Ship motion extreme short time prediction of ship pitch based on diagonal recurrent neural network

A DRNN (diagonal recurrent neural network) and its RPE (recurrent prediction error) learning algorithm are proposed in this paper .Using of the simple structure of DRNN can reduce the capacity of calculation. The principle of RPE learning algorithm is to adjust weights along the direction of Gauss-Newton. Meanwhile, it is unnecessary to calculate the second local derivative and the inverse matrixes, whose unbiasedness is proved. With application to the extremely short time prediction of large ship pitch, satisfactory results are obtained. Prediction effect of this algorithm is compared with that of auto-regression and periodical diagram method, and comparison results show that the proposed algorithm is feasible.

改进RPE算法的神经网络在客户欺诈预测中的应用

客户欺诈在一定程度上抑制了消费,这会妨碍电信运营商和电信用户的亲密度,从而削弱电信运营商的市场竞争力。客户欺诈现象存在非常复杂的多元非线性关系,从统计学角度出发,难以建立预测模型,针对这些问题,提出了基于递推预报误差(RPE)算法神经网络的方法建模,并采用改进的动态遗忘因子方法保证了平稳收敛。实验结果表明,用该算法预测客户欺诈的危险度效果优于BP神经网络模型,具有实用性和有效性。

基于RPE算法的正弦信号测量

给出了一种同时测量正弦波参数的方法.该方法基于递推预报误差(RPE)算法,采用递推结构,具有占用内存少、易于编程、能够进行在线测量、计算精度高等特点.并给出了部分试验结果.

神经网络预测模型的 AVFFRPE 算法

针对动态多层神经网络结构，运用自适应向量遗忘因子递推预报误差算法（ＡＶＦＦＲＰＥ）对贯流式水力机组进行了在线建模研究．研究结果证实了该算法的有效性．

利用神经网络PRPE算法进行短期负荷预报

本文根据神经网络的并行递推预估误差训练理论,建立了一种负荷预报的新算法——PRPE预报算法。该算法属利用多层前传网进行负荷预报的范畴,由于该算法有效的权重训练方式,使其收敛速度大大高于传统的BP算法。尽管该算法的训练过程比较复杂,但对于时段负荷预报这类单输出系统,总体训练时间较BP算法成倍减少,且预报精度较高。可用于在线短期负荷预报。

基于输出误差模型优化的甲板运动预报算法研究

本文提出了一种适用于多种复杂海况的大型舰船甲板运动预报方法,目的在于提高算法对不同海域复杂海况的适用性,以及对甲板运动模型的辨识精度与预报精度。该方法通过将量测数据的时间滞后处理引入输出误差模型来描述甲板运动的动力学模型,引入定阶准则确定了模型最优阶数数对。在此基础上应用了辅助模型递推最小二乘算法进行系统参数辨识并估计输出误差模型中的状态变量。实验结果表明,本文所提出的预报方法在系统参数辨识阶段可以将递推最小二乘算法的辨识精度提高5.13%,并且在预报阶段可以有效地将甲板运动的幅值与相位预测精度提高3.17%。该方法在复杂海况下具备良好的预测性能,适用于大型舰船甲板运动预报。

基于神经网络模型的传感器非线性校正(英文)

讨论了BP神经网络模型在传感器非线性补偿中的应用。给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行不同的测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系。采用递推预报误差算法(PRE)训练神经网络,具有收敛速度快、收敛精度高的特点。以距离传感器为例,将基于BP神经网络的校正方法应用于减少距离传感器的非线性输出误差。实验结果表明,将训练后的神经网络接入距离传感器可以得到线性的输入-输出关系,增加神经网络隐层节点的数目可以提高校正精度。当隐层节点数取为40时,用于距离传感器非线性校正的神经网络模型在训练100步后的误差指数(EI)为9.6×10-6。结果表明:本文提出的基于神经网络模型的传感器非线性校正方法是行之有效的。

应用递推神经网络的传感器动态建模研究

根据动态校准实验结果建立传感器的动态数学模型 ,以研究传感器的动态性能 ,是动态测试的一个重要内容。研究了递归神经网络模型在传感器动态建模中的应用。递归神经网络模型采用具有输入层、中间层、输出层的三层网络结构 ,整个网络的特性决定于相邻层间的连接权。采用递推预报误差算法训练神经网络 ,具有收敛速度快、收敛精度高的特点。由于其反馈特征 ,使得递归神经网络模型能获取系统的动态响应特性。该方法特别适用于传感器非线性动态建模 ,而且避免了传感器模型阶次的选择的困难。试验结果表明 。

基于对角递归神经网络的建模及应用

介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性.

