freepeople性欧美熟妇, 色戒完整版无删减158分钟hd, 无码精品国产vα在线观看DVD, 丰满少妇伦精品无码专区在线观看,艾栗栗与纹身男宾馆3p50分钟,国产AV片在线观看,黑人与美女高潮,18岁女RAPPERDISSSUBS,国产手机在机看影片

正文內(nèi)容

基于模糊神經(jīng)網(wǎng)絡(luò)的駝峰推峰速度自動(dòng)控制系統(tǒng)的研究交通信息工程及控制碩士論文最終版-資料下載頁

2024-12-06 05:25本頁面

【導(dǎo)讀】或證書而使用過的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論。文中作了明確的說明并表示了謝意。學(xué)位論文作者簽名:簽字日期:。通大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定。特授權(quán)蘭州交通大學(xué)可以將學(xué)位論。手段保存、匯編以供查閱和借閱。同意學(xué)校向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)。駝峰是完成貨物列車解體作業(yè)和重新編組作業(yè)的核心設(shè)備。現(xiàn)代自動(dòng)化駝峰系統(tǒng)中應(yīng)該包。溜放速度的自動(dòng)控制、編組站信息綜合處理系統(tǒng)等主要技術(shù)設(shè)備。來進(jìn)行研究,就能實(shí)現(xiàn)駝峰作業(yè)的整體優(yōu)化。隨著編組站的作業(yè)量得增加,在現(xiàn)有的基礎(chǔ)之上發(fā)揮出駝峰更大的效率,駝。粗略判斷,通常能夠給出一個(gè)比較合適、比較精確的推峰速度。究駝峰推峰速度和實(shí)時(shí)推峰速度。分析和總結(jié),之后提出了用模糊神經(jīng)網(wǎng)絡(luò)來研究駝峰推峰。練,自動(dòng)生成模糊控制規(guī)則。這兩個(gè)模型結(jié)合了神經(jīng)網(wǎng)絡(luò)和模糊控制的優(yōu)點(diǎn),將。實(shí)現(xiàn)模型的自適應(yīng),從而實(shí)現(xiàn)對(duì)控制對(duì)象的較好地控制。

  

【正文】 中輸入分量通過與和它相乘的權(quán)值分量相連,以的形式求和后,形成激活函數(shù)的輸入。激活函數(shù)的另一個(gè)輸入是神經(jīng)元的偏差 b。權(quán)值 Wj 和輸入 Pj 的矩陣形式可以由 W 的行矢量以及 P 的列矢量來表示: W [w1 w2 wr], P [p1 p2 pr]。神經(jīng)元模型的輸出矢量可由式 表示。 可以看出偏差被簡單的加在 W*P 上作為激活函數(shù)的另一個(gè)輸入分量,實(shí)際上偏差也是一個(gè)權(quán)值,只是它具有固定常數(shù)為 1 的輸入。在網(wǎng)絡(luò)的設(shè)計(jì)中,偏差起著重要的作用,它使得激活函數(shù)的圖形可以左右移動(dòng)而增加了解決問題的可能性。 神經(jīng)元模型有多種激活函數(shù),它們具有突變型和飽和性,反映了神經(jīng)元的沖動(dòng)、興奮和抑制。常用的激活函數(shù)有以下三種類型。 1 閾值函數(shù)型 閾值函數(shù)為離散輸出,不可微,屬于階躍類函數(shù),多用于判斷輸入是否超過閾值。其表達(dá)式如式 所示。 2 S 型函數(shù) S 型函數(shù)平滑、可微,而且對(duì)輸入信號(hào)有一個(gè)很好的增益控制。常用的 S 型函數(shù)有 gauss、雙曲和 Sigmoid 等。如果取雙曲函數(shù),其可將任意輸入信號(hào)壓縮到( 1,1)范圍內(nèi),函數(shù)數(shù)學(xué)表達(dá)如式 所示。 其中, c 為常數(shù)。 3 分段線性函數(shù)型 分段線性函數(shù)型類似于一個(gè)限幅的線性放大器。此類函數(shù)不可微,也屬于階躍類函數(shù)。數(shù)學(xué)表達(dá)如式 所示。 