基于ANFIS模型对汽车信号的预测

—
ｌ０ＩＩｌ２ｌ３
—
１９２０２１２２２３２３２５
００１０４２０３４４５９０６８ｌ０．８０４６２１９０９５０７０８２４５４５０９６０５３０７２８５３０４０ｌ０４４０３６８Ｏ８０ｌ０７，０５８２３０９０６５４７６【ｔ】９８
１数据标准化处理
为确保分折的正确性．对ｌ集来的原始数据进行特定的变换和需Ｉ殳
４实例分析
处理，使其消除斌纲。具有ｎ性本文采用问值化变换对数据进行ｎＥ、从某型汽车中提取３个特征参数２５组样本数据表１巾为标准标准化处理，定义如下：其化处理后的样本数据：设有序列表１标准化后的样本数据
＝Ｉ２，，，）（（）（），（）
若ｘ）ｍｎ（）（－ｉｋｋｘ
发电发动发动序号机转机油机转序速压速
发动发电发动发动Ｌ转序号Ｌ【Ｌ转ｆｍ转速述压速
【ｈｌｃ］ｈａｔｅｅ１ｆｚ，ｌｅｃｓｓｍ（Ｎ）ａｌｃｖｍｔｄｏｆｅａｔｎｅｉｏ— ａｉ．ｈｓｇｒａｌｌＡｓａ１Ｔｅｄｐｖｎｕ）ｎｒｅｙｔＡｓｓｎｌｌｅｅｏｌｏｃｓａｄｃｉｍｋｇＴｉｐｓｅｏｃｓｅｒａｉｈ ’ ｚｉｂｎｅ一ｉｅ＇ｉｈｆ’ ｒｄｓｎｅｎｓａａｆｅｓｈ

基于GIS和ANFIS技术的空间评价与预测研究

基于GIS和ANFIS技术的空间评价与预测研究厍向阳1薛惠锋1汤国安21(西北工业大学自动化学院，西安，710072)2(南京师范大学地理信息科学江苏省重点实验室，南京，210097)摘要：将地理信息系统(GIS)、自适应神经模糊推理系统（ANFIS）相结合进行空间评价与预测。

分析了空间评价与预测的研究现状和GIS、ANFIS各自优势。

按照空间数据结构特点，归纳出空间评价与预测的基本框架。

根据自适应神经模糊推理系统(ANFIS)的原理，提出了基于GIS和ANFIS技术的空间评价与预测方法。

以土壤侵蚀为例，在GIS支持下分别建立ANFIS和ANN模型，评价与预测土壤侵蚀强度的空间分布，并进行精度比较。

实验表明:（1）ANFIS模型的拟合能力、推广能力均高于ANN；（2）矢量空间数据库中，多边形面积权重对于空间评价与预测结果至关重要。

关键词:空间评价与预测；地理信息系统；人工神经网络；自适应神经模糊推理系统中图分类号:TP393.3 文献标识码:A1.引言在生产实践中，众多决策因子的空间分布、空间密度、空间组合直接影响空间评价和决策结果。

地理信息系统(GIS)是空间数据采集、管理、分析、建模和可视化的工具。

空间数据管理、空间分析是GIS 特有的功能,它为空间评价与预测提供了分析研究的空间框架和空间数据管理、分析的工具，但是GIS 本身缺乏模型管理和智能化数据处理能力，空间建模能力十分有限。

