1、交通信息工程及控制专业毕业论文 精品论文 基于模糊神经网络的公路隧道通风控制方法研究关键词：隧道通风 模糊神经网络 控制方法 交通量预测摘要：公路隧道通风系统具有很强的非线形特征，传统的线性控制理论难以获得精确的数学模型，因此，模糊控制等现代控制方法成为公路隧道通风控制的趋势，但模糊控制存在隶属函数、控制规则难以确定的问题。 本文将具有强大学习能力的神经网络融合到模糊控制系统中，研究了公路隧道通风的模糊神经控制方法。解决了模糊控制系统本身的学习和适应能力差、模糊变量各语言值隶属函数，控制规则不能随着环境参数(如交通量、基准排放量等)的改变而自动调整和修改等问题。 针对公路隧道通风模糊控制系统，
2、参考了最优规则排序无关，在此基础上修改控制规则，获得了较优的规则库，与常规试凑法相比，大大节省了调整时间，同时利用等价结构的模糊神经网络模型，使其与规则库更好的匹配，反复调整隶属函数和修改控制规则，获得最佳模糊组合。 并且建立了隧道小时交通量预测模型，可以获得任意给定交通量预测模型下的最佳模糊组合，从而实现了最优控制。 提出基于模糊神经网络模型的隧道通风控制方法，能自动修改规则库和调整隶属函数，与单纯的模糊控制方法相比，提高了控制系统的自动化程度，提前预测未来的交通状况，节省了调整时间，降低了电能消耗。正文内容公路隧道通风系统具有很强的非线形特征，传统的线性控制理论难以获得精确的数学模型，因此
3、，模糊控制等现代控制方法成为公路隧道通风控制的趋势，但模糊控制存在隶属函数、控制规则难以确定的问题。 本文将具有强大学习能力的神经网络融合到模糊控制系统中，研究了公路隧道通风的模糊神经控制方法。解决了模糊控制系统本身的学习和适应能力差、模糊变量各语言值隶属函数，控制规则不能随着环境参数(如交通量、基准排放量等)的改变而自动调整和修改等问题。 针对公路隧道通风模糊控制系统，参考了最优规则排序无关，在此基础上修改控制规则，获得了较优的规则库，与常规试凑法相比，大大节省了调整时间，同时利用等价结构的模糊神经网络模型，使其与规则库更好的匹配，反复调整隶属函数和修改控制规则，获得最佳模糊组合。 并且建立
4、了隧道小时交通量预测模型，可以获得任意给定交通量预测模型下的最佳模糊组合，从而实现了最优控制。 提出基于模糊神经网络模型的隧道通风控制方法，能自动修改规则库和调整隶属函数，与单纯的模糊控制方法相比，提高了控制系统的自动化程度，提前预测未来的交通状况，节省了调整时间，降低了电能消耗。公路隧道通风系统具有很强的非线形特征，传统的线性控制理论难以获得精确的数学模型，因此，模糊控制等现代控制方法成为公路隧道通风控制的趋势，但模糊控制存在隶属函数、控制规则难以确定的问题。 本文将具有强大学习能力的神经网络融合到模糊控制系统中，研究了公路隧道通风的模糊神经控制方法。解决了模糊控制系统本身的学习和适应能力差
5、、模糊变量各语言值隶属函数，控制规则不能随着环境参数(如交通量、基准排放量等)的改变而自动调整和修改等问题。 针对公路隧道通风模糊控制系统，参考了最优规则排序无关，在此基础上修改控制规则，获得了较优的规则库，与常规试凑法相比，大大节省了调整时间，同时利用等价结构的模糊神经网络模型，使其与规则库更好的匹配，反复调整隶属函数和修改控制规则，获得最佳模糊组合。 并且建立了隧道小时交通量预测模型，可以获得任意给定交通量预测模型下的最佳模糊组合，从而实现了最优控制。 提出基于模糊神经网络模型的隧道通风控制方法，能自动修改规则库和调整隶属函数，与单纯的模糊控制方法相比，提高了控制系统的自动化程度，提前预测
6、未来的交通状况，节省了调整时间，降低了电能消耗。公路隧道通风系统具有很强的非线形特征，传统的线性控制理论难以获得精确的数学模型，因此，模糊控制等现代控制方法成为公路隧道通风控制的趋势，但模糊控制存在隶属函数、控制规则难以确定的问题。 本文将具有强大学习能力的神经网络融合到模糊控制系统中，研究了公路隧道通风的模糊神经控制方法。解决了模糊控制系统本身的学习和适应能力差、模糊变量各语言值隶属函数，控制规则不能随着环境参数(如交通量、基准排放量等)的改变而自动调整和修改等问题。 针对公路隧道通风模糊控制系统，参考了最优规则排序无关，在此基础上修改控制规则，获得了较优的规则库，与常规试凑法相比，大大节省
7、了调整时间，同时利用等价结构的模糊神经网络模型，使其与规则库更好的匹配，反复调整隶属函数和修改控制规则，获得最佳模糊组合。 并且建立了隧道小时交通量预测模型，可以获得任意给定交通量预测模型下的最佳模糊组合，从而实现了最优控制。 提出基于模糊神经网络模型的隧道通风控制方法，能自动修改规则库和调整隶属函数，与单纯的模糊控制方法相比，提高了控制系统的自动化程度，提前预测未来的交通状况，节省了调整时间，降低了电能消耗。公路隧道通风系统具有很强的非线形特征，传统的线性控制理论难以获得精确的数学模型，因此，模糊控制等现代控制方法成为公路隧道通风控制的趋势，但模糊控制存在隶属函数、控制规则难以确定的问题。
