零维预测燃烧模型建模方法

为了解决神经网络建立的柴油机零维燃烧模型对稳态和动态工况预测能力不稳定问题,本文采用遗传算法对神经网络的初始权值、阈值进行综合优化,提出了遗传算法-神经网络算法。基于TBD620型柴油机,通过稳态和瞬态试验获得运行参数和缸压数据,通过代数分析法结合遗传算法获得对应燃烧参数,最后分别利用遗传算法-神经网络算法和神经网络算法对燃烧模型进行构建并对比辨识结果。结果表明:与神经网络算法相比,遗传算法-神经网络算法构建的零维燃烧模型对应φ_(50)和IMEP预测值平均误差分别降低了43.84%和42.73%,遗传算法具有高效的权值、阈值寻优能力,模型具有更高的预测精度,泛化性更好,适用于柴油机零维燃烧模型研究。

基于神经网络代数算法的电子罗盘的标定

为了标定KVH-C100型电子罗盘,分析了电子罗盘产生误差的原因,设计了电子罗盘信号采集的软硬件系统;为了减少随机因素的干扰,对采样数据进行了中值滤波;在此基础上,采用神经网络代数算法建立了电子罗盘的误差补偿模型,该模型能实现在样本空间的精确映射,具有较高的非线性逼近精度。通过实验证明该补偿模型比中值正弦误差补偿精度高,使得误差范围由标定前的-5.468 15°～1.457 96°减小到-0.492 8°～0.517 8°,重复性实验也证明该补偿模型一致性好,满足控制要求。

神经网络算法的改进及其在有源电力滤波器中的应用

针对有源电力滤波器的电流跟踪控制问题,设计了一种基于改进梯度算法的BP神经网络自适应PI控制器。该控制器将神经网络技术与PI参数设计相结合,与传统的PI控制器相比,该控制器具有结构简单、易于在线调整等优点。同时,为了克服采用神经网络算法修正权值系数时,会存在局部极小、收敛速度慢的问题,对BP神经网络采用的梯度算法进行改进。利用代数法代替梯度下降法,从而解决了易出现局部极小问题,且使收敛速度更快。仿真实验表明,改进后的神经网络自适应PI控制器较传统的PI控制器有更快的响应速度和更高的补偿精度,从而使系统更稳定,而且电网电流的谐波畸变率更低。

模糊聚类分析和代数算法结合的短期负荷预测

为了提高短期负荷预测速度和精度,提出了将模糊聚类分析和神经网络代数算法相结合的短期负荷预测方法。综合考虑天气、日类型、历史负荷等对未来负荷变化的影响,通过模糊聚类分析选取学习样本,找出同预测日相符的预测类别,采用神经网络代数算法训练样本,对24小时负荷(24点)每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力,提高了学习效能,而且克服了传统BP算法存在的缺点。算例分析结果表明该方法有较高的预测精度,取得了令人满意的结果。

基于HMM和新型前馈型神经网络的语音识别研究

为了进一步提高语音识别系统的准确率,使语音产品应用更加方便,提出了一种隐马尔可夫模型和代数神经网络相结合的语音识别方法。利用隐马尔可夫模型生成最佳语音状态序列,将最佳状态序列的输出概率作为前馈型神经网络的输入,通过代数神经网络进行分类识别。使用Matlab7.0实验平台进行仿真,实验结果表明,与传统神经网络相比,该方法在收敛速度、鲁棒性和识别率方面都有改善。

运用神经网络代数算法的陀螺仪非线性误差补偿

为了提高陀螺仪的测量精度,基于神经网络代数算法提出一种新的非线性误差补偿模型.由于该算法将复杂非线性优化问题转化为线性代数方程组问题,所以该模型具有速度快、实时性好和能实现样本空间精确映射的优点.通过实验对比证明该模型比曲线拟合精度要高.多次重复性实验证明该模型能够将误差限制在0.1(°)/s以内,满足实际控制要求.

改进代数算法神经网络在机器人逆运动学中的应用

用多层前向INI神经网络建立机器人逆运动学模型。采用一种改进代数算法来学习神经网络待求权和自由权,该算法选择很广一类的隐层神经元函数训练网络,将复杂的非线性优化问题转化为简单的代数方程组求解问题,求解速度快;在网络训练之前就可以根据给定的问题确定隐层神经元个数,可以方便地求得全局最优点,实现样本空间的精确映射,不存在局部极小、收敛速度慢等问题。提出的求解机器人逆运动学新算法可以得到高精度的解,有仿真结果为证。

代数神经网络电阻层析成像图像重建算法

两相流体具有复杂性的流动特性,图像重建的精度是两相流参数准确测量的基础。针对电阻层析成像系统存在的软场特性、强非线性和不适定性,使得重建的图像质量差、计算时间长等问题,基于代数运算的神经网络,给出了一种基于代数神经网络电阻层析成像图像重建算法。该算法通过建立代数神经网络,以测量的边界电压值作为神经网络的输入,将图像重建转变为一个严格对角占优的线性方程组的求解问题,以达到图像快速、准确的重建目的。通过实验仿真分析,该方法具有收敛速度快、代价低和误差小等特点。

