利用RBF神经网络自适应调整算法预测储层产能

传统径向基(RBF)神经网络的基函数宽度值都由经验公式确定或人为选取,没有考虑误差分布情况,所以在应用中常常效果不够理想。为此本文以最近邻距离算法为基础提出一种改进的RBF神经网络算法,能够自适应地调整基函数中心点宽度值以达到高精度、快速逼近样本的目的。在石油储层产能的预测中,首先对样本信息进行属性约简、预处理;然后在网络学习训练中通过计算输入样本的RBF神经网络的中心点值,再确定RBF神经网络基函数的宽度值,直到满足系统精度为止;最后用训练好的网络来进行储层产能预测。仿真结果表明,改进的RBF神经网络算法应用效果显著,不仅比传统RBF神经网络算法拟合精度高,而且收敛速度快。

滑动窗Walsh基函数神经网络检测电能质量扰动

为了能够准确实时检测出电力系统中存在的电能质量扰动,提出了一种自适应确定隐神经元数及修改权值的自适应Walsh基函数神经网络时频分析方法。在此基础上采用加滑动窗的方法,根据不同时刻不同基上的权值能量分布信息检测电能质量扰动的特征,实现了对电能质量扰动的实时检测。实验仿真显示该基函数神经网络有较好的逼近能力和滤噪特性,对于电能质量扰动信号的实时检测效果较好。

求解非均质多孔介质中非饱和水流问题的一种自适应多尺度有限元方法——Ⅰ.数值格式

为了有效地模拟跨越多个尺度的非均质多孔介质中的非饱和水流问题,本文提出一种自适应多尺度有限元方法。该方法能在一个粗尺度网格上精确而有效地获得具有非均质系数的非饱和水流方程的粗尺度解。其基本思路是使用修改的皮卡迭代格式来处理方程中的非线性性和构造一种自适应多尺度基函数来捕捉方程系数中的时空变异性。本文详细地描述了构造这一方法的原理并且给出了一种相应的算法。

基于速度调节的无人帆船机器人自适应航向保持控制

为了解决实际海洋环境下,无人帆船机器人(USR)航向保持控制任务中存在的模型结构未知、参数不确定和航行速度难以控制等问题,本文提出一种具有速度调节性能的鲁棒自适应航向保持控制算法.该算法采用径向基(RBF)神经网络对系统结构不确定进行逼近,由于引入鲁棒神经阻尼技术和动态面控制技术,使得闭环控制系统仅需要两个自适应参数对执行器的增益不确定部分进行在线补偿,并且不需要对神经网络权重参数进行学习更新.所提出的控制算法能够有效控制无人帆船以期望的航行速度达到设定航向.利用Lyapunov稳定性理论证明了所提出控制器能够保证闭环控制系统中相关误差变量满足半全局一致最终有界(SGUUB)收敛.通过在模拟海洋环境干扰下进行计算机仿真研究,验证了所提出算法具有良好的速度调节性能和鲁棒性.

自适应B样条模糊神经网络控制器的设计

B样条具有最小局部支撑和易于实现的优点。文章利用多变量B样条网络在运算表达式上与模糊神经网络结构之间的对等关系，并通过对其权值的训练，设计出自适应B样条模糊神经网络控制器。应用于具有严重非线性摩擦力影响的速度跟踪系统的仿真实验表明，所设计的控制器完全等价于模糊神经网络控制器，同时在计算量和实现上具有明显的优势。

基于径向基神经网络的空天飞行器鲁棒自适应轨迹线性化控制

基于轨迹线性化控制方法(TLC)以及径向基神经网络(RBFNN)技术研究了一种新的鲁棒自适应轨迹线性化控制方案并应用于空天飞行器(ASV)飞行控制系统设计中.首先基于被控对象的分析模型设计系统的TLC控制器,然后利用RBFNN对系统不确定的逼近能力,设计了鲁棒自适应控制器及参数的自适应调节律,并采用Lyapunov方法严格证明了闭环系统所有误差信号一致最终有界.最后应用新控制方案设计了ASV飞行控制系统,仿真结果表明了方法的有效性.

一种描述松质骨骨质疏松过程的计算模型

为了定量描述松质骨的骨质疏松过程,依据骨的功能适应性和力学调控系统理论,遵循骨重建的生理过程,提出了一个带有时间历程的计算模型,模拟了废用引起的骨质疏松,并讨论了峰值骨量对松质骨骨质疏松过程的影响。结果表明:模拟废用引起的骨质疏松过程与实际生理过程相近,峰值骨量较高能够延迟骨质疏松发生的时间。

陪审制度效率与功能的反思

陪审制度的利弊得失背后的“效率”问题一度成为学界争论的焦点。本文站在拥护者的立场上,运用制度经济学的理论分析工具对“效率”重新界定,引入了适应性效率的概念。以此为基点,本文展开分析,认为陪审制度是人类“试错纠错”行为体现在司法活动中,用来扩展个体自由,同时降低交易费用的一种安排,它具有适应性效率。这种效率能否实现又进一步取决于陪审制度的基本功能及其互动。