在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一。针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neural net...在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一。针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的车辆能耗预测模型。首先分析车辆能耗影响因素并基于Min-Max标准化方法对影响因素矩阵进行归一化处理,然后基于灰狼算法(grey wolf optimization,GWO)优化RBFNN算法隐藏层中心点、高斯函数的宽度和隐含层与输出层连接的权值的训练,最后从横向模型对比和实车实测数据进行模型预测准确度分析。测试结果表明:RBFNN算法预测准确度较传统回归模型提高约12%,整体准确度达到90%以上,能够很好地对城市机动车能耗进行预测。展开更多
文摘在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一。针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的车辆能耗预测模型。首先分析车辆能耗影响因素并基于Min-Max标准化方法对影响因素矩阵进行归一化处理,然后基于灰狼算法(grey wolf optimization,GWO)优化RBFNN算法隐藏层中心点、高斯函数的宽度和隐含层与输出层连接的权值的训练,最后从横向模型对比和实车实测数据进行模型预测准确度分析。测试结果表明:RBFNN算法预测准确度较传统回归模型提高约12%,整体准确度达到90%以上,能够很好地对城市机动车能耗进行预测。
文摘为了提高上肢外骨骼机器人关节的柔性,结合模块化串联弹性驱动器和鲍登线,提出了一种上肢柔性外骨骼机器人。针对鲍登线产生的非线性摩擦、外界未知扰动和模型不确定性,提出了一种基于径向基函数(radial basis function,RBF)神经网络的自适应复合控制器。该控制器采用扰动观测器和RBF神经网络自适应控制器对扰动进行估计和补偿,并通过滑模控制器实现上肢柔性外骨骼机器人的跟踪控制。此外,通过李雅普诺夫理论证明了该控制器的稳定性。仿真结果表明,与传统的比例积分微分(proportional integral differential,PID)控制器和滑模控制器相比,所提控制器具有更好的扰动补偿能力、更高的跟踪控制精度和鲁棒性,实现了对上肢柔性外骨骼机器人的精准跟踪控制。