神經(jīng)網(wǎng)絡(luò) 的分類 神經(jīng)網(wǎng)絡(luò)模型常見的有三類:前向型,反饋型和自組織型神經(jīng)網(wǎng)絡(luò)。 1 前向神經(jīng)網(wǎng)絡(luò) 前向神經(jīng)網(wǎng)絡(luò)模型包含輸入層、隱含層和輸出層。各神經(jīng)元接受前一層的輸入,并輸出給下一層,沒有反饋 [20]。前向神經(jīng)網(wǎng)絡(luò)的最大特點(diǎn)是有較多的隱層,這樣就保證其能夠無限逼近于任意一個(gè)非線性函數(shù),因此應(yīng)用比較廣泛。 2 反饋神經(jīng)網(wǎng)絡(luò) 反饋神經(jīng)網(wǎng)絡(luò)的所有節(jié)點(diǎn)都是計(jì)算單元,既接收輸入,又向外輸出,網(wǎng)絡(luò)結(jié)構(gòu)中至少包含有一個(gè)反饋回路。最典型的反饋網(wǎng)絡(luò)是 Hopfield 網(wǎng)絡(luò),它還具有尋優(yōu)功能。 3 自組織神經(jīng)網(wǎng)絡(luò) 自組織神經(jīng)網(wǎng)絡(luò)能夠?qū)斎肽J竭M(jìn)行自組織訓(xùn)練和判斷,并最終將其分為不同的類型 [21]。網(wǎng)絡(luò)接收輸入之后,會(huì)分成響應(yīng)特性不同的多個(gè)區(qū)域,不同的神經(jīng)元以最佳方式來響應(yīng)不同的輸入。最典型的自組織神經(jīng)網(wǎng)絡(luò)有 Kohonen網(wǎng)絡(luò)。 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 學(xué)習(xí)能力是神經(jīng)網(wǎng)絡(luò)最大的優(yōu)點(diǎn)。神經(jīng)網(wǎng)絡(luò)的連接權(quán)值的可塑性,使得神經(jīng)網(wǎng)絡(luò)可適應(yīng)不同信息處理的需要 [22]。 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式可分為有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí) [2325]。有導(dǎo)師學(xué)習(xí)需要輸入輸出數(shù)據(jù)對(duì),網(wǎng)絡(luò)接收輸入后,依據(jù)輸出與給 定輸出的誤差而更改內(nèi)部權(quán)值,最后達(dá)到誤差允許范圍,得到最終的網(wǎng)絡(luò)模型,反向傳播學(xué)習(xí)算法 BP 學(xué)習(xí)算法和 WindrowHoff 學(xué)習(xí)算法屬于有導(dǎo)師學(xué)習(xí)算法。無導(dǎo)師學(xué)習(xí)的網(wǎng)絡(luò)在初始狀態(tài)下,連接權(quán)值均設(shè)置為一小正數(shù),通過反復(fù)加載這批數(shù)據(jù),使網(wǎng)絡(luò)不斷受到刺激,當(dāng)與曾經(jīng)歷的刺激相同的刺激到來時(shí),響應(yīng)連接權(quán)以某一系數(shù)增大,重復(fù)加入的同樣刺激使響應(yīng)的連接權(quán)增大到接近 1 的某值 [26]。常用的無導(dǎo)師學(xué)習(xí)算法有 Hebb 算法、競(jìng)爭與協(xié)同學(xué)習(xí)算法和隨機(jī)學(xué)習(xí)算法等。 模糊神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)元網(wǎng)絡(luò)與建立在模糊理論基礎(chǔ)上的模糊系 統(tǒng),都是通過自適應(yīng)的動(dòng)態(tài)方法來得到某些非線性控制問題的解 [27]。模糊控制和神經(jīng)網(wǎng)絡(luò)同屬人工智能,均具有對(duì)方不具備的優(yōu)缺點(diǎn),有互補(bǔ)性,將二者相結(jié)合,構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以拓寬處理問題的范圍。 