因而，将GIS与其它评价与预测技术相结合进行空间评价与预测成为必然。

在GIS支持下, 目前空间评价与预测模型可概括为：①基于启发关系的知识驱动模型；②基于统计关系的数据驱动模型[1、2]。

前者由于模型中变量权重是通过专家经验评判给出，称为知识驱动模型。

这类模型如：多准则评价（MCE）、多因素模糊综合评价等，其权重和隶属度函数选取具有主观性、缺乏理论支持，对于非常复杂的现象缺乏自学能力。

后者由于模型中的参数可以根据已知空间数据的统计分析得出，称为数据驱动模型。

基于ANFIS交通流实时预测及在MATLAB中的实现_张志红

第26卷第3期重　庆　交　通　学　院　学　报Vol .26No .3　2007年6月JOURNAL OF CHONG Q I N G J I A OT ONG UN I V ERSI TYJune,2007基于ANF I S 交通流实时预测及在MAT LAB 中的实现张志红,韩　直,肖盛燮,常贵智,甘守武(重庆交通大学,重庆400074)摘要:分析了模糊推理预测模型和神经网络预测模型在交通流实时预测中的优缺点,采用ANF I S 预测模型将二者结合起来,发挥两个模型各自的优势,弥补彼此的不足,通过预测结果表明该模型能够更直观、更精确地对交通流进行实时预测.关　键　词:模糊推理预测模型;神经网络预测模型;ANF I S 预测模型;MAT LAB 软件中图分类号:U491.1 文献标识码:B 文章编号:10012716X (2007)0320112204Rea l 2ti m e Foreca st of Traff i c Flow Ba sed on ANF I S and Its Rea li za ti on by M ATLABZHANG Zhi 2hong,HAN Zhi,X I A O Sheng 2xie,CHANG Gui 2zhi,G AN Shou 2wu(Chongqing J iaot ong University,Chongqing 400074,China )Abstract:By analyses of the advantages and li m itati ons of the fuzzy inference 2forecast model and the neural net w ork f orecast model,the ANF I S f orecast model was app lyed t o combinging the t w o models,exerting their advantages and fetching up their li m itati ons each other .And the conclusi on is de monstrated that the ANF I S forecast model can p redict the traffic fl ow more in 2tuiti onally and more p recisely .Key words:fuzzy inference 2f orecast model;neural net w ork f orecast model;ANF I S f orecast model;MAT LAB s oft w are收稿日期:2006203218;修订日期:2006203227基金项目:广州龙头山特大断面隧道节能技术研究项目(282DEC 22006)作者简介:张志红(19822),男,福建惠安人,硕士研究生,研究方向:交通信息规划与控制. 实时、准确的交通流量预测是实现I TS 的关键技术,交通流量预测结果的好坏将直接影响交通控制与交通流诱导的效果.实时交通流预测大致分为2类:①类是基于数学模型的方法;②类是无数学模型的方法.但是,各种模型在发挥其优势进行预测的同时,也就避免不了其缺陷带来的对预测过程和预测结果的不良影响.因此,将2种乃至多种预测模型结合起来,充分利用各模型的优势去弥补彼此的不足就成了一种颇有成效的预测方法.笔者在该文先论述了模糊推理预测模型和神经网络预测模型在交通流预测上的优势和缺陷,然后提出了结合两种模型优势进行预测的ANF I S (Adap tive Neur o 2Fuzzy I n 2ference Syste m )模型,即自适应神经模糊推理系统,并阐述了如何利用MAT LAB 软件实现基于ANF I S的交通流预测.1　模糊推理预测和神经网络预测原理不同的预测对象具有不同的特点,而不同的预测方法也有各自的优点和缺点.预测的关键就是为预测对象寻找合适的预测方法,使得预测结果具有更高的可靠性和精确度.由于交通流最大的特点就是高度非线性和不确定性,尤其是实时交通流量预测受随机干扰因素影响更大.所以,各种交通流量的预测方法都是围绕如何将克服非线性和随机干扰的.传统的时间序列预测需要预先知道被控对象的数学模型,且预测精度不高,而交通流却具有高度的不确定性,因此,不能够满足交通流预测的要求.灰色预测较传统的时间序列预测有了很大的改进,但是它预测所得的增长率是固定的,这就很难反应交通流的高度非线性的特点.相反,模糊推理预测和神经网络预测正在逐步显露出它们在交通流预测中的优势.1.1　模糊推理预测原理模糊系统的描述是建立在自然语言的基础上,其使用的规则更接近人们的思维习惯,正因为如此,模糊系统的模型能更快、更方便的实现系统的预测和控制.模糊推理是采用模糊逻辑由给定的输入映射到输出的过程,它一般包括以下几个步骤[1]:1)输入变量的模糊化,即将确定的输入转化为隶属度函数描述的模糊集;2)在模糊规则前件中应用模糊算子(与、或、非);3)根据模糊蕴含运算由前件推断结论;4)合成每一个规则的结论部分,得出总结论;5)反模糊化,即把输出模糊量转变成确定输出.1.2　神经网络预测原理人工神经网络具有并行处理、自适应、自组织、联想记忆及源于神经元激活函数的压扁特性的容错和鲁棒性等特点.在各类神经网络模型中,BP (Back Pr opagati on 误差后向传播)神经网络模型是最常用的也是最成熟的模型之一.BP 神经网络预测模型的具体过程如下[2]:1)赋予网络各权值和阈值为(21,1)之间的随机小量,从网络输入节点输入,并沿正向传播的学习样本的信息在隐节点和输出节点进行加权相加,并都经过激活函数作用后,在输出节点k 得到输出信息y k ;2)由训练样本的期望输出与网络的实际输出建立误差信号,根据此误差信号在反向传播中修正权值和阈值;3)将训练样本输入BP 网络往复学习,直至均方误差小于指定的精度,停止训练,模型完成.2　模糊推理与神经网络的异同模糊推理预测和神经网络预测各有优缺点,在这里主要分析二者的异同,以便更好地将两个模型结合起来,取长补短,充分发挥二者在交通流预测方面的优势[325].2.1　模糊系统和神经网络的共同点1)它们均可从给定的系统输入、输出信号(数据)中,建立系统的(非线性)输入、输出关系.这一输入、输出关系不像传统的系统建模那样有一确定的数学描述的模型.2)从数据处理的形式上看,它们均采用并行处理的结构.当输入信号进入模糊系统时,所有的模糊规则将依据条件的适用度决定是否被激发,并且由被激发的规则决定系统的输出.对神经网络而言,它本身就是由并行结构的神经元构成.从映射角度来看,模糊系统和神经网络都具有非线性函数近似的能力.3)人工神经元网络和模糊系统在对信息的加工处理过程中,均表现出了很强的容错能力.2.2　模糊系统和神经网络的不同点1)神经网络的映射集是用点与点的映射得到输入与输出的关系,它们的训练集都是确定的量,因而其映射关系是一一对应的.模糊系统的输入输出变量都是经过模糊化的量,它们都不是用明确的数来表示,其输入己模糊化为一个隶属度的值来表示,显然它是区块与区块之间的映射.2)知识的存储方式不同.人工神经元网络的基本单元是神经元,用多层网络实现映射时,它们之间是用权连接的.模糊系统则是以规则的方式来存储知识的,因此,在隶属函数的形式、区域划分的大小和规则的制定等人为的因素多一些.3)映射的精度上神经元网络和模糊系统都可以对一个非线性系统进行映射,但是它们的映射曲面是各不相同的,人工神经元网络是用点点映射的办法,因此它的输出与输入之间的关系曲面比较光滑,而模糊系统是区域之间的映射,如果区域分得比较粗,那么映射输出的表面就比较粗糙.要求映射的精度比较高,用人工神经元网络较好.4)连接方式不同.人工神经元网络一旦输入、输出和隐含层决定了,其连接结构就决定了,学习比较费时.模糊控制中,每次输入可能只与几条规则有关,显然连接并不是固定的,运用比较方便.5)结构的物理意义不同.人工神经元网络中间神经元的物理意义是不明确的,而模糊系统输入、输出的关系是明确的.6)模糊系统的计算速度比人工神经元网络更快,实时性更强.由以上分析可知,神经元网络与模糊控制系统各有其特点和应用范围.模糊推理本身不具备自学功能,其应用受到了很大限制,而人工神经网络又不能表达模糊语言,实际上类似一个黑箱,缺少透明度,所以不能很好地表达人脑的推理功能.而ANF I S (自适应神经模糊推理系统)则可将二者有机地结311第3期张志红等:ANF I S 交通流实时预测及在MAT LAB 中的实现合起来,既能发挥二者的优点,又可弥补各自的不足,可以应用于短时交通流预测.3　ANF I S 及其实现3.1　ANF I S 的特点ANF I S (Adap tive Neur o 2Fuzzy I nference Syste m )即自适应神经模糊推理系统,是模糊推理系统和神经网络控制的有机结合.由于模糊控制技术的特点在于逻辑推理,即获取人类专家的结构化知识,模拟人抽象思维的能力,神经网络在实时学习和自动模式识别方面有极强的优势,因此将两者有机结合组成神经模糊控制系统,可以有效地发挥模糊控制和神经网络控制的各自优势并弥补各自不足.模糊系统由一等价的神经网络表示,神经网络不再是一个黑箱,它的所有节点和参数具有一定的意义,即对应模糊系统的隶属函数或推理过程.ANF I S 系统最大的特点就是,该系统是基于数据的建模方法.自适应神经模糊系统中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的,而不是基于经验或是直觉给定的,它改善了传统的模糊控制器设计中必须靠人的思维反复地调整隶属函数才能达到减少误差、增进效能的缺点,通过训练与自适应解决了上述问题.这对于那些特性还不被人们所完全了解或特性非常复杂的系统尤为重要,所以尤其适用于缺乏专家经验知识的一类复杂预测、控制问题.用ANF I S 网络实现的模糊神经网络,采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数,并能自动产生I f 2Then 规则,隐层神经元数目较少,网络结构更加清晰,网络学习参数较少,网络参数更具可解释性.因此,可以认为,ANF I S 系统构成直观,推理、合成计算简单,学习方法合理有效,具有良好的预测、控制性能,完全可以满足实时交通流预测的工程要求.3.2　ANF I S 的结构ANF IS 由前件和后件构成,比如一个两输入x和y 、单输出f 的系统,其规则有[6]:图1　ANF IS 的结构If x 为A1and y 为B1then f 1=p 1x +q 1y +r 1If x 为A2and y 为B2then f 2=p 2x +q 2y +r 2假设输入变量采用高斯型隶属度函数,分别为g x i (x,a i ,b i )和g x i (y,c i ,d i )表示(其中i =1,2).AN F IS 结构可以分成5层:第一层:计算输入的隶属度函数.O 1,i =g x i (x,a i ,b i )　i =1,2O 1,j =g y (j-2)(y,c j-2,d j-2)　j =3,4其中O 1,i 表示第一层上的第i 个输出.第二层:计算每条规则的适用度.O 2,1=O 1,1×O 1,3=g x 1(x,a 1,b 1)×g y 1(y,c 1,d 1)记作w 1O 2,2=O 1,2×O 1,4=g x 2(x,a 2,b 2)×g y 2(y,c 2,d 2)记作w 2第三层:计算适用度的归一化值.O 3,1=w 1/(w 1+w 2)　O 3,2=w 2/(w 1+w 2)分别记作 w 1和 w 2第四层:计算每条规则的输出.f 1=p i x +q i x +r i i =1,2第五层:计算模糊系统的输出.f = w 1f 1+ w 2f 2在这一网络中,包含了待定的前件参数(隶属度函数中的参数a i ,b i ,c i ,d i (i =1,2))和后件参数(p i ,q i ,r i (i =1,2)),共有14个未知参数,通过算法训练ANF IS ,可以按指定的指标得到这些参数,从而到达模糊建模预测交通流的目的.3.3　ANF I S 在MAT LAB 中的实现在MAT LAB 中,训练ANF I S 的任务可由anfis 函数完成,因此使模糊建模预测变得很容易实现.模糊建模过程可以分成下面6个步骤:1)产生训练数据和检验数据;2)确定输入变量的隶属度函数的类型和个数;3)由genfis1函数产生初始的F I S 结构;4)设定ANF I S 训练的参数;5)利用anfis 函数训练ANF I A ;6)检验得到的F I S 的性能.4　应用事例随着我国公路建设步伐的加快,长大隧道的数量也越来越多,通风与照明已成为公路隧道运营中的一笔沉重负担.因此,很多专家提出了前馈式通风411重　庆　交　通　学　院　学　报第26卷控制、混合式模糊通风控制、智能照明控制等节能措施,来减少隧道的运营费用和环境的污染,但是这些控制方法都是建立在交通流实时预测的基础上的.在对某一隧道内的交通量进行实时预测时,用MAT2 LAB语言编写了模糊推理系统、神经网络系统和ANF I S系统,先用历史数据对3个系统进行训练,然后以15m in为时间间隔分别进行实时预测,并与实测值进行对比,结果见表1.表1　预测结果对比时段1234平均误差/%历史数据(pcu)105121112104-模糊推理系统(pcu)941111231139.30神经网络系统(pcu)981301211117.22ANF I S系统(pcu)109126116108 3.84建模及参数如下:1)在用ne wfis函数建立一个Ma mdani型的模糊推理预测系统时,采用了高斯型隶属度函数gauss mf,模糊交(m in)的与算子,模糊并(max)的或算子,最小运算(m in)的模糊蕴含算子,模糊并(max)的模糊合成算子,最后采用中心法(Centr oid)为反模糊运算方法.2)在用ne wff函数生成一个两层的BP网络预测系统时,输入维数为8,隐层含有4个神经元,采用tansing作为传递函数,输出层含有1个神经元,采用purelin传递函数,并将初始权值随机化;同时,以结合了动量梯度下降算法和自适应学习速率梯度下降算法的traingdx函数作为训练函数,其中,学习速率lr为0.15,动量常数mc为0.95.3)在用anfis函数建立一个自适应神经模糊推理系统(即Sugeno型模糊系统)时,先用genfis1函数从未加聚类的数据中产生F I S结构,其中,隶属度函数的个数mf_n为5,输入、输出隶属度函数均为广义钟形函数gbell m f;然后设定ANF I S训练的参数,其中,训练的初始步长为0.05,步长增量比和减量比分别为1.2和0.8,并在隶属度函数参数训练中采用最小二乘估计和BP组合的混合最优化方法,即设定参数op t M ethod为1.从程序运行过程和表中的结果可以看出,ANF I S系统在预测精度和收敛性方面都优于另外两个系统,完全可以满足工程的需要.5　结　语ANF I S克服了F I S(模糊推理系统)模糊化、反模糊化的人为决定性和模糊规则的不全面性、粗糙性,尤其适用于缺乏专家经验知识的一类复杂预测、控制问题.它将神经网络的技术引进来,借助神经网络的信息存贮能力和学习能力,更有效地利用人类知识,处理不精确及不确定的情况,加强了对未知或变化的环境进行学习和调节的性能,使系统本身朝着自适应、自组织、自学习的方向发展.从上面的应用实例可以看出,ANF I S模型的预测精度较高,完全可以满足实时交通流预测需要.而且,其在MAT LAB中的实现非常简单,在控制领域、模型预测、模式识别、智能仪表、家电行业等领域, ANF I S将会得到越来越广泛的应用.当然,和其他模型一样,ANF I S模型也有其缺陷,最主要的是其学习时间较长,在控制间隔较短的系统中实用性不高.因此,需要改进模型或算法,以减少系统运行时间.参考文献:[1]　肖盛燮,王平义,吕恩琳.模糊数学在土木与水利工程中的应用[M].北京:人民交通出版社,2004:3972420. [2]　张智星,孙春在,水谷英二.神经:模糊和软计算[M].西安:交通大学出版社,2000:2382236.[3]　田　园.自适应神经模糊推理系统及其在船舶舵阻横摇中的应用[D].大连:大连海事大学,2004.[4]　王立新.自适应模糊系统与控制———设计与稳定性分析[M].北京:国防工业出版社,1995:1092119.[5]　张浩炯.余岳峰,王　强.应用自适应神经模糊推理系统(ANF I S)进行建模与仿真[J].计算机仿真,2002,19(4):47249.[6]　楼顺天,胡昌华,张　伟.基于MAT LAB的系统分析与设计———模糊系统[M].西安:电子科技大学出版社,2003:912103.511第3期张志红等:ANF I S交通流实时预测及在MAT LAB中的实现。