8、本文将具有强大学习能力的神经网络融合到模糊控制系统中，研究了公路隧道通风的模糊神经控制方法。解决了模糊控制系统本身的学习和适应能力差、模糊变量各语言值隶属函数，控制规则不能随着环境参数(如交通量、基准排放量等)的改变而自动调整和修改等问题。 针对公路隧道通风模糊控制系统，参考了最优规则排序无关，在此基础上修改控制规则，获得了较优的规则库，与常规试凑法相比，大大节省了调整时间，同时利用等价结构的模糊神经网络模型，使其与规则库更好的匹配，反复调整隶属函数和修改控制规则，获得最佳模糊组合。 并且建立了隧道小时交通量预测模型，可以获得任意给定交通量预测模型下的最佳模糊组合，从而实现了最优控制。 提出基
9、于模糊神经网络模型的隧道通风控制方法，能自动修改规则库和调整隶属函数，与单纯的模糊控制方法相比，提高了控制系统的自动化程度，提前预测未来的交通状况，节省了调整时间，降低了电能消耗。公路隧道通风系统具有很强的非线形特征，传统的线性控制理论难以获得精确的数学模型，因此，模糊控制等现代控制方法成为公路隧道通风控制的趋势，但模糊控制存在隶属函数、控制规则难以确定的问题。 本文将具有强大学习能力的神经网络融合到模糊控制系统中，研究了公路隧道通风的模糊神经控制方法。解决了模糊控制系统本身的学习和适应能力差、模糊变量各语言值隶属函数，控制规则不能随着环境参数(如交通量、基准排放量等)的改变而自动调整和修改等
10、问题。 针对公路隧道通风模糊控制系统，参考了最优规则排序无关，在此基础上修改控制规则，获得了较优的规则库，与常规试凑法相比，大大节省了调整时间，同时利用等价结构的模糊神经网络模型，使其与规则库更好的匹配，反复调整隶属函数和修改控制规则，获得最佳模糊组合。 并且建立了隧道小时交通量预测模型，可以获得任意给定交通量预测模型下的最佳模糊组合，从而实现了最优控制。 提出基于模糊神经网络模型的隧道通风控制方法，能自动修改规则库和调整隶属函数，与单纯的模糊控制方法相比，提高了控制系统的自动化程度，提前预测未来的交通状况，节省了调整时间，降低了电能消耗。公路隧道通风系统具有很强的非线形特征，传统的线性控制理
11、论难以获得精确的数学模型，因此，模糊控制等现代控制方法成为公路隧道通风控制的趋势，但模糊控制存在隶属函数、控制规则难以确定的问题。 本文将具有强大学习能力的神经网络融合到模糊控制系统中，研究了公路隧道通风的模糊神经控制方法。解决了模糊控制系统本身的学习和适应能力差、模糊变量各语言值隶属函数，控制规则不能随着环境参数(如交通量、基准排放量等)的改变而自动调整和修改等问题。 针对公路隧道通风模糊控制系统，参考了最优规则排序无关，在此基础上修改控制规则，获得了较优的规则库，与常规试凑法相比，大大节省了调整时间，同时利用等价结构的模糊神经网络模型，使其与规则库更好的匹配，反复调整隶属函数和修改控制规则
12、，获得最佳模糊组合。 并且建立了隧道小时交通量预测模型，可以获得任意给定交通量预测模型下的最佳模糊组合，从而实现了最优控制。 提出基于模糊神经网络模型的隧道通风控制方法，能自动修改规则库和调整隶属函数，与单纯的模糊控制方法相比，提高了控制系统的自动化程度，提前预测未来的交通状况，节省了调整时间，降低了电能消耗。公路隧道通风系统具有很强的非线形特征，传统的线性控制理论难以获得精确的数学模型，因此，模糊控制等现代控制方法成为公路隧道通风控制的趋势，但模糊控制存在隶属函数、控制规则难以确定的问题。 本文将具有强大学习能力的神经网络融合到模糊控制系统中，研究了公路隧道通风的模糊神经控制方法。解决了模糊
13、控制系统本身的学习和适应能力差、模糊变量各语言值隶属函数，控制规则不能随着环境参数(如交通量、基准排放量等)的改变而自动调整和修改等问题。 针对公路隧道通风模糊控制系统，参考了最优规则排序无关，在此基础上修改控制规则，获得了较优的规则库，与常规试凑法相比，大大节省了调整时间，同时利用等价结构的模糊神经网络模型，使其与规则库更好的匹配，反复调整隶属函数和修改控制规则，获得最佳模糊组合。 并且建立了隧道小时交通量预测模型，可以获得任意给定交通量预测模型下的最佳模糊组合，从而实现了最优控制。 提出基于模糊神经网络模型的隧道通风控制方法，能自动修改规则库和调整隶属函数，与单纯的模糊控制方法相比，提高了