基于递归神经网络的传感器非线性动态建模(英文)

根据动态校准实验结果建立传感器的动态数学模型,以研究传感器的动态性能,是动态测试的一个重要内容.讨论了递归神经网络模型在传感器动态建模中的应用,给出了递归神经网络模型的结构及相应的训练算法.由于其反馈特征,使得递归神经网络模型能获取系统的动态响应.该方法特别适用于传感器非线性动态建模,而且避免了传感器模型阶次的选择的困难.试验结果表明,应用递归神经网络对传感器进行动态建模是一种行之有效的方法.

用神经网络建立非线性系统模型研究

本文针对多层神经网络结构，运用递推预报误差（ＲＰＥ）算法对离散非线性系统进行辨识研究．作为应用实例，本文对一个工业实际对象进行了神经网络动态建模．研究结果表明，神经网络方法是用于带有非线性特性工业过程建模的有效方法．

一种递归神经网络的快速并行算法

针对递归神经网络BP(Back Propagation)学习算法收敛慢的缺陷,提出一种新的递归神经网络快速并行学习算法.首先,引入递推预报误差(RPE)学习算法,并且证明了其稳定性;进一步地,为了克服RPE算法集中运算的不足,设计完整的并行结构算法.本算法将计算分配到神经网络中的每个神经元,完全符合神经网络的并行结构特点,也利于硬件实现.仿真结果表明,该算法比传统的递归BP学习算法具有更好的收敛性能.理论分析和仿真实验证明,该算法与RPE集中运算算法相比可以大大节省计算时间.

基于BP神经网络的传感器非线性补偿

由于传感器本身的非线性特性以及传感器在测量过程中外界环境因素的影响,使得传感器的输入输出特性呈现出非线性.讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法训练神经网络,具有收敛速度快、收敛精度高的特点.试验结果表明,应用神经网络对传感器的非线性进行动态补偿是一种行之有效的方法.

准对角递归神经网络及其算法的研究

提出一种准对角递归神经网络(QDRNN)结构及学习算法。此QDRNN结构上与对角递归神经网络(DRNN)相似,保留了DRNN结构简单的优点,以减小计算量,同时增加了相邻递归神经元之间的关联,可以直接应用BP学习算法进行训练。进一步,引入递推预报误差(RPE)学习算法,并且证明了其稳定性。仿真结果表明,QDRNN比DRNN具有更好的非线性逼近能力,而运算时间却增加甚微,DRNN的学习算法稍加变化即可应用。

语音动力学系统的神经网络建模方法研究

人工神经网络（ＡＮＮ）方法是非线性动力学系统建模的有效方法．本文针对多层ＡＮＮ结构，运用递推预报误差（ＲＰＥ）算法对离散非线性动力学系统进行了建模研究，并将之运用于语音非线性动力学系统的动态建模，估计出了语音非线性动力学系统稳态吸引子的维数，为了解语音和实用化的语音识别提供了良好的基础．

基于递归网络的传感器动态建模方法

研究了递归网络模型在传感器动态建模中的应用,给出了递归网络模型的结构及相应的训练算法。该方法避免了传感器模型阶次的选择的困难。试验结果表明,应用递归网络对传感器进行动态建模是一种行之有效的方法。

基于DRNN的直线永磁同步电机精密位置控制

对直线永磁同步电机伺服系统提出了一种基于动态对角递归网络补偿器的IP位置控制方案。在对比干扰观测器前馈IP位置控制器的基础上,利用动态对角递归网络(DRNN)具有内部反馈结构和动态映射能力对系统参数变化和扰动具有较强鲁棒性的特点,设计出DRNN非线性补偿器,并提出一种改进的RPE学习算法加快权值调整速度、节约在线训练时间。仿真表明该方案能明显改善位置跟踪精度并增强系统鲁棒性。

基于分布式神经网络递推预报误差算法的非线性系统建模

采用基于递推预报误差算法的分布式神经网络结构建立非线性系统模型 .子神经网络模型及其连接权值均采用递推预报误差方法来进行训练 ,将所有子网络融合得到的分布式神经网络模型在模型精确性和鲁棒性方面有显著地增加 .

BP神经网络在测试系统动态补偿中的应用(英文)

测试系统的非线性动态补偿是仪器技术的一个重要方面.采用BP神经网络对测试系统进行动态补偿.BP神经网络的结果决定于网络输入、隐层和输出节点.由于其非线性映射特性,BP神经网络完全能够反映测试系统的动态响应特性.采用了收敛速度较快的递推预报误差算法训练神经网络.试验结果表明,BP神经网络的特性完全能够满足测试系统的动态补偿要求,表明本文的方法是有效的.

水轮发电机组神经网络非线性建模研究

针对多层前向神经网络，运用递推预报误差（ＲＰＥ）算法对水轮发电机组进行非线性建模研究．研究结果表明，利用神经网络建立水轮发电机组非线性模型是有效的．