基于ANFIS的长期电力负荷预测模型

２００６年第２５卷第７期
文章编号：１０ —５６（０６７０３ — ２０６１７２０）０ — ０５０
基于ＡＩＮＦＳ的长期电力负荷预测模型
王军，吕元锋。，陈俊，曹菁菁。
（．安徽工程科技学院电４００．上海交通大学机械与动力工程学院，上海２０３）０００
ＷＡＮＧＪｎ，０Ｙａ．ｎ ’ＣＮＪｎ，ＡＯＪｎ－ｎｕＬｕｎｆｇ，ＨＥｕＣｉｇｊｇｅｉ
（．ｐ．ｆｅｔｉａｇｎｅｉｇＡｎｕｉｅｓｔｆｃｎｌｇ１ＤｅｔｏｃｒｃｌＥｌＥｎｉｅｒｎ，ｈｉＵｎｖｒｉｙｏｈｏｏｙ＆Ｓｃｅｃ，ｕｕ２０，ｉａＴｅｉｎｅＷｈ４１０Ｃｈｎ；０
Ｏ引言
长期负荷预测一般指１０年以上并以年为单位的预测。长期负荷预测时间跨度大，影响负荷变化
糊预测。
关键词：电力长期负荷；模糊预测；自适应神经模糊推理系统；Ｍａｌｂｔａ中图分类号：Ｔ３１Ｐ９．９文献标识号：Ａ
ＬｏｇＴｅｍａｒｃｓｉｇＭｏｅａｅｎ — ｒＬｏｄＦｏｅａｔｎｄｌＢｓｄｏｎＡＮＦＩＳ
维普资讯
兵工自动化
先雎嗣■技ｉｔｔ
ＡｄｖｎｃａａｅＭｎｕｆｃｕｒｃａｔｅＴｅｈｎｉｑｕｅ

基于ANFIS的汽车发动机振动参数故障诊断云模型

【20】第32卷第10期2010-10(上)基于ANFIS的汽车发动机振动参数故障诊断云模型The vibration parameter fault diagnosis cloud model for automobileengine based on ANFIS孔莉芳1,2，张虹1KONG Li-fang 1,2, ZHANG Hong 1（1. 中国矿业大学信电学院，徐州 221006；2. 徐州空军学院，徐州 221000）摘　要：为解决汽车发动机振动参数故障问题，采用自适应神经模糊推理系统(ANFIS)建立故障诊断模型，利用减法聚类方法确定模型初始结构，并采用云模型优化模型接口参数。

实例建模对比分析，引入云模型后的ANFIS模型的识别率从88.75%提高到99.68%，训练误差也从0.12021降低至0.11526。

试验表明引入云模型后该模型收敛速度快，拟合能力强且诊断识别精度高，能够有效识别汽车发动机振动参数的故障。

关键词：ANFIS模型；故障诊断；振动参数；云模型；中图分类号：TP183 文献标识码：B 文章编号：1009-0134(2010)10(上)-0020-03Doi: 10.3969/j.issn.1009-0134.2010.10(上).070 引言汽车发动机是一个复杂的非线性系统。

