区域风电场群集中式功率预测系统设计

为实现对区域风电场群集中式功率的准确预测,提出并设计了一种适应性强、维度高的预测模型。首先,通过AHP分析法发现影响区域风电场群集中式功率预测系统的五个必要因子;然后,构建预测评估模型得到其设计附加值的数据构建状态空间模型;接着,将该状态空间模型在人工智能的数据空间中进行部署并加以神经网络训练;最后,对这一预测系统模型进行实证验证,发现其数据吻合度较高。该预测模型可以用于对区域风电场群集中式功率进行预测,具有较广泛的应用价值。

基于Transformer的机动目标跟踪技术

为解决递归神经网络(Recurrent Neural Network,RNN)和长短期记忆网络(Long Short-Term Memory,LSTM)在跟踪机动目标时,由于序列过长容易出现梯度消失和梯度爆炸导致目标发生机动后跟踪效果变差的问题,文中构建了一种基于Transformer的网络(Transformer-Based Network,TBN)来跟踪机动目标。该网络使用基于注意力机制设计的编码器提取目标序列的历史航迹特征,提高对目标机动情况的捕获能力。使用基于卷积网络设计的解码器输出最终的航迹序列,提高机动目标跟踪能力。通过中心最大值(Center-Max,CM)归一化方法,将所有序列减去其初值,降低了网络学习的复杂度,增强了网络的泛化性。实验结果证明,在存在机动情况的大规模航迹数据集下,与长短期记忆网络相比,CM归一化和TBN相组合的方法的位置精度提高了11.2%,速度精度提高了41.9%。文中所提方法在观测值存在缺失时仍能正确跟踪目标。

基于物理信息神经网络的飞机气动参数辨识方法

在飞机设计与研制过程中,通过气动参数辨识建立可靠的飞行动力学模型非常重要。传统的气动参数辨识工程算法,诸如极大似然法,需要给出合理的飞行动力学模型以及待辨识参数的初值。基于传统神经网络的气动参数辨识可以避免飞行动力学建模过程,这种方法需要通过增量法、导数法间接地从神经网络提取气动参数。本文提出了一种基于物理信息神经网络的飞机气动参数辨识方法,可将含待辨识参数的飞行动力学模型作为正则项加入损失函数,直接辨识得到气动参数。该方法可以显著减少建模数据需求,也能提高建模精度。飞行仿真数据验证结果表明,该方法的无噪声、含2%噪声仿真数据,纵向飞行状态空间模型辨识最大相对误差分别为1.80%、4.64%,表明了基于物理信息神经网络的飞机气动参数辨识方法具有可行性,并对含噪声的飞行数据具有泛化性。

空间机械臂面向太阳能帆板在轨清洁任务的擦抹力/位阻抗控制

卫星在载体位姿调整过程中燃烧的烟雾容易附着在太阳能帆板上,若未对帆板定期清洁将导致其供电能力下降,为此对空间机械臂执行太阳能帆板清洁任务进行了研究.首先通过Lagrange方程法建立了空间机械臂系统动力学方程,然后为了控制机械臂末端清洁装置的位姿,基于运动学关系将动力学模型转换到惯性空间.结合阻抗控制原理,根据清洁装置位姿与其输出力之间的动态关系建立了机械臂的阻抗模型,保证了清洁操作过程中输出力的稳定和精确控制.为了防止清洁操作的各阶段切换时因系统状态突变导致输出力突变,造成太阳能帆板的破坏,基于障碍Lyapunov函数提出一种全状态约束控制策略,其利用RBF神经网络对不确定系统进行拟合,且结合虚拟控制力原理对设计的期望轨迹进行修正,使得太阳能帆板的柔性振动能被抑制,实现了对卫星与清洁装置位姿的高精度控制.最后通过Lyapunov定理证明了系统状态的收敛性,利用仿真分析验证了所提控制策略的有效性;结果表明清洁装置的输出力控制精度优于0.5 N,卫星与清洁装置的位姿控制精度优于0.1°和10-3m.

基于多维状态空间与神经网络模型的山东省海域承载力评价与预警研究

研究借鉴有关区域承载力的理论和方法,构建了海域承载力评价指标体系,采用多维状态空间法对海域理想状态承载力以及现实的承载状况进行了定量研究;建立了基于BP神经网络的海域承载状况仿真预警模型,结合情景分析法对山东海域承载状况进行了仿真预警。研究结果表明:山东省海域1996-2010年处于超载状态,但其承载状况逐年好转;在资源环境子、经济和社会子系统处于"高发展"情景下,2015年山东海域将达到弱可持续发展状态;BP神经网络用于海域承载状况的仿真预警具有较高的精确度。