模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)通常由模糊控制器和一個(gè)神經(jīng)網(wǎng)絡(luò)組成。模糊控制器采用的模糊推理規(guī)則,需要從經(jīng)驗(yàn)中產(chǎn)生。神經(jīng)網(wǎng)絡(luò)為模糊控制器提供了良好的學(xué)習(xí)功能,為模糊控制系統(tǒng)增強(qiáng)了學(xué)習(xí)功能。 LiXin Wang利用 StoneWeirstrass定理證明了模糊系統(tǒng)實(shí)際上是一個(gè)萬能逼近器 [28],它表明存在一個(gè)高斯型模糊系統(tǒng), 能在任意精度上逼近任意給定的函數(shù),多層前饋神經(jīng)網(wǎng)絡(luò)能夠很好的任意逼近一連續(xù)函數(shù) [29]。 小結(jié) 本章介紹了模糊理論、神經(jīng)網(wǎng)絡(luò)的基本概念及其基本原理,分析了各自的優(yōu)缺點(diǎn),為后面采用模糊神經(jīng)網(wǎng)絡(luò)的方法來解決駝峰推峰速度的自動(dòng)控制提供了理論基礎(chǔ)。 4 駝峰推峰速度的模糊神經(jīng)網(wǎng)絡(luò)模型 鉤車的推峰過程是一個(gè)復(fù)雜的、受多種因素制約的非線性過程,由于推峰過程的實(shí)時(shí)性和鉤車走行狀態(tài)的不確定性,使得推峰速度的模型的建立和求解存在困難。 如第一章所述,我國目前的自動(dòng)化駝峰中所使用的推峰速度確定方 法為操作人員憑經(jīng)驗(yàn)人工確定或者根據(jù)平滑速度算法進(jìn)行確定。對(duì)于操作人員憑人工經(jīng)驗(yàn)確定的方式,因?yàn)椴煌牟僮魅藛T的主觀經(jīng)驗(yàn)不同,而且同一個(gè)操作人員的主觀經(jīng)驗(yàn)也有不斷增加和豐富的過程,所以通過這種方法確定的推峰速度不是很精確,往往達(dá)不到最優(yōu)推峰速度。采用平滑速度算法雖避免了一定的主觀性,但此種算法求得的推峰速度并不能保證駝峰調(diào)機(jī)的整個(gè)推峰過程為最優(yōu)狀態(tài),同時(shí)推峰速度并不能隨前一鉤車溜放狀態(tài)的變化而實(shí)時(shí)變化。 隨著模糊控制技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)研究的不斷深入,將模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行融合,能夠構(gòu)造出一種可自 適應(yīng)或者自學(xué)習(xí)的模糊神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)同時(shí)具有模糊邏輯和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn),利用模糊神經(jīng)網(wǎng)絡(luò)可以將知識(shí)的表示、存儲(chǔ)及推理三者融為一體,在知識(shí)獲取、自適應(yīng)學(xué)習(xí)、聯(lián)想推理等方面顯示出了明顯的優(yōu)越性。文獻(xiàn) [30]和 [31]提出了三種模糊神經(jīng)網(wǎng)絡(luò),連接權(quán)值在這三種模糊神經(jīng)網(wǎng)絡(luò)中有重要的意義。對(duì)于模型不能夠被很精確地建立的情況下,我們可以利用模糊神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能,通過對(duì)學(xué)習(xí)樣本進(jìn)行學(xué)習(xí),自動(dòng)獲取模糊規(guī)則,并調(diào)整隸屬函數(shù)的參數(shù),從而構(gòu)造更為精確的控制系統(tǒng)。實(shí)踐證明,模糊神經(jīng)網(wǎng)絡(luò)對(duì)多變量、時(shí)變性的非線性系統(tǒng)具有良好的 控制效果 [32,33]。由于駝峰推峰過程正是這種受多因素影響的、時(shí)變的非線性過程,所以我們可以應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)求取駝峰的最優(yōu)推峰速度,同時(shí)再由另一個(gè)模糊神經(jīng)網(wǎng)絡(luò)對(duì)推峰速度進(jìn)行實(shí)時(shí)控制,求得實(shí)時(shí)推峰速度。 最優(yōu)推峰速度的決定因素 為了能夠求得當(dāng)前鉤車的最優(yōu)推峰速度,我們需要研究影響鉤車最優(yōu)推峰速度的各種因素。 鉤車的最優(yōu)推峰速度受當(dāng)前鉤車及前行鉤車的走行性能、鉤車長度、分歧道岔位置距離、駝峰場(chǎng)狀況和氣候等多個(gè)因素的影響,這些因素中的一些因素不僅有突發(fā)性和離散性,而且因素相互之間還具有一 定的耦合,這樣就使鉤車的最優(yōu)推峰速度的求解變得比較復(fù)雜。下面我們確定了幾個(gè)對(duì)最優(yōu)推峰速度有很大影響的因素。 前后鉤車的分鉤點(diǎn)位置差值 前后鉤車的分鉤點(diǎn)位置差就是前行鉤車的分鉤點(diǎn)位置減去當(dāng)前鉤車的分鉤點(diǎn)的位置差值。眾所周知,由鉤車的脫鉤位置差值和脫鉤時(shí)間差值所造成的峰頂間隔是形成當(dāng)前鉤車和前行鉤車在溜放過程中的合理安全時(shí)間間隔的主要因素。峰頂間隔越大,最優(yōu)推峰速度就可以適當(dāng)?shù)募哟螅粗?,則減小。而峰頂間距主要由前行鉤車和當(dāng)前鉤車的長度及各自的脫鉤位置決定。鉤車的長度對(duì)于一個(gè)特定的系統(tǒng)來說,是固定的,這樣就由鉤 車長度所造成的峰頂間距是固定的;而前行鉤車和當(dāng)前鉤車的脫鉤位置則是變化的。如果當(dāng)前鉤車的脫鉤位置越靠近于溜放入口,最優(yōu)推峰速度就必須減小,而如果脫鉤位置遠(yuǎn)離溜放入口,則最優(yōu)推峰速度可以適當(dāng)?shù)募哟蟆? 2 走行性能和鉤車長度引起的走行差異時(shí)間 走行性能又名難易組合狀況。如果前行鉤車是難行車,當(dāng)前鉤車是易行車,這樣就必須降低最優(yōu)推峰速度;反之如果前行鉤車是易行車,后續(xù)鉤車是難行車,就可以適當(dāng)提高最優(yōu)推峰速度。走行性能對(duì)鉤車最優(yōu)推峰速度的影響可以反映到間隔時(shí)間上面。 鉤車長度在特定序列的鉤車運(yùn)行中是固定不變的, 但其對(duì)推峰速度的影響是比較大的。如果我們假定調(diào)機(jī)以恒定速度 V0 推峰時(shí),車組的長度就決定了相鄰鉤車通過峰頂?shù)拈g隔時(shí)間 t0;這些變量之間滿足式 。 其中, ln, ln1 為第 n, n1 鉤車的長度。 從式 中可以看出,鉤車越長,推峰速度越高。同走行性能一樣,我們也可以把鉤車長度對(duì)最優(yōu)推峰速度的影響反映到時(shí)間上面,用差異時(shí)間來表示。 3 前行鉤車的推峰速度值 最優(yōu)推峰速度需要滿足相鄰鉤車之間的時(shí)間間隔最短,即滿足,而 x 和 y則滿足式 和式 。 其中,為當(dāng)前鉤車從脫鉤位置到軌道電路始端的平均速度; l 為軌道電路的長度; L2 為當(dāng)前鉤車從脫鉤位置到道岔軌道電路的始端的距離; L1 為前行鉤車從脫鉤位置到道岔軌道電路的始端的距離;為前行鉤車從脫鉤位置到出清道岔軌道電路區(qū)段的平均速度。 從式 和 可知,當(dāng)前行鉤車速度越大, x 越小,為達(dá)到最優(yōu)時(shí)間間隔, y 就越小,從而當(dāng)前鉤車的速度就必須提高;反 之,前行鉤車的推峰速度越小,為達(dá)到最優(yōu)時(shí)間間隔,當(dāng)前鉤車的最優(yōu)推峰速度就需要減小。 4 前行鉤車分歧道岔位置距離主體信號(hào)機(jī)的距離 從式 和式 可知,如果相鄰鉤車的共同走行距離增大,就需要適當(dāng)?shù)慕档彤?dāng)前鉤車的推峰速度,反之則提高。 5 風(fēng)力和風(fēng)向 風(fēng)力和風(fēng)向是環(huán)境因素里面對(duì)鉤車的走行影響最大的。在我國北方一些站場(chǎng)的春季或冬季,有時(shí)風(fēng)力較大,對(duì)鉤車的走行造成不小影響,甚至成為影響車輛走行的主要因素之一 [34]。順風(fēng)對(duì)鉤車起推力作用;逆風(fēng)對(duì)鉤車起阻力作用;風(fēng)力越大,影響就越大。 推峰速度自動(dòng)控制系統(tǒng)模型的建立 推峰速度自動(dòng)控制系統(tǒng)的模型如圖 所示。 系統(tǒng)中各模塊的功能如下: 1 數(shù)據(jù)信息采集模塊 數(shù)據(jù)信息,主要是指操作員用來進(jìn)行判斷決策的信息,包括靜態(tài)數(shù)據(jù)和動(dòng)態(tài)數(shù)據(jù)。車組長度、負(fù)載狀況、車型、分鉤點(diǎn)位置、前鉤車的脫鉤速度值和調(diào)機(jī)的走行性能等。數(shù)據(jù)信息采集到鉤車的信息之后將信息傳送給最優(yōu)推峰速度模塊。 2 最優(yōu)推峰速度模塊 最優(yōu)推峰速度模塊是推峰速度自動(dòng)控制系統(tǒng)的重要部分。最優(yōu)推峰速度模塊根據(jù)信息采集模塊傳送過來的車組的走行性能、分鉤點(diǎn)的位置、走行性能差異、 相鄰鉤車的鉤車長度和相鄰鉤車的分歧道岔的位置等信息來確定最優(yōu)推峰速度,然后將此速度傳給列車上的實(shí)時(shí)速度模塊。 3 實(shí)時(shí)速度模塊 實(shí)時(shí)速度模塊接收到最優(yōu)推峰速度值之后,根據(jù)安全時(shí)間間隔、駝峰調(diào)機(jī)的走行性能等信息來計(jì)算出實(shí)時(shí)推峰速度。與傳統(tǒng)的只給定最大推峰速度的方式相比較,實(shí)時(shí)推峰速度更為符合現(xiàn)場(chǎng)的實(shí)際情況,因此也具有更好的控制效果。 如圖 所示,系統(tǒng)的工作過程是這樣的:測(cè)速裝置測(cè)出前鉤車的速度信息,計(jì)算影響推峰速度的幾個(gè)主要因素,將這些信息傳輸?shù)侥:K,對(duì)這些因素進(jìn)行模糊化處理,求得其對(duì)應(yīng) 各模糊子集的隸屬度,將這些隸屬度作為動(dòng)態(tài)模糊推理的輸入,經(jīng)過動(dòng)態(tài)模糊推理網(wǎng)絡(luò)進(jìn)行推理,決策后輸出相應(yīng)的模糊輸出,然后經(jīng)過去模糊化處理后得到精確的推峰速度,將該推峰速度傳輸給實(shí)時(shí)速度計(jì)算模塊,得出最終的走行速度,最后將最大推峰速度和實(shí)時(shí)走行速度通過GSMR 傳輸通道傳輸?shù)秸{(diào)機(jī)上的微機(jī)進(jìn)行顯示,操作人員看到實(shí)時(shí)走行速度后,改變調(diào)機(jī)的走行速度。 圖 控制框圖 這個(gè)模型跟傳統(tǒng)推峰的不同之處在于采用了實(shí)時(shí)推峰速度模塊,傳統(tǒng)的推峰方法的最大缺陷就是只給出最大的推峰速度,而并未給出參考調(diào)機(jī)走行性能后的鉤車實(shí)時(shí)推峰速 度。這里我們要解決的重點(diǎn)問題有兩個(gè),一個(gè)是最優(yōu)推峰速度的計(jì)算,一個(gè)是實(shí)時(shí)推峰速度的計(jì)算。 基于模糊神經(jīng)網(wǎng)絡(luò)的最優(yōu)推峰速度的計(jì)算 最優(yōu)推峰速度模塊的功能相當(dāng)于一個(gè)模糊控制器,可以用一個(gè)黑箱來表示,如圖 所示。 圖 功能表示 圖 中峰頂間距、前鉤車的推峰速度值、鉤車長度和走行性能引起的差異時(shí)間、相鄰鉤車分歧道岔位置距離,滿足關(guān)系,其中是非線性函數(shù),應(yīng)用模糊神
點(diǎn)擊復(fù)制文檔內(nèi)容
研究報(bào)告相關(guān)推薦
文庫吧 www.dybbs8.com
備案圖鄂ICP備17016276號(hào)-1