其故障的引发原因较多且难以诊断。

发动机的振动参数异常是发动机常见的一种故障。

若发动机的振动较大，不但乘坐不舒适，使驾驶员烦躁和疲劳，而且缩短零部件的使用寿命，甚至引起机械事故。

因此如何建立良好的故障诊断数学模型来诊断汽车发动机的振动参数状况，对判断发动机工作是否正常，保证汽车运行的安全性和降低汽车发动机的维修费用都是有很大意义的。

近年来，人工神经网络和模糊理论在设备故障诊断中已得到广泛的应用。

将模糊逻辑系统对先验知识的概括提取能力与神经网络对未知特性的学习归纳能力结合起来已成为现实。

基于ANFIS的自适应机动目标状态估计算法

态噪声协方差矩阵进行自适应调整；然后利用粒子滤波（ｐａｒｔｉｃｌｅｆｉｌｔｅｒ，ＰＦ）算法对目标状态进行估计。仿真结果
表明，与该方法能够有效提高目标状态估计的精度。
关键词：状态估计；自适应目标跟踪；自适应神经网络一模糊推理系统；当前统计模型中图分类号：ＴＰ２７３文献标志码：ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１ — ５０６Ｘ．２０１３．０２．０３
（１．中国空空导弹研究院，河南洛阳４７１００９；２．西北工业大学自动化学院，陕西西安７１００７２）
摘要：针对基于当前统计（ｃｕｒｒｅｎｔｓｔａｔｉｓｔｉｃｓ，ＣＳ）模型的机动目标状态估计算法对机动目标加速度的极限
文童编号：１００１５０６Ｘ（２０１３）０２ — ０２５００６
网址：ｗｗｗ．ｓｙｓ — ｅｌｅ．ＣＯＩＴＩ
基于ＡＮＦＩＳ的自适应机动目标状态估计算法
徐琰珂，梁晓庚，贾晓洪
ｓｙｓｔｅｍ（ＡＮＦＩＳ）ｉｓｕｓｅｄｔｏａｄｊｕｓｔｔｈｅｓｙｓｔｅｍｎｏｉｓｅｃｏｖａｒｉａｎｃｅｍａｔｒｉｘｉｎｔａｒｇｅｔｔｒａｃｋｉｎｇｓｙｓｔｅｍ，ａｆｔｅｒｔｈａｔ，ｔｈｅ

浙江大学电气工程学院第七期SRTP教师立项评审汇总表

电机系
9
章玮
副教授
陈磊
电气0105
汽车用交流发电机的稳压电路设计
电机系
10
王康元
工程师
电力企业UIB研究
电机系
11
史涔微
副教授
陆园
冯宇
电信0102
SCLRM的设计及仿真建模
电机系
12
黄进
教授
基于DSP的交流变频动态电力测功机原理及其实现
电机系
13
赵光宙
教授
阮可嘉
杨壮豪
自动化0202
现代控制理论多媒体教学平台
教授
陈亮
王永昌
崔毅楠
韩玉珅
自动化0101
自动化0102
基于直流无刷电机的张力控制系统开发
系统系
20
诸葛
振荣
副教授
李旭平
周子卿
姚昌华
自动化0104
基于Mclinux的嵌入式电子提花控制软件设计
系统系
21
姚维
副教授
陈绍双
杨伟临
刘闯
自动化0104
自动化0101
自动化0103
多媒体信息集成管理系统开发
电信0103
电信0102
电信0102
通信0203
电力电子集成系统中IP软核的研究与开发
应电系
35
竺红卫
工程师
实时系统模型研究及快速原型开发
应电系
36
王国雄
讲师
恽达贤
曹葵康
李欣
电信0101
混合0107
混合0104
SOC验证流程与策略研究
应电系
37
徐德鸿
教授

基于ANFIS交通流实时预测及在MATLAB中的实现_张志红

第26卷第3期重　庆　交　通　学　院　学　报Vol .26No .3　2007年6月JOURNAL OF CHONG Q I N G J I A OT ONG UN I V ERSI TYJune,2007基于ANF I S 交通流实时预测及在MAT LAB 中的实现张志红,韩　直,肖盛燮,常贵智,甘守武(重庆交通大学,重庆400074)摘要:分析了模糊推理预测模型和神经网络预测模型在交通流实时预测中的优缺点,采用ANF I S 预测模型将二者结合起来,发挥两个模型各自的优势,弥补彼此的不足,通过预测结果表明该模型能够更直观、更精确地对交通流进行实时预测.关　键　词:模糊推理预测模型;神经网络预测模型;ANF I S 预测模型;MAT LAB 软件中图分类号:U491.1 文献标识码:B 文章编号:10012716X (2007)0320112204Rea l 2ti m e Foreca st of Traff i c Flow Ba sed on ANF I S and Its Rea li za ti on by M ATLABZHANG Zhi 2hong,HAN Zhi,X I A O Sheng 2xie,CHANG Gui 2zhi,G AN Shou 2wu(Chongqing J iaot ong University,Chongqing 400074,China )Abstract:By analyses of the advantages and li m itati ons of the fuzzy inference 2forecast model and the neural net w ork f orecast model,the ANF I S f orecast model was app lyed t o combinging the t w o models,exerting their advantages and fetching up their li m itati ons each other .And the conclusi on is de monstrated that the ANF I S forecast model can p redict the traffic fl ow more in 2tuiti onally and more p recisely .Key words:fuzzy inference 2f orecast model;neural net w ork f orecast model;ANF I S f orecast model;MAT LAB s oft w are收稿日期:2006203218;修订日期:2006203227基金项目:广州龙头山特大断面隧道节能技术研究项目(282DEC 22006)作者简介:张志红(19822),男,福建惠安人,硕士研究生,研究方向:交通信息规划与控制. 实时、准确的交通流量预测是实现I TS 的关键技术,交通流量预测结果的好坏将直接影响交通控制与交通流诱导的效果.实时交通流预测大致分为2类:①类是基于数学模型的方法;②类是无数学模型的方法.但是,各种模型在发挥其优势进行预测的同时,也就避免不了其缺陷带来的对预测过程和预测结果的不良影响.因此,将2种乃至多种预测模型结合起来,充分利用各模型的优势去弥补彼此的不足就成了一种颇有成效的预测方法.笔者在该文先论述了模糊推理预测模型和神经网络预测模型在交通流预测上的优势和缺陷,然后提出了结合两种模型优势进行预测的ANF I S (Adap tive Neur o 2Fuzzy I n 2ference Syste m )模型,即自适应神经模糊推理系统,并阐述了如何利用MAT LAB 软件实现基于ANF I S的交通流预测.1　模糊推理预测和神经网络预测原理不同的预测对象具有不同的特点,而不同的预测方法也有各自的优点和缺点.预测的关键就是为预测对象寻找合适的预测方法,使得预测结果具有更高的可靠性和精确度.由于交通流最大的特点就是高度非线性和不确定性,尤其是实时交通流量预测受随机干扰因素影响更大.所以,各种交通流量的预测方法都是围绕如何将克服非线性和随机干扰的.传统的时间序列预测需要预先知道被控对象的数学模型,且预测精度不高,而交通流却具有高度的不确定性,因此,不能够满足交通流预测的要求.灰色预测较传统的时间序列预测有了很大的改进,但是它预测所得的增长率是固定的,这就很难反应交通流的高度非线性的特点.相反,模糊推理预测和神经网络预测正在逐步显露出它们在交通流预测中的优势.1.1　模糊推理预测原理模糊系统的描述是建立在自然语言的基础上,其使用的规则更接近人们的思维习惯,正因为如此,模糊系统的模型能更快、更方便的实现系统的预测和控制.模糊推理是采用模糊逻辑由给定的输入映射到输出的过程,它一般包括以下几个步骤[1]:1)输入变量的模糊化,即将确定的输入转化为隶属度函数描述的模糊集;2)在模糊规则前件中应用模糊算子(与、或、非);3)根据模糊蕴含运算由前件推断结论;4)合成每一个规则的结论部分,得出总结论;5)反模糊化,即把输出模糊量转变成确定输出.1.2　神经网络预测原理人工神经网络具有并行处理、自适应、自组织、联想记忆及源于神经元激活函数的压扁特性的容错和鲁棒性等特点.在各类神经网络模型中,BP (Back Pr opagati on 误差后向传播)神经网络模型是最常用的也是最成熟的模型之一.BP 神经网络预测模型的具体过程如下[2]:1)赋予网络各权值和阈值为(21,1)之间的随机小量,从网络输入节点输入,并沿正向传播的学习样本的信息在隐节点和输出节点进行加权相加,并都经过激活函数作用后,在输出节点k 得到输出信息y k ;2)由训练样本的期望输出与网络的实际输出建立误差信号,根据此误差信号在反向传播中修正权值和阈值;3)将训练样本输入BP 网络往复学习,直至均方误差小于指定的精度,停止训练,模型完成.2　模糊推理与神经网络的异同模糊推理预测和神经网络预测各有优缺点,在这里主要分析二者的异同,以便更好地将两个模型结合起来,取长补短,充分发挥二者在交通流预测方面的优势[325].2.1　模糊系统和神经网络的共同点1)它们均可从给定的系统输入、输出信号(数据)中,建立系统的(非线性)输入、输出关系.这一输入、输出关系不像传统的系统建模那样有一确定的数学描述的模型.2)从数据处理的形式上看,它们均采用并行处理的结构.当输入信号进入模糊系统时,所有的模糊规则将依据条件的适用度决定是否被激发,并且由被激发的规则决定系统的输出.对神经网络而言,它本身就是由并行结构的神经元构成.从映射角度来看,模糊系统和神经网络都具有非线性函数近似的能力.3)人工神经元网络和模糊系统在对信息的加工处理过程中,均表现出了很强的容错能力.2.2　模糊系统和神经网络的不同点1)神经网络的映射集是用点与点的映射得到输入与输出的关系,它们的训练集都是确定的量,因而其映射关系是一一对应的.模糊系统的输入输出变量都是经过模糊化的量,它们都不是用明确的数来表示,其输入己模糊化为一个隶属度的值来表示,显然它是区块与区块之间的映射.2)知识的存储方式不同.人工神经元网络的基本单元是神经元,用多层网络实现映射时,它们之间是用权连接的.模糊系统则是以规则的方式来存储知识的,因此,在隶属函数的形式、区域划分的大小和规则的制定等人为的因素多一些.3)映射的精度上神经元网络和模糊系统都可以对一个非线性系统进行映射,但是它们的映射曲面是各不相同的,人工神经元网络是用点点映射的办法,因此它的输出与输入之间的关系曲面比较光滑,而模糊系统是区域之间的映射,如果区域分得比较粗,那么映射输出的表面就比较粗糙.要求映射的精度比较高,用人工神经元网络较好.4)连接方式不同.人工神经元网络一旦输入、输出和隐含层决定了,其连接结构就决定了,学习比较费时.模糊控制中,每次输入可能只与几条规则有关,显然连接并不是固定的,运用比较方便.5)结构的物理意义不同.人工神经元网络中间神经元的物理意义是不明确的,而模糊系统输入、输出的关系是明确的.6)模糊系统的计算速度比人工神经元网络更快,实时性更强.由以上分析可知,神经元网络与模糊控制系统各有其特点和应用范围.模糊推理本身不具备自学功能,其应用受到了很大限制,而人工神经网络又不能表达模糊语言,实际上类似一个黑箱,缺少透明度,所以不能很好地表达人脑的推理功能.而ANF I S (自适应神经模糊推理系统)则可将二者有机地结311第3期张志红等:ANF I S 交通流实时预测及在MAT LAB 中的实现合起来,既能发挥二者的优点,又可弥补各自的不足,可以应用于短时交通流预测.3　ANF I S 及其实现3.1　ANF I S 的特点ANF I S (Adap tive Neur o 2Fuzzy I nference Syste m )即自适应神经模糊推理系统,是模糊推理系统和神经网络控制的有机结合.由于模糊控制技术的特点在于逻辑推理,即获取人类专家的结构化知识,模拟人抽象思维的能力,神经网络在实时学习和自动模式识别方面有极强的优势,因此将两者有机结合组成神经模糊控制系统,可以有效地发挥模糊控制和神经网络控制的各自优势并弥补各自不足.模糊系统由一等价的神经网络表示,神经网络不再是一个黑箱,它的所有节点和参数具有一定的意义,即对应模糊系统的隶属函数或推理过程.ANF I S 系统最大的特点就是,该系统是基于数据的建模方法.自适应神经模糊系统中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的,而不是基于经验或是直觉给定的,它改善了传统的模糊控制器设计中必须靠人的思维反复地调整隶属函数才能达到减少误差、增进效能的缺点,通过训练与自适应解决了上述问题.这对于那些特性还不被人们所完全了解或特性非常复杂的系统尤为重要,所以尤其适用于缺乏专家经验知识的一类复杂预测、控制问题.用ANF I S 网络实现的模糊神经网络,采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数,并能自动产生I f 2Then 规则,隐层神经元数目较少,网络结构更加清晰,网络学习参数较少,网络参数更具可解释性.因此,可以认为,ANF I S 系统构成直观,推理、合成计算简单,学习方法合理有效,具有良好的预测、控制性能,完全可以满足实时交通流预测的工程要求.3.2　ANF I S 的结构ANF IS 由前件和后件构成,比如一个两输入x和y 、单输出f 的系统,其规则有[6]:图1　ANF IS 的结构If x 为A1and y 为B1then f 1=p 1x +q 1y +r 1If x 为A2and y 为B2then f 2=p 2x +q 2y +r 2假设输入变量采用高斯型隶属度函数,分别为g x i (x,a i ,b i )和g x i (y,c i ,d i )表示(其中i =1,2).AN F IS 结构可以分成5层:第一层:计算输入的隶属度函数.O 1,i =g x i (x,a i ,b i )　i =1,2O 1,j =g y (j-2)(y,c j-2,d j-2)　j =3,4其中O 1,i 表示第一层上的第i 个输出.第二层:计算每条规则的适用度.O 2,1=O 1,1×O 1,3=g x 1(x,a 1,b 1)×g y 1(y,c 1,d 1)记作w 1O 2,2=O 1,2×O 1,4=g x 2(x,a 2,b 2)×g y 2(y,c 2,d 2)记作w 2第三层:计算适用度的归一化值.O 3,1=w 1/(w 1+w 2)　O 3,2=w 2/(w 1+w 2)分别记作 w 1和 w 2第四层:计算每条规则的输出.f 1=p i x +q i x +r i i =1,2第五层:计算模糊系统的输出.f = w 1f 1+ w 2f 2在这一网络中,包含了待定的前件参数(隶属度函数中的参数a i ,b i ,c i ,d i (i =1,2))和后件参数(p i ,q i ,r i (i =1,2)),共有14个未知参数,通过算法训练ANF IS ,可以按指定的指标得到这些参数,从而到达模糊建模预测交通流的目的.3.3　ANF I S 在MAT LAB 中的实现在MAT LAB 中,训练ANF I S 的任务可由anfis 函数完成,因此使模糊建模预测变得很容易实现.模糊建模过程可以分成下面6个步骤:1)产生训练数据和检验数据;2)确定输入变量的隶属度函数的类型和个数;3)由genfis1函数产生初始的F I S 结构;4)设定ANF I S 训练的参数;5)利用anfis 函数训练ANF I A ;6)检验得到的F I S 的性能.4　应用事例随着我国公路建设步伐的加快,长大隧道的数量也越来越多,通风与照明已成为公路隧道运营中的一笔沉重负担.因此,很多专家提出了前馈式通风411重　庆　交　通　学　院　学　报第26卷控制、混合式模糊通风控制、智能照明控制等节能措施,来减少隧道的运营费用和环境的污染,但是这些控制方法都是建立在交通流实时预测的基础上的.在对某一隧道内的交通量进行实时预测时,用MAT2 LAB语言编写了模糊推理系统、神经网络系统和ANF I S系统,先用历史数据对3个系统进行训练,然后以15m in为时间间隔分别进行实时预测,并与实测值进行对比,结果见表1.表1　预测结果对比时段1234平均误差/%历史数据(pcu)105121112104-模糊推理系统(pcu)941111231139.30神经网络系统(pcu)981301211117.22ANF I S系统(pcu)109126116108 3.84建模及参数如下:1)在用ne wfis函数建立一个Ma mdani型的模糊推理预测系统时,采用了高斯型隶属度函数gauss mf,模糊交(m in)的与算子,模糊并(max)的或算子,最小运算(m in)的模糊蕴含算子,模糊并(max)的模糊合成算子,最后采用中心法(Centr oid)为反模糊运算方法.2)在用ne wff函数生成一个两层的BP网络预测系统时,输入维数为8,隐层含有4个神经元,采用tansing作为传递函数,输出层含有1个神经元,采用purelin传递函数,并将初始权值随机化;同时,以结合了动量梯度下降算法和自适应学习速率梯度下降算法的traingdx函数作为训练函数,其中,学习速率lr为0.15,动量常数mc为0.95.3)在用anfis函数建立一个自适应神经模糊推理系统(即Sugeno型模糊系统)时,先用genfis1函数从未加聚类的数据中产生F I S结构,其中,隶属度函数的个数mf_n为5,输入、输出隶属度函数均为广义钟形函数gbell m f;然后设定ANF I S训练的参数,其中,训练的初始步长为0.05,步长增量比和减量比分别为1.2和0.8,并在隶属度函数参数训练中采用最小二乘估计和BP组合的混合最优化方法,即设定参数op t M ethod为1.从程序运行过程和表中的结果可以看出,ANF I S系统在预测精度和收敛性方面都优于另外两个系统,完全可以满足工程的需要.5　结　语ANF I S克服了F I S(模糊推理系统)模糊化、反模糊化的人为决定性和模糊规则的不全面性、粗糙性,尤其适用于缺乏专家经验知识的一类复杂预测、控制问题.它将神经网络的技术引进来,借助神经网络的信息存贮能力和学习能力,更有效地利用人类知识,处理不精确及不确定的情况,加强了对未知或变化的环境进行学习和调节的性能,使系统本身朝着自适应、自组织、自学习的方向发展.从上面的应用实例可以看出,ANF I S模型的预测精度较高,完全可以满足实时交通流预测需要.而且,其在MAT LAB中的实现非常简单,在控制领域、模型预测、模式识别、智能仪表、家电行业等领域, ANF I S将会得到越来越广泛的应用.当然,和其他模型一样,ANF I S模型也有其缺陷,最主要的是其学习时间较长,在控制间隔较短的系统中实用性不高.因此,需要改进模型或算法,以减少系统运行时间.参考文献:[1]　肖盛燮,王平义,吕恩琳.模糊数学在土木与水利工程中的应用[M].北京:人民交通出版社,2004:3972420. [2]　张智星,孙春在,水谷英二.神经:模糊和软计算[M].西安:交通大学出版社,2000:2382236.[3]　田　园.自适应神经模糊推理系统及其在船舶舵阻横摇中的应用[D].大连:大连海事大学,2004.[4]　王立新.自适应模糊系统与控制———设计与稳定性分析[M].北京:国防工业出版社,1995:1092119.[5]　张浩炯.余岳峰,王　强.应用自适应神经模糊推理系统(ANF I S)进行建模与仿真[J].计算机仿真,2002,19(4):47249.[6]　楼顺天,胡昌华,张　伟.基于MAT LAB的系统分析与设计———模糊系统[M].西安:电子科技大学出版社,2003:912103.511第3期张志红等:ANF I S交通流实时预测及在MAT LAB中的实现。

基于ANFIS的工况跟踪用纵向驾驶员模型开发

基于ANFIS的工况跟踪用纵向驾驶员模型开发沈沛鸿;赵治国;郭秋伊【摘要】针对基于PI控制纵向驾驶员模型的工况跟踪效果不佳等问题,采集了某PHEV试验样车的纵向驾驶行为数据,采用ANFIS建立了二输入参数的纵向驾驶员模型和考虑未来预期车速影响的预瞄纵向驾驶员模型.仿真结果表明,基于ANFIS的预瞄纵向驾驶员模型具有最好的工况跟踪效果,均方根误差为0.993 0 km/h,且其决策出的加速踏板行程、挡位和需求转矩与实车试验结果最为接近.【期刊名称】《汽车工程》【年(卷),期】2019(041)007【总页数】9页(P815-822,791)【关键词】纵向驾驶员模型;自适应网络模糊推理系统;预瞄【作者】沈沛鸿;赵治国;郭秋伊【作者单位】同济大学汽车学院,上海201804;同济大学汽车学院,上海201804;同济大学汽车学院,上海201804【正文语种】中文前言基于仿真模型的整车控制策略开发可以大大节省开发的时间与成本。

能量经济性是车辆的重要性能，面向能量管理策略开发的汽车仿真模型关注车辆的纵向动力学行为，按照控制信号与能量流的传递路径分为前向仿真和后向仿真［1-2］。

后向仿真根据工况需求反求各部件工作需求，以此为目标对各动力源（如电池、电机与发动机）进行动力分配。

而对于前向仿真，纵向驾驶员模型根据当前的实际车速与目标车速控制踏板行程得到需求转矩，能量管理模块根据需求转矩分配动力源的动力，动力部件的动力响应通过传动系统作用在车轮上，得到实际车速，进而再将实际车速传递给驾驶员模型，构成闭环仿真系统［3-4］。

前向仿真模型更接近于真实的车辆行驶过程，它实现了控制信号与能量流的正向传递，在各部件间传递实际的工作转速与转矩。

且前向仿真易于实现模型的动态化建模［5］。

因而，前向仿真模型更有利于整车能量管理策略的开发。

而纵向驾驶员模型作为前向仿真模型区别于后向仿真模型的典型特征部件，同时也是整个仿真过程的起始环节，具有重要的作用。

汽车主动安全研究现状之ESP

汽车主动安全研究现状之ESP前言汽车业的发展，为人们的出行提供了极大的便利。

但与此同时，交通事故也成为了致命的灾难。

据不完全统计，在世界范围内每年大概会有120万人死于交通事故。

其中世界卫生组织的一份统计调查表明，交通事故是造成年龄段在10到25 岁青少年死亡的主要原因。

同时在各种对人类生命造成威胁的原因中，交通事故排第九。

这种事故所造成的伤亡以及对公共安全所产生的威胁是不容忽视的。

汽车安全防御包含两大块，被动安全防御和主动安全防御。

其中被动安全的研究目的是在事故发生以后尽量减轻事故所产生的损失和伤害；主动安全的研究目的是在事故发生前，能够通过有效措施来避免事故的发生，也就是在可能导致事故的驾驶行为意图出现时，就及时进行制止。

基于这样的前提下，汽车安全技术的研究十分必要，尤其是主动安全技术。

汽车电子稳定程序( Electronic Stability Program, 简称ESP) 是行驶车辆的一种主动安全系统，它包含了防抱死制动系统( Anti-lock Brake System, ABS) 、驱动防滑系统( Acceleration Slip Regulation, ASR) ，并增加了横摆力矩控制系统( Yaw-moment Cont rol, DYC) ，从而在制动、驱动和转向情况下对汽车安全稳定行驶提供有力支持。