基于代数算法的RBF神经网络解耦控制

提出一种基于代数算法的RBF(Radial Basis Function)神经网络自适应PID控制方法。该方法采用动态的径向基函数网络对非线性系统进行在线辨识被控对象,并将获得的灵敏度信息对PID控制参数自整定,实现了系统的解耦控制。仿真结果表明该设计方案具有控制精度高,实时性好,且具有很强的鲁棒性和自适应性。

前向代数神经网络的函数逼近理论及学习算法

文中对ＭＰ神经元模型进行了推广，定义了多项式代数神经元、多项式代数神经网络，将多项式代数融入代数神经网络，分析了前向多项式代数神经网络函数逼近能力及理论依据，设计出了一类双输入单输出的前向４层多项式代数神经网络模型，由该模型构成的网络能够逼近于给定的二元多项式到预定的精度．给出了在Ｐ－ａｄｉｃ意义下的多项式代数神经网络函数逼近整体学习算法，在学习的过程中，不存在局部极小，通过实例表明，该算法有效．最后，指出ＦＬＡＮＮ中函数展开型网络均可由神经元的激发函数变换来实现，为近似符号网络计算提供一新理论和方法．

基于代数神经网络的多元多项式近似因式分解模型及学习算法

文中从首一无平方多项式Ｆ（ｘ，ｙ）有根ｘ＝φｉ（ｙ）（ｉ＝１，２，…，ｄｅｇｘ（Ｆ）），其中φｉ（ｙ）＝Ｃｉ，０＋Ｃｉ，１ｙ＋Ｃｉ，２ｙ２＋…，入手，设计了一类二元多项式求根及近似因式分解的神经网络模型，它们分别是双输入单输出４层前向网络与单输入多输出３层前向网络，给出了神经网络学习算法，这种学习算法在ｐ－ａｄｉｃ意义下，通过选定隐层与输出层的待求权值Ｃｉ，ｊ完成学习，可确定出其不可约因式及不可约因式个数ｒ，通过算例表明，该算法十分有效．

高属性维稀疏数据聚类回归逻辑神经网络模型及学习算法

针对高属性维稀疏数据聚类问题 ,定义了模糊取大逻辑神经元 ,给出一种新的单层离散型回归逻辑神经网络模型 ,由稀疏特征差异度组成的相似阵作为该网络的初始权矩阵 ,通过单层离散型回归逻辑神经网络学习算法 ,可求出相似矩阵的等价阵 ,根据等价阵 ,给定不同的阈值 ,可动态地、有效地实现对高属性维稀疏数据的归并 ,使得聚类结果更符合实际情况 ,聚类质量较高 .相比同类聚类算法 ,它具有学习、修正和应变功能 ,适用于大规模稀疏数据库和稀疏数据仓库的聚类分析 .

基于代数神经网络的多元多项式不可约判定及学习算法

把感知器作为数学模型 ,充分利用神经元的运算特性 ,以二元多项式近似求根神经网络模型为基础 ,设计一类多元多项式不可约判定的神经网络模型 ,它是单输入多输出三层前向神经网络 ,给出神经网络学习算法 ,这种学习算法在 p- adic意义下 ,通过调整隐层与输出层的权值 Ci,j完成学习 ,直到 e≥ degy(F ) +1步 ,可确定出多元多项式不可约 ,通过算例表明 ,该算法有效 ,相比传统的判定算法 。

基于神经网络求解代数方程的方法研究

提出一种以单层神经网络为基础，利用改进的δ规则进行训练，从而求得实系数代数方程一个实根的新方法，给出了改进的δ学习规则的数学推导和求解代数方程的ＳＮＮ（Ｓｉｎｇｌｅ－ｌａｙｅｒＮｅｕｒａｌＮｅｔｗｏｒｋ）学习算法，并利用该方法求解了大量代数方程。

新型前馈网络学习算法在语音识别中的应用

简要介绍一种全新的前馈神经网络学习算法——代数算法,以该理论提出者针对这一算法做出的多方面的理论证明为基础,将此算法与传统BP算法相比较,利用其在网络结构和获取全局最优点方面具有传统BP算法不可比拟的优点,在matlab7.0实验平台上,分别把传统BP算法和此种新型学习算法应用于语音识别,通过仿真实验说明了新型算法的有效性,语音识别的精度在一定程度上得到了改善。

代数神经网络在岩性识别中的应用

针对辽河油田L区块砂砾岩储层岩性复杂多变、纵向非均质性严重的特点,采用代数神经网络算法,对该区块的岩性进行识别。代数神经网络算法通过优选激励函数和应用代数算法计算权值,将复杂的非线性优化问题转化为简单的代数方程组求解问题,从而克服了BP神经网络易陷于局部极小、收敛速度慢和耗费时间长的问题,提高了计算的精度和速度。并且利用训练好的代数神经网络对预测样本进行预测,识别的准确率达到92.0%。结果表明,代数神经网络可以很好的用于辽河油田L区块砂砾岩储层的岩性识别。

基于代数神经网络的煤自燃预测

代数神经网络算法能够克服BP神经网络易于陷入局部极小和收敛慢的问题,通过优选激励函数和采用代数算法计算权值,将复杂的非线性优化问题转化为简单的代数方程组求解问题,提高了神经网络的精度与收敛速度.在使用代数神经网络算法进行煤自燃预测的实例中,采用均值规格化数据预处理,解决了煤自燃指标气体异动对分类结果的过度扰动.实验结果表明了算法的有效性和实用性.