14、控制系统的自动化程度，提前预测未来的交通状况，节省了调整时间，降低了电能消耗。公路隧道通风系统具有很强的非线形特征，传统的线性控制理论难以获得精确的数学模型，因此，模糊控制等现代控制方法成为公路隧道通风控制的趋势，但模糊控制存在隶属函数、控制规则难以确定的问题。 本文将具有强大学习能力的神经网络融合到模糊控制系统中，研究了公路隧道通风的模糊神经控制方法。解决了模糊控制系统本身的学习和适应能力差、模糊变量各语言值隶属函数，控制规则不能随着环境参数(如交通量、基准排放量等)的改变而自动调整和修改等问题。 针对公路隧道通风模糊控制系统，参考了最优规则排序无关，在此基础上修改控制规则，获得了较优的规则
15、库，与常规试凑法相比，大大节省了调整时间，同时利用等价结构的模糊神经网络模型，使其与规则库更好的匹配，反复调整隶属函数和修改控制规则，获得最佳模糊组合。 并且建立了隧道小时交通量预测模型，可以获得任意给定交通量预测模型下的最佳模糊组合，从而实现了最优控制。 提出基于模糊神经网络模型的隧道通风控制方法，能自动修改规则库和调整隶属函数，与单纯的模糊控制方法相比，提高了控制系统的自动化程度，提前预测未来的交通状况，节省了调整时间，降低了电能消耗。公路隧道通风系统具有很强的非线形特征，传统的线性控制理论难以获得精确的数学模型，因此，模糊控制等现代控制方法成为公路隧道通风控制的趋势，但模糊控制存在隶属函
16、数、控制规则难以确定的问题。 本文将具有强大学习能力的神经网络融合到模糊控制系统中，研究了公路隧道通风的模糊神经控制方法。解决了模糊控制系统本身的学习和适应能力差、模糊变量各语言值隶属函数，控制规则不能随着环境参数(如交通量、基准排放量等)的改变而自动调整和修改等问题。 针对公路隧道通风模糊控制系统，参考了最优规则排序无关，在此基础上修改控制规则，获得了较优的规则库，与常规试凑法相比，大大节省了调整时间，同时利用等价结构的模糊神经网络模型，使其与规则库更好的匹配，反复调整隶属函数和修改控制规则，获得最佳模糊组合。 并且建立了隧道小时交通量预测模型，可以获得任意给定交通量预测模型下的最佳模糊组合
17、，从而实现了最优控制。 提出基于模糊神经网络模型的隧道通风控制方法，能自动修改规则库和调整隶属函数，与单纯的模糊控制方法相比，提高了控制系统的自动化程度，提前预测未来的交通状况，节省了调整时间，降低了电能消耗。公路隧道通风系统具有很强的非线形特征，传统的线性控制理论难以获得精确的数学模型，因此，模糊控制等现代控制方法成为公路隧道通风控制的趋势，但模糊控制存在隶属函数、控制规则难以确定的问题。 本文将具有强大学习能力的神经网络融合到模糊控制系统中，研究了公路隧道通风的模糊神经控制方法。解决了模糊控制系统本身的学习和适应能力差、模糊变量各语言值隶属函数，控制规则不能随着环境参数(如交通量、基准排放
18、量等)的改变而自动调整和修改等问题。 针对公路隧道通风模糊控制系统，参考了最优规则排序无关，在此基础上修改控制规则，获得了较优的规则库，与常规试凑法相比，大大节省了调整时间，同时利用等价结构的模糊神经网络模型，使其与规则库更好的匹配，反复调整隶属函数和修改控制规则，获得最佳模糊组合。 并且建立了隧道小时交通量预测模型，可以获得任意给定交通量预测模型下的最佳模糊组合，从而实现了最优控制。 提出基于模糊神经网络模型的隧道通风控制方法，能自动修改规则库和调整隶属函数，与单纯的模糊控制方法相比，提高了控制系统的自动化程度，提前预测未来的交通状况，节省了调整时间，降低了电能消耗。特别提醒 ：正文内容由
19、PDF 文件转码生成，如您电脑未有相应转换码，则无法显示正文内容，请您下载相应软件，下载地址为 http:/ 。如还不能显示，可以联系我 q q 1627550258 ，提供原格式文档。“垐垯櫃 换烫梯葺铑?endstreamendobj2x 滌?U 閩 AZ箾 FTP 鈦X 飼?狛P? 燚?琯嫼 b?袍*甒?颙嫯?4)=r 宵?i?j 彺帖 B3 锝檡骹笪 yLrQ#?0 鯖 l 壛枒l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛枒 l 壛渓?擗#?“?# 綫 G 刿#K 芿$?7. 耟?Wa 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 皗 E|?pDb 癳$Fb 癳$Fb癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$Fb 癳$F?責鯻 0 橔 C,f 薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵秾腵薍秾腵%?秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍
