用可以对注水流量进行控制，当水压过低时，启动第二水泵（8）进行补充；S3、第一水泵（7）和第二水泵（8）可以实时的对分层管网（3）内部的流量进行控制，且水压保持稳定；S4、分析分层注水流量控制系统的特征和建模条件，然后对分层注水流量控制系统的控制对象进行建模；S5、在组态软件中完成模糊神经网络PID控制系统的各元件的开发，在组态软件中通过元件组态来实现分层注水流量控制逻辑，在组态软件中测试模糊神经网络PID控制系统对分层注水流量的控制效果。
一种基于模糊神经网络的智能PID控制器
一种基于模糊神经网络的智能PID控制器
安军涛
【期刊名称】《科技信息》
【年(卷),期】2010(000)010
【摘要】本文设计了一种基于模糊神经网络的PID控制器,利用模糊神经网络对被控制象进行模糊辨识,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,实现PID控制的智能化.通过仿真实验表明,该控制器具有较高的控制品质.
【总页数】2页(P131-132)
【作者】安军涛
【作者单位】武汉理工大学自动化学院
【正文语种】中文
【相关文献】
1.基于模糊神经网络和遗传算法的仿人智能PID控制器设计
2.一种基于GA-BP混合算法的模糊神经网络控制器
3.一种基于模糊神经网络和遗传算法的智能PID控制器
4.一种基于智能PID算法的远红外烘干炉控制器
5.一种基于规则和学习算法设计的电力系统智能PID控制器
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａ ｌ ｂ ｅ Ｎｅ ｒ ｆｉ ｏ ｔｏ ｏ ｅ ｓ ｄ ｏ ｕ ｚ ｕ ａ ｔ ｒ Ｒｅｉ ｌ ａ ｗ Ｔ ａ ｆｃ Ｃ ｎ ｒ ｌ Ｍ ｄｌ Ｂａ ｅ ｎ Ｆ ｚ ｙ Ｎｅ ｒ ｌ Ｎｅｗｏ ｋ
维普资讯
计算机科学 ２ ０Ｖｏ． ４ ｏ 的可 靠 流 量 控 制 模 型 ）
张 民 罗光 春
（ 电子科技 大 学信 息 中心 成 都 ６０５ ） １０ ４
摘 要 为控 制 Ｐ Ｐ流量 ， ２ 本文从数 据缓 冲区使 用的实时状 态 出发 ， 出了一种基 于模糊神 经 网络的拥 塞控 制模型 ， 提
Ｚ ＨＡＮＧ ｉ ＳＨＥ ｕ － ｎ Ｍ ｎ Ｃｈ ｎ Ｄｏ ｇ
（ｎｆｒ ｔｏ ｎ ｅ ｆＵｎ ｖ ｒｉｙ ｏ ｅ ｔｏ ｃＳｃｅ ｃ ｎ ｃ ｏｏ ｆＣｈｉａ ｕｅｔ ） Ｉ ｏ ｍａ ｉｎＣｅ ｔ ｒｏ ｉｅ ｓｔ ｆＥ１ｃｒｎｉ ｉｎ ｅａ ｄ Ｔｅｈｎ ｌｇｙｏ ｎ （ ｓｃ ，Ｃｈ ｎ ｄ ０ ４） ｅ ｇ ｕ６１ ０５
该模 型把缓 冲区划分 为两个队列分 别存放 Ｐ Ｐ和非 Ｐ Ｐ的数据 包， ２ ２ 通过模糊神 经网络预 测评 估缓 冲区队列的拥塞状 况， 并建立一个评估 函数对各队列的空间分配作 出指 导， 使得 能够控制各 队列的拥塞状 况 ， 动态的调整缓 冲 区队 列 并 的分配， 在缓冲 区溢 出前主动丢 包， 避免缓冲 区锁定。模拟 实验 的结果表 明， 该模型在保 证 网络 资源分配 的公 平性方
Ａｂｔａ ｔ Ｉ ｈｓｐ ｐ ｒ ｓｒ ｃ ｎ ｔ ｉ ａ ｅ 。ｗｅ ｐ ｅｅ ｔａ ｋｎ ｆｃ ｎ ｅ ｔ ｎ ｃ ｎ ｒ ｌｍｏ ｅ ｉｈ ｂ ｓｄ ｏ ｕ ｚ ｅ ｒ ｌ ｅｗｏｋ（ ＮＮ） ｒ ｓｎ ｉｄ ｏ ｏ ｇ ｓｉ ｏ ｔｏ ｄ ｌｗｈｃ ａ ｅ ｎ ｆｚ ｙ ｎ ｕ ａ ｔ ｒ Ｆ ｏ ｎ ｆｏ ｔ ｅｐ ａ ｔ ａ ｔｔ ｓｏ ａ ａｂ ｆｅ ，ｆｒｔ ｅｓｋ ｆｃ ｎ ｒｌ ｎ ２ ｒ ｆ Ｃ Ｔｈｓｍｏ ｅ ｉｉｅ ａａ ｂ ｆｅ ｔ ｗｏ ｒ ｍ ｈ ｒ ｃｉ １ｓａ ｕ ｆｄ ｔ ｕ ｆｒ ｏ ｈ ａ ｅｏ ｏ ｔｏｌ ｇ Ｐ Ｐ ｔａｆ ． ｉ ｄ ｌ ｖｄ ｓｄ ｔ ｕ ｆｒｉ ｏ ｔ ｃ ｉ ｉ ｄ ｎ ｑ ｅ ｅ ｉｈ ｓｏ ｅＰ Ｐ ｄ ｔ ａ ｋ ｔ ｎ ｏ － Ｐ ｄ ｔ ａ ｋ ｔ ｅ ｐ ｃｉｅｙ Ｉ ｏ ｃ ｓｓａ ｄｅ ａｕ ｔｓｃ ｎ ｉｉｎ ｆ ｕ ｆ ｕ ｕ ｓｗｈｃ ｔｒ ２ ａａｐ ｃ ｅｓａ ｄｎ ｎＰ２ ａａｐ ｃ ｅ ｓｒｓ ｅｔｖ ｌ．ｔｆｒ ａｔ ｎ ｖ ｌａｅ ｏ ｄｔ ｓｏ ｆ— ｏ ｂ ｅ ｕ ｕ ｓｔｒ ｕ ｈ Ｆ ｒｑ ｅ ｅ ｈ ｏ ｇ ＮＮ ｓｗｅｌ ｓ ｇ ｉｅ ｐ ｃ ｌ ｃ ｔ ｎ ｏ ａ ｈ ｑ ｅ ｅ ｔｒ ｕ ｈ ｃ ｎ ｔｕ ｔ ｇ ａ ｅ ａｕ ｔ ｎ ｆ ｎ ｔ ｍ ａ ｌ ａ ｕｄ ｓｓ ａ ｅ ａｌ ａｉ ｆｅ ｃ ｕ ｕ ｈ ｏ ｇ ｏ ｓｒ ｃｉ ｖ ｌａｉ ｕ ｃｉ ｏ ｏ ｎ ｏ ｏ Ｔｈ ｓ ｔ ｉ ｍｏ ｅ ｉ ｂｅｔ ｏ ｔｏ ｏ ｇ ｓｉｎ ｃ ｎ ｉｉｎ ｏ ａ ｈｑ ｅ ｅａ ｄ ｒｓｚ ｌ ｃｔｏ ｆｑ ｅ ｅ ｎ ｔｅｂ ｆｅ ｕ ｏ ｕ 。ｈｓ ｄ ｌＳａ ｌ ｏｃ ｎ ｒ ｌ ｎ ｅ ｔ ｏ ｄｔ ｆｅ ｃ ｕ ｕ ｎ ｅ ｉ ａｌ ａ ｉｎｏ ｕ ｕ ｓｉ ｈ ｕｆｒａ ｔ — ｃ ｏ ｏ ｅ ｏ ｍａｉａｌ ，ｔ ｅ ａ ｖ ｉ ｏ ｋｏ ｔｏ ｈ ｕｆｒｂ ｃｉｅｙ ｄ ｏ ｐｎ ａ ｋ ｔ ｅｏ ｅｔ ｅ ｂ ｆｅ ｓｏ ｅ ｆ ｗ． ｓ ｌ ｔ ｌ ｃ ｙ ｈ ｎ ｉ ｃｎ ａ ｏｄ ｌｃ － ｕ ｆｔ ｅｂ ｆｅ ｙ ａ ｔ ｌ ｒ ｐ ｉｇ ｐ ｃ ｅｓ ｂ ｆｒ ｈ ｕ ｒｉ ｖ ｒｌ ｔ ｖ ｏ Ｒｅ ｕｔ ｓ
Ｋｅｗｏ ｄ Ｐ Ｐ，Ｃ ｎ ｅ ｔ ｎ ｃ ｎ ｒ ｌ ｕ ｚ ｕ ａ ｔ ｒ （ ＮＮ） ｙ ｒｓ ２ ｏ ｇ ｓｉ ｏ ｔｏ ，Ｆ ｚ ｙＮｅ ｒ ｌ ｏ Ｎｅｗｏ ｋ Ｆ
ｆｏ ｓ ｕ ａ ｉ ｎ ｅ ｐ ｒｍｅ ｔ ｈ ｗ ｈ ｔｔ ｉ ｄ ｌ ａ ａｎ ｄ ｂ ｔｅ ｆ ｃ ｎ ｕ ｉ ｇ ｎ ｔ ｒ ｅ ｏ ｒ ｅ ａ ｌｃ ｔ ｎ ｅ ｕ — ｒ ｍ ｉ ｌ ｔ ｘ ｅ ｉ ｎ ｓ ｓ ｏ ｔ ａ ｈ ｓｍｏ ｅ ｓｇ ｉ ｅ ｅ ｔ ｒｅ ｆ ｔｉ ｅ ｓ ｒ ｅ ｗｏ ｋ ｒ ｓ ｕ ｃ ｌ ａ ｉ ｑ ｉ ｍ ｏ ｈ ｅ ｎ ｎ ｏ ｏ ｔ ｂ ｅ ｔｃ ｎ ａ ｓ ｅ ｒ ａ ｅ ｈ ｅ ａ ｆｐ ｃ ｅ ｕ ｕ ｎ ｎ ｈ ｒ ｐ ｉ ｇ ｒ ｔ ． ｕ ，ｔｉ ｒ ｖ ｓｔ ｅ ａ ｉ ｔ ｆｒ ｕ ｅ ｓｉ ａ ｌ ，ｉ ａ ｌｏ ｄ ｃ ｅ ｓ ｓｔ ｅ ｄ ｌｙ ｏ ａ ｋ ｔ ｅ ｉ ｇ ａ ｄ ｔ ｅｄ ｏ ｐｎ ａ ｉ Ｔｈ ｓ ｉ ｍｐ ｏ ｅ ｈ ｂ ｌ ｙｏ ｏ ｔ ｒ ｑ ｏ ｉ ｎ ｄ ａ ｉｇ ｗｉ ｅｗｏ ｋ ｃ ｎ ｅ ｔ ｎ ｅ ｌ ｔ ｎ ｔ ｒ ｏ ｇ ｓｉ ． ｎ ｈ ｏ