ESP 通过车载传感器测量方向盘转角、横摆角速度、侧向加速度和4 个车轮的轮速，由ECU 计算出驾驶员期望的行驶轨迹和车辆的运动状态，使汽车能在严峻的行驶条件下通过一定的控制方法，对汽车进行控制，从而修正汽车的过度转向或不足转向，以避免汽车失稳，保证汽车的行驶安全。

ESP 对于提升汽车的稳定性，进而提高汽车的主动安全性能有着重要意义。

1.ESP的发展现状1.1ESP的结构及工作原理ESP控制系统的结构：图1是现在比较典型的汽车ESP控制系统的结构,包括：传统制动系统(真空助力器、管路和制动器)、传感器(4个轮速传感器、方向盘转角传感器、侧向加速度传感器、横摆角速度传感器、制动主缸压力传感器)、液压调节器、汽车稳定性控制电子控制单元(ECU)和辅助系统(发动机管理系统).图 1博世 ESP 系统的硬件结构ESP控制系统的工作原理：在汽车行驶过程中,方向盘转角传感器监测驾驶者转弯方向和角度,车速传感器监测车速、节气门开度,制动主缸压力传感器监测制动力,而侧向加速度传感器和横摆角速度传感器则监测汽车的横摆和侧倾速度.ECU 根据这些信息,通过计算后判断汽车要正常安全行驶和驾驶者操纵汽车意图的差距,然后由ECU 发出指令,调整发动机的转速和车轮上的制动力,如果实际行驶轨迹与期望的行驶轨迹发生偏差,则ESP 系统自动控制对某一车轮施加制动,从而修正汽车的过度转向或不足转向,以避免汽车打滑、转向过度、转向不足和抱死,从而保证汽车的行驶安全.1.2国内外ESP的研究现状清华大学王会义、宋健汽车电子稳定程序的控制算法——清华大学学报清华大学王会义、宋健采用车辆横摆角速度的状态差异法,设计主副两个层次的ESP 控制逻辑。

基于ANFIS的汽车自动变速器换档规律的决策判断

文章编号:1009-444X(2006)02-0104-04收稿日期:2006-02-16作者简介:李学修(1981-),男,山东日照人,在读硕士,研究方向为车辆工程.基于ANFIS 的汽车自动变速器换档规律的决策判断李学修1,2,黄虎2,刘长虹2(1.上海交通大学机械与动力工程学院,上海200030; 2.上海工程技术大学汽车工程学院,上海201620)摘要:自动变速器根据车辆的行驶状态判断最佳的换档时刻,从而产生了换档规律图。

但常规的神经网络决策方法在换档规律的决策过程中存在着一些问题。

结合了模糊逻辑系统和神经网络二者的优点,根据汽车自动变速器已知换档规律图,运用ANFIS 建模对自动变速器的换档规律进行非线性逼近和预测。

结果表明ANFIS 能够更好地根据车辆行驶状态决策判断出最佳换档点。

关键词:自适应神经模糊推理系统;自动变速器;换档决策中图分类号:U 463.212 文献标志码:AVehicle Shift Decision Based On ANFISLI Xue -x iu 1,2,HUANG Hu 2,LIU Chang -hong 2(1.School of Mechanical Engineering,Shanghai Jiaotong University,Shanghai 200030,China;2.College of Automobile Engineering,Shanghai University of Engineering Science,Shanghai 201620,China)Abstract :Vehicle Shift Decision is based on moving parameters of the vehicle,but traditional Neural Netw orkSystem is difficult for vehicle shifting rule determ ination.T he advantage of Fuzzy Logical System was com -bined w ith that of Neural Network System,using a new Adaptive Neura-l Fuzzy Inference System (ANFIS)in Vehicle Shift Decision.The results show that ANFIS is very effective in vehicle shifting rule determ ina -tion.Key words :ANFIS;autom atic transm ission;vehicle shift decision自动变速器能按给定的算法由车辆状态确定最佳档位,并自动控制节气门、离合器、变速箱协调工作,完成换档过程。

基于改进模糊聚类与ANFIS的高速公路事件检测

基于改进模糊聚类与ANFIS的高速公路事件检测姚磊;刘渊【摘要】为了准确并及时地发现高速公路上的交通事故隐患，减少事故引发的交通延迟，提高高速公路运行安全性，结合减法聚类与模糊C均值（FCM）聚类算法对输入样本数据进行聚类，建成初始模糊推理系统，然后通过神经网络的自学习机制，训练模糊系统参数，确定模糊推理规则，建立最终模糊模型。

通过仿真实验结果对比，验证了基于改进模糊聚类与自适应神经模糊推理系统（ANFIS）建模方法的有效性。

%In order to accurately and timely detect highway traffic accident, reduce traffic delay and improve highway safety, this paper combines subtractive clustering and Fuzzy C-Means(FCM) clustering method to cluster the input sample data to build the initial fuzzy inference system, then the hybrid algorithm is used to train the parameters of the fuzzy system, determine the fuzzy reasoning rules, and establish a final training fuzzy model. Compared with the simulation experimental results, the method obtains excellent performance on ROC(Receiver Operation Characteristic)curve, shows the validity of the modeling method based on the improved fuzzy clustering and Adaptive Neural Fuzzy Inference System(ANFIS).【期刊名称】《计算机工程与应用》【年(卷),期】2013(000)019【总页数】4页(P242-245)【关键词】交通事件检测;模糊C均值聚类;减法聚类;自适应神经模糊推理;ROC曲线【作者】姚磊;刘渊【作者单位】江南大学物联网工程学院，江苏无锡 214122;江南大学数字媒体学院，江苏无锡 214122【正文语种】中文【中图分类】TP39交通事件[1]是指导致道路通行能力下降或交通需求不正常升高的非周期性发生的情况，事件一般可分为可预测的和不可预测的两类。

基于ANFIS模型对汽车信号的预测

基于ANFIS模型对汽车信号的预测
陆兵焱;朱会田;王远
【期刊名称】《科技信息（学术版）》
【年(卷),期】2011(000)013
【摘要】自适应神经模糊推理系统（ANFIS）是进行预测决策的有效方法,论文基于ANFIS模型对汽车信号进行了预测。

通过与回归分析法进行比较,证明该方法在汽车信号的预测中具有很高的精度。

【总页数】2页(P455-455,640)
【作者】陆兵焱;朱会田;王远
【作者单位】中国人民解放军汽车管理学院装备技术系,安徽蚌埠233011;中国人民解放军汽车管理学院装备技术系,安徽蚌埠233011;中国人民解放军汽车管理学院装备技术系,安徽蚌埠233011
【正文语种】中文
【中图分类】TK223.13
【相关文献】
1.基于ANFIS系统和汽车消费需求因素的汽车销量预测 [J], 曹也
2.基于ANFIS的超短期风电出力预测模型及仿真 [J], 高骞; 程霄; 沙宇恒; 于海波
3.基于ANFIS的电气火灾预测模型 [J], 曹汉清;杨永媛;韦丽影;顾朗;魏宇峰
4.基于EMD-LSTM-ANFIS模型的年径流预测研究 [J], 胡顺强;崔东文
5.基于DPSO-ANFIS的大坝变形预测模型 [J], 马广臣;杨杰;程琳;宋锦焘
因版权原因，仅展示原文概要，查看原文内容请购买。

