检索结果-内蒙古大学图书馆

第30届中国过程控制会议（CPCC 2019）

作者：贾丽杰李文静乔俊飞北京工业大学信息学部北京工业大学计算智能与智能系统北京市重点实验室

针对RBF神经网络在利用K-means算法进行学习时初始聚类中心难以确定,造成网络学习速度慢,分类精度不高等问题。本文提出了一种基于Canopy-Kmeans(CK)聚类算法的RBF神经网络的学习方法。首先利用Canopy算法对数据进行粗聚类,将得到的中... 详细信息

针对RBF神经网络在利用K-means算法进行学习时初始聚类中心难以确定,造成网络学习速度慢,分类精度不高等问题。本文提出了一种基于Canopy-Kmeans(CK)聚类算法的RBF神经网络的学习方法。首先利用Canopy算法对数据进行粗聚类,将得到的中心作为K-means的初始聚类中心,然后再利用K-means聚类算法对神经网络的隐层中心参数进行学习。利用非线性函数逼近、多个UCI公开数据集分类和污水处理中BOD浓度预测三个实验对算法的有效性进行验证,结果表明,基于CK算法的RBF网络学习速度快,分类精度高,泛化能力强,网络性能良好。

关键词： RBF神经网络 Canopy算法 K-means算法函数逼近 UCI数据集 BOD浓度预测

来源：评论

学校读者我要写书评

暂无评论

智能交通中的出租车违章行为自动检测系统

智能交通中的出租车违章行为自动检测系统

引用

中国自动化学会智能建筑与楼宇自动化专业委员会2019年年会

作者：贾克斌黄训平聂文真北京工业大学信息学部先进信息网络北京实验室计算智能与智能系统北京市重点实验室

伴随现代智能城市建设进程的加速，人们在享受更加便捷出行条件的同时，出租车数量也与日俱增，导致违章运营行为倍增，亟需开展智能交通技术研究来提升执法效率。本文针对复杂交通场景设计一套出租车违章行为自动检测系统，系统首先基... 详细信息

伴随现代智能城市建设进程的加速，人们在享受更加便捷出行条件的同时，出租车数量也与日俱增，导致违章运营行为倍增，亟需开展智能交通技术研究来提升执法效率。本文针对复杂交通场景设计一套出租车违章行为自动检测系统，系统首先基于Haar-Adaboost算法对出租车进行识别，其次利用多种行为特征分别对车牌遮档和吸烟行为判定，查准率均在85％以上。

关键词：智能城市违章运营智能交通自动检测

来源：评论

学校读者我要写书评

暂无评论

一种球形轮机器人双闭环非线性PID控制方法

引用

中国科技论文 2018年第20期13卷 2301-2308,2322页

作者：阮晓钢刘桐北京工业大学信息学部北京100124 北京工业大学计算智能与智能系统北京市重点实验室北京100124

以球轮自平衡移动机器人为研究对象,利用Adams建立机器人的虚拟样机模型,针对机器人的姿态平衡控制以及轨迹跟踪控制,提出了一种双闭环非线性PID控制策略;在MATLAB/Simulink中建立了机器人的控制系统,利用Adams和MATLAB实现对机器人的... 详细信息

以球轮自平衡移动机器人为研究对象,利用Adams建立机器人的虚拟样机模型,针对机器人的姿态平衡控制以及轨迹跟踪控制,提出了一种双闭环非线性PID控制策略;在MATLAB/Simulink中建立了机器人的控制系统,利用Adams和MATLAB实现对机器人的联合仿真。仿真结果表明,所提出的控制策略相比传统线性PID控制策略,可以有效地减少零点振荡,且具有较强的稳定性,可以使球轮自平衡机器人在平面进行直线位移运动。

关键词：球轮自平衡机器人虚拟现实技术双闭环控制 PID控制

来源：评论

学校读者我要写书评

暂无评论

基于MRMR-PSO的递归模糊神经网络PM2.5预测模型

引用

计算机与应用化学 2018年第10期35卷 783-791页

作者：周杉杉李文静乔俊飞北京工业大学信息学部北京市100124 计算智能与智能系统北京市重点实验室北京市100124

针对PM2.5浓度预测中存在的特征变量之间关系复杂、信息冗余问题,提出了一种基于互信息最大相关最小冗余(maximum relevance-minimum redundancy,MRMR)准则结合粒子群优化算法(particle swarm optimization,PSO)的混合特征选择算法,并... 详细信息

针对PM2.5浓度预测中存在的特征变量之间关系复杂、信息冗余问题,提出了一种基于互信息最大相关最小冗余(maximum relevance-minimum redundancy,MRMR)准则结合粒子群优化算法(particle swarm optimization,PSO)的混合特征选择算法,并采用所设计的递归模糊神经网络(recurrent fuzzy neural network,RFNN)为预测模型实现PM2.5浓度预测。首先根据MRMR准则对变量的互信息进行计算并排序,过滤掉一些相关性小的特征。然后将PSO优化算法与RFNN预测模型结合,以RFNN的预测精度作为PSO的适应度函数在过滤得到的特征中选择出最优特征子集,作为RFNN模型的输入变量。将该方法用于PM2.5浓度预测实验,与3种不同特征选择算法的结果进行对比,基于互信息和PSO混合特征选择方法的RFNN预测模型利用最少的特征获得了最小的预测误差,说明该方法能够有效地用于PM2.5浓度预测。

关键词： PM2.5 互信息 PSO优化模糊神经网络

来源：评论

学校读者我要写书评

暂无评论

基于改进粒子群优化BP_Adaboost神经网络的PM_(2.5)浓度预测

引用

大连理工大学学报 2018年第3期58卷 316-323页

作者：李晓理梅建想张山北京工业大学信息学部北京100124 计算智能与智能系统北京市重点实验室北京100124 数字社区教育部工程研究中心北京100124

为了提高大气污染物浓度预测精度,采用灰色关联分析选取影响大气中PM_(2.5)浓度的主要因子,并以此作为神经网络输入变量,建立一种基于BP_Adaboost神经网络的PM_(2.5)浓度预测模型.用改进粒子群算法来选择BP_Adaboost神经网络权重和阈值... 详细信息

为了提高大气污染物浓度预测精度,采用灰色关联分析选取影响大气中PM_(2.5)浓度的主要因子,并以此作为神经网络输入变量,建立一种基于BP_Adaboost神经网络的PM_(2.5)浓度预测模型.用改进粒子群算法来选择BP_Adaboost神经网络权重和阈值,可以有效避免神经网络在训练时陷入局部最优解.根据北京市海淀区万柳监测站和朝阳区北京工业大学监测点每小时监测的大气污染物浓度和气象条件,分别选择2014-11-01~2014-11-25和2017-07-07~2017-08-06数据作为实验研究对象.仿真结果表明,在PM_(2.5)浓度预测中,相比于BP_Adaboost、BP和广义回归神经网络3种预测模型,改进粒子群优化BP_Adaboost神经网络预测性能更优.

关键词：灰色关联分析 BP_Adaboost神经网络 PM2.5浓度预测模型改进粒子群算法

来源：评论

学校读者我要写书评

暂无评论

基于PLS-M5P模型的PM_(2.5)浓度预测

引用

计算机与应用化学 2018年第12期35卷 959-970页

作者：李建更吴水生北京工业大学电控学院信息学部北京100124 计算智能与智能系统北京市重点实验室北京100124

当前我国空气污染形势日益严峻,空气质量的急剧下降致使人们的身体健康受到严重地危害,同时也妨碍了社会和经济的可持续发展。对PM_(2.5)浓度进行预测,从而监督空气污染状况,防止严重污染的发生受到我国及世界各国人民的广泛关注。因此... 详细信息

当前我国空气污染形势日益严峻,空气质量的急剧下降致使人们的身体健康受到严重地危害,同时也妨碍了社会和经济的可持续发展。对PM_(2.5)浓度进行预测,从而监督空气污染状况,防止严重污染的发生受到我国及世界各国人民的广泛关注。因此提出有效的模型对PM_(2.5)浓度进行准确预测成为时下一个重要问题。本文提出了PLS-M5P(Partial Least Square-M5P)模型用于PM_(2.5)浓度预测。实验结果表明,在空气质量预测方面,与传统的预测模型如BP神经模型相比,PLS-M5P模型树有以下几个优势:(1)能提供直观的数学方程,并能够从获得的数学方程中更深入地理解预测结果。(2)使用PLS-M5P模型生成的树状图可以显示因素的重要性,并且树状图的建立能使决策者更清晰地认识预测过程。(3)建模和预测所用时间很短,而且总是收敛的。(4)预测的精度更高。

关键词： PM2.5浓度预测决策树 BP神经网络 PCA-M5P模型 PLS-M5P模型

来源：评论

学校读者我要写书评

暂无评论

基于STM32的步进电机多轴速度控制方法研究与实现

引用

计算机测量与控制 2019年第9期27卷 95-99,108页

作者：王昊天于乃功北京工业大学信息学部北京100124 计算智能与智能系统北京重点实验室北京100124 数字社区教育部工程研究中心北京100124

在机器人多轴电机控制过程中,发现带载情况下如果电机起步速度过快会导致电机堵转问题,很需要一种可以实现电机匀加速的精确控制方法;文章借助于STM32F103,通过其I/O口输出矩形波脉冲序列的方式控制步进电机驱动器或伺服驱动器,从而实... 详细信息

