原文传递
基于SSA算法与PSO-RBF神经网络的车辆动态称重系统研究
| 论文题名： | 基于SSA算法与PSO-RBF神经网络的车辆动态称重系统研究 |
| 关键词： | 车辆动态称重系统;奇异谱分析;粒子群寻优;径向基神经网络 |
| 摘要： | 伴随我国工业与制造业的发展和进步，我国对公路交通运量的需求逐渐增加。为了保障自身的经济效益，很多运输厂家超载运输，这种违法现象引起了交通管理部门的重视。为了保障公路的安全，维护正常的通行秩序，车辆动态称重技术应运而生。当前，车辆动态称重技术已经发展了数十年，水平已经相当成熟，但其在精度与置信度方面仍然有一定的进步空间。基于以上情况，本文将提升车辆动态称重系统的精确度与置信度作为目的，从车辆动态称重系统结构和提升车辆动态称重系统测量精度的方法这两个角度做了进一步的研究。 首先，针对现有动态称重系统的不足，依据车辆动态称重系统的设计原则，设计了车辆动态称重系统的系统结构，分析了称重误差来源。随后对称重传感器选型，确定了采样频率和传输方案。 然后，将奇异谱分析（SSA）算法应用于车辆动态称重系统。介绍了奇异谱分析算法在车辆动态称重系统中的应用步骤、奇异谱矩阵的构成方法、嵌入维数与重构阶次的确定方案。试验结果表明，奇异谱分析算法能有效去除信号噪声，使采样波形变得更加平滑，保留了轴重信号的有效部分，提升了车辆动态称重的置信度，降低了车辆动态称重的误差。 最后，利用粒子群寻优（PSO）算法确定径向基（RBF）神经网络的隐层中心，建立了PSO-RBF神经网络模型。利用训练集数据分别对BP神经网络、RBF神经网络、PSO-RBF神经网络进行了训练，训练结果表明PSO-RBF神经网络的收敛速度优于BP神经网络和RBF神经网络。通过测试集数据得到了车重，结果表明PSO-RBF神经网络在平均误差、正判率、置信度全面优于BP神经网络和RBF神经网络，数据误差离散程度明显降低，数据误差的绝对值更加集中于低误差范围。 |
| 作者： | 魏赫 |
| 专业： | 交通运输工程 |
| 导师： | 陈新 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