基于神经网络的车辆制动预测

和偏置。
梯度下降算法
梯度下降算法是一种优化算法，它通过迭代地更新权重和偏置来最小化损失函数。
Adam算法
Adam算法是一种自适应学习率的优化算法，它通过计算梯度的一阶矩估计和二阶矩估计来调整每个参数的学习率。
03 车辆制动系统概述
车辆制动系统构成
制动器
车辆制动器是制动系统中最重要的组成部分，它可以将车辆的动能转化为热能，从而实现减速或停车。
过拟合。
B
C
D
模型测试
使用测试集对最终优化后的模型进行测试，评估模型的泛化能力。
模型评估
使用验证集评估模型的性能，调整超参数以优化模型。常见的超参数包括学习率、批次大小、隐藏层大小等。
05 实验与结果分析
数据采集与处理
数据采集
从车辆运行数据中采集与制动相关的特征，如车速、距离、加速度等。
神经网络结构
神经网络由多个神经元组成，每个神经元接收输入信号并输出到下一个神经元，不同的神经元组合形成不同的网络结构。
神经网络模型分类
前馈神经网络
前馈神经网络是最常见的神经网络类型，它包含多个隐藏层和输出层，每个隐藏层都由多个神经
元组成。
反馈神经网络
反馈神经网络是一种包含反馈连接的神经网络，这种网络可以更
模型优化建议与展望
01
优化建议
为了进一步提高基于神经网络的车辆制动预测模型的准确性和鲁棒性，
以下建议值得关注
02
丰富和优化数据集
通过收集更多类型和场景下的车辆制动数据，以及利用多种数据源，提
高数据质量和多样性，有助于训练出更强大的模型。
03
引入更先进的神经网络结构和技术
例如，卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆

基于ANFIS和减法聚类的动力电池放电峰值功率预测

274
电工技术学报
2015 年 2 月
图 3 中，x, y 是系统的两个输入，f 为推理系统的输出，均为可提供的数据组。其典型模糊推理规则为：规则 R1 ： If x is A1 and y is B1， Then f1=p 1x+ q 1y+r1。规则 R2 ： If x is A2 and y is B2， Then f2=p 2x+ q 2y+r2。从图 1 可以看出， ANFIS 网络结构分为五层，网络同一层的每个节点具有相似的功能，用 O 1,i 表示第一层第 i 个节点的输出，依此类推。第一层：这一层的节点是自适应节点，以节点函数表示，作用是将输入信号模糊化，确定给定输入满足相应模糊集的程度。节点 i 具有输出函数 [6]
减法聚类法减法聚类（ Subtractive Clustering, SC）算法 [7,8]
是一种用来估计一组数据中的聚类个数以及聚类中心位置的快速实用的单次算法。减法聚类方法将每个数据点都作为可能的聚类中心，然后根据各个数据点周围的数据点密度来计算该点作为聚类中心的可能性。被选为聚类中心的数据点周围具有最高的数据点密度，同时该数据点附近的数据点就被排除作为聚类中心的可能性。在选出第一个聚类中心后，从剩余的可能作为聚类中心的数据点中，继续用类似方法选择下一个中心，直至所有剩余数据点作为聚类中心的可能性低于设定的阈值 [9,10] 。假设所有数据点位于一个单位超立方体内，即各维的坐标都在 0～ 1 之间，通常指定数据向量的每一维坐标上聚类中心的影响范围在 0.2 ～ 0.5。定义数据点 Xi 的密度为
Fig.2 图2 模糊控制系统的基本结构 The basic structure of fuzzy control system Fig.1 图1 功率预测流程图

基于ANFIS模型隧道交通量预测研究

基于ANFIS模型隧道交通量预测研究赵忠杰;师虹【摘要】交通量预测作为隧道通风照明控制节能的一个重要环节,对通风控制可以实现超前控制,从而节省部分电能,因此针对如何实现准确的交通量预测提出一种基于Takagi-Sugeno模型的ANFIS自适应模糊神经推理系统,它是以历史数据作为输入数据,利用模糊系统和神经系统相结合的优势对隧道小时交通量进行高精度的预测,利用Matlab软件建立ANFIS预测模型,作为对比,同时利用小波神经网络预测方法对同样数据进行训练,再对两种不同的预测性能加以对比分析,结果表明ANFIS(自适应神经模糊推理系统)的方法预测精度更高,有一定的现实意义.【期刊名称】《自动化与仪表》【年(卷),期】2018(033)011【总页数】5页(P95-99)【关键词】ANFIS模型;交通量;预测;Matlab;小波神经网络【作者】赵忠杰;师虹【作者单位】长安大学电子与控制工程学院,西安 710064;长安大学电子与控制工程学院,西安 710064【正文语种】中文【中图分类】TP312随着我国隧道数量的增多，隧道通风与照明的用电量越来越大，使得投资运营费用也越来越高，所以隧道节能迫在眉睫。

而且交通量是通风控制的决定性因素，由于实时通风控制具有一定的时滞性，交通量的预测就显得尤为重要。

有很多学者对隧道通风控制和照明控制提出了很多节能方法，以此来减少隧道的污染和能耗，但是这些控制方法都是建立在交通量预测的前提下提出的[1]。

由于交通流显著的特点就是具有高度非线性和不确定性，所以本文选取ANFIS（自适应神经模糊推理系统）模型来克服一般的预测方法过程复杂、成本高、非线性适用度的问题，它把神经网络的自组织、自学习和自适应能力强的特点和模糊推理系统的经验性、主观思想以及它的方便性很好的结合起来，既很好的发挥了自己的优势，同时又弥补了各自的不足，而且这种预测模型仅仅是通过对大量历史数据的学习就可以确定最佳隶属度函数以及对模糊规则，不像经验法那样片面，与传统的模糊控制器设计很有优势，通过不断的训练与自适应能力解决上述问题，可以很好的于隧道交通量的预测[2]。

基于多工况ANFIS模型的高速动车组运行速度控制

基于多工况ANFIS模型的高速动车组运行速度控制付雅婷;杨辉【摘要】高速动车组运行环境复杂多变,其运行过程需在牵引、制动和惰行工况中多次切换,难以建立有效的控制模型实现动车组安全、正点、高效运行.借鉴ANFIS 在复杂系统建模的优势,结合动车组牵引/制动特性曲线和实际运行数据,建立高速动车组运行过程多工况ANFIS模型,设计相应的动车组运行速度控制器.与基于全局ANFIS模型和基于线性多模型的控制对比试验表明:基于多工况ANFIS模型的高速动车组运行控制具有更高的精度和控制效果,保障了动车组在各种工况下的安全运行.【期刊名称】《铁道学报》【年(卷),期】2019(041)004【总页数】8页(P33-40)【关键词】高速动车组;多工况模型;自适应神经模糊推理系统;运行速度控制【作者】付雅婷;杨辉【作者单位】华东交通大学电气与自动化工程学院,江西南昌330013;华东交通大学江西省先进控制与优化重点实验室,江西南昌 330013;华东交通大学电气与自动化工程学院,江西南昌330013;华东交通大学江西省先进控制与优化重点实验室,江西南昌 330013【正文语种】中文【中图分类】U260.36高速动车组是一个由多个工况组成的具有非线性和时变性的复杂系统。

对其运行过程进行准确控制是提高运行性能的重要手段之一。

现有的高速动车组运行控制主要是基于ATP(列车自动防护系统)的人工操作模式，由于高速动车组运行过程需在牵引、制动和惰行工况中多次切换，动车组的运行性能依赖驾驶员的操作技术，容易引起不可预期的速度波动。

因此，针对高速动车组运行特性，建立有效的高速动车组运行过程模型和设计有效的运行控制方法已成为高铁自动驾驶系统的发展趋势[1-3]。

对于高速动车组运行过程的建模，传统的建模方法主要采用机理建模[4-5]，其模型的单一性，模型参数的不变性在很大程度上满足不了描述高速动车组运行动态的要求。

数据驱动建模是利用数据挖掘技术寻找数据之间的有用信息，建立更具体、更明确的函数表达形式来描述输入与输出之间的关系。