在机器人多轴电机控制过程中,发现带载情况下如果电机起步速度过快会导致电机堵转问题,很需要一种可以实现电机匀加速的精确控制方法;文章借助于STM32F103,通过其I/O口输出矩形波脉冲序列的方式控制步进电机驱动器或伺服驱动器,从而实现对步进电机的位置和速度控制;通过修改定时器值实现梯形加减速轨迹,使步进电机运行具有较好加减速性能;另外,由于STM32F103芯片具有高速定时器,可以通过配置定时器输出和插补运算相结合方法,实现对多轴(多个电机)的控制;该方法对于嵌入式步进电机控制器的开发具有很好的参考价值。

关键词：机器人定时器多路脉冲输出梯型加减速算法步进电机控制器

来源：评论

学校读者我要写书评

暂无评论

一种基于改进型深度学习的非线性建模方法

引用

信息与控制 2018年第6期47卷 680-686页

作者：王盈旭韩红桂郭民北京工业大学信息学部自动化学院北京100124 计算智能与智能系统北京市重点实验室北京100124 数字社区教育部工程研究中心北京100124

围绕非线性系统的建模问题,提出了一种基于改进型深度学习的非线性建模方法.首先,设计了基于高斯径向基函数的深度信念网络训练模型;其次,利用对比分歧算法对径向基函数的权值、中心和宽度进行调整,并利用反向传播对网络连接权值进行优... 详细信息

围绕非线性系统的建模问题,提出了一种基于改进型深度学习的非线性建模方法.首先,设计了基于高斯径向基函数的深度信念网络训练模型;其次,利用对比分歧算法对径向基函数的权值、中心和宽度进行调整,并利用反向传播对网络连接权值进行优化;最后,将获得的改进型深度学习方法应用于非线性系统建模.实验结果验证了该算法的有效性和可行性.

关键词：深度学习非线性建模径向基函数深度信念网络

来源：评论

学校读者我要写书评

暂无评论

基于PLC的乳化液泵定期维护及健康诊断系统设计

基于PLC的乳化液泵定期维护及健康诊断系统设计

引用

第十六届中国航空测控技术年会

作者：孙萱刘鹏宇王凤珍李东旭北京工业大学信息学部先进信息网络北京实验室计算智能与智能系统北京市重点实验室北京工业大学信息化建设与管理中心

在综采工作面,液压支架系统必不可少。液压支架不但要承担工作面强大的作用力,还要能够快速移架,以保障煤炭生产安全、高效。乳化液泵是液压支架系统的动力来源。通过对乳化液泵的关键特征参数的监测,能够在第一时间明确乳化液泵的运行... 详细信息

在综采工作面,液压支架系统必不可少。液压支架不但要承担工作面强大的作用力,还要能够快速移架,以保障煤炭生产安全、高效。乳化液泵是液压支架系统的动力来源。通过对乳化液泵的关键特征参数的监测,能够在第一时间明确乳化液泵的运行状态,保证液压支架系统的安全运行。构建了基于PLC的乳化液泵定期维护及健康诊断系统,实现了乳化液泵的工况特征参数监测、设备和传感器故障诊断、定期维护提醒和故障报警等功能,有效提高了矿井产煤的速度和安全性。

关键词：乳化液泵故障监测健康诊断 PLC

来源：评论

学校读者我要写书评

暂无评论

基于互补集合经验模态分解与支持向量回归的PM_(2.5)质量浓度预测

引用

北京工业大学学报 2018年第12期44卷 1494-1502页

作者：李建更罗奥荣李晓理北京工业大学信息学部北京100124 计算智能与智能系统北京市重点实验室北京100124 数字社区教育部工程研究中心北京100124

针对大气PM_(2.5)质量浓度的非线性和非平稳性的特点,为了提高PM_(2.5)质量浓度的预测精度,采用"分解与整合"的预测方法,建立了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)和支持... 详细信息

针对大气PM_(2.5)质量浓度的非线性和非平稳性的特点,为了提高PM_(2.5)质量浓度的预测精度,采用"分解与整合"的预测方法,建立了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)和支持向量回归(support vector regression,SVR)的混合预测模型(CEEMD-SVR).该模型首先采用CEEMD对PM_(2.5)质量浓度的原始时间序列进行分解,得到若干具有不同时间尺度的相对平稳分量;然后采用SVR算法对各个分量分别进行预测;最后求出各个分量的预测值之和,作为原始PM_(2.5)质量浓度的预测结果.选取北京市海淀区万柳监测站点2014年3月1日—2015年4月30日的PM_(2.5)日均质量浓度以及北京市怀柔监测站点2014年5月1日—2015年4月30日的PM_(2.5)日均质量浓度作为实验样本集.研究结果与EEMD-SVR、EMD-SVR和单一SVR模型进行对比,表明CEEMD-SVR模型有效提高了PM_(2.5)质量浓度的预测精度.

关键词： PM2.5 非线性分解与整合互补集合经验模态分解(CEEMD) 支持向量回归(SVR) 混合预测模型

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：