基于ANN的洞庭湖区生态承载力预警研究

生态承载力预警是判定生态系统可持续承载的重要依据。利用状态空间法和人工神经网络模型对洞庭湖区生态承载力进行预警分析,结果表明：（1）景气预警上,洞庭湖区2001～2010生态承载力整体上处于中警状态,反映出湖区生态、资源、环境与社会经济发展的协调性较差,生态系统可持续性较弱。洞庭湖区17个区域单元生态承载力出现了重警、中警和轻警三种状态,2001年、2005年和2010年3个年份的区域差异及变化相当明显。（2）景兆预警上,2015年洞庭湖区生态承载力接近轻警状态,可持续承载能力由弱可持续向可持续转变;相比2010年,17个区域单元的重警和中警比重分别下降了33.3%和18.2%,轻警比重上升了100%,体现了洞庭湖区国民经济和社会发展＂十二五＂规划纲要和环境保护＂十二五＂发展规划合理,生态环境保护和修复计划有效,生态调控措施得力。（3）利用BP神经网络模型可以科学地预测预报生态承载力未来发展趋势,判定区域经济、社会和生态的可持续性;模型的应用可靠可行,预警结果可以为区域生态系统的可持续发展提供科学依据。

基于状态空间法的疏浚控制系统建模与分析

为了描述挖泥船疏浚过程各状态变量在相邻时刻的状态转移变化规律,采用BP神经网络算法对疏浚过程样本数据进行训练分析,以绞吸挖船疏浚作业时的绞刀横移速度作为控制输入,选择对疏浚产量影响显著的两个疏浚过程参数即管道流速和泥浆浓度作为状态变量,同时,选择泥浆浓度作为输出变量,构建了疏浚系统的状态空间模型。通过实际数据与Matlab的仿真数据的比较,所建立的状态空间模型能够较准确地描述疏浚控制系统的动态过程。

基于神经网络的围护结构动态热特性——状态空间模型辨识方法的研究(英文)

本文首次提出了基于神经网络的围护结构动态热特性——状态空间模型的辨识方法.由实验测得的围护结构热力系统的输入输出数据组成学习样本训练多层神经网络,产生系统 Markov 参数.用本征系统实现算法得到系统的最小阶状态空间表示.用自适应学习算法大大缩短了网络的训练时间.结果表明:该方法编程简单,有很好的辨识精度和抗干扰性能.

基于Takagi-Sugeno模型的半主动TLCD对偏心结构的减震控制

采用在结构水平双向设置 TLCD半主动控制装置的方法 ,对偏心结构在多维地震作用下的振动控制问题进行了研究。首先论述了基于 Takagi-Sugeno模型的模糊神经网络的基本理论 ,然后介绍结构 -TLCD扭转耦联控制系统微分方程及其状态空间求解方法 ,最后在建立起半主动控制策略的基础上 ,利用基于 Takagi-Sugeno模型的模糊神经网络 ,根据控制准则调整 TLCD的开孔率 ,实现对结构的半主动控制。数值结果表明 。

基于神经网络的水泥生料配料多目标优化设计方法

为了降低生料成分的不确定性给水泥生料质量控制系统带来的影响,提出了率值补偿的控制策略.分别为三率值创建目标函数,并利用状态空间搜索策略解决多目标优化问题.针对初始样本空间不能覆盖所有样本的问题,提出了基于神经网络的估算模型,对初始样本空间进行拓扑.通过估价函数对状态空间中的状态量进行评价,得到最优的率值状态量;根据率值对原料配比进行调整,最后使率值偏差得到补偿,同时使给配比造成的波动最小.工业实验结果表明,生料的质量合格率由原来的30%提高到50%,该系统能有效地对配料过程进行优化控制.证明了基于神经网络的状态空间搜索策略为水泥生料配料多目标寻优问题提供了一种可行的方法.

城市路网短期行程时间预测研究

提出了一种基于状态空间神经网络(SSNN)和拓展卡尔曼滤波(EKF)的混合式行程时间预测模型.以往的研究表明,状态空间神经网络能够较好地处理复杂的非线性时空问题.然而,状态空间神经网络需要大量的历史数据作为离线训练之用.其不足之处在于,首先是需要花费大量的时间和精力去收集、准备数据,以及训练神经网络.其次,输入输出随着时间不断增加,训练过程需要不断的从新重复.为了提高状态空间神经网络的有效性,扩展卡尔曼滤波代替了传统的方法来对神经网络进行训练.荷兰的一条城市道路被选择为模型验证的试验路段.通过与另外两个预测模型之间的对比验证,该模型的预测能力能够达到满意的有效性、准确性和鲁棒性.

基于多变量相空间重构的地下水动态神经网络预测模型

从多元变量时间序列出发,以相空间重构理论为基础,结合偏最小二乘回归与神经网络方法,提出了基于多变量相空间重构地下水动态预测的神经网络模型.通过分别确定各个时间序列的时间延迟和嵌入维数的方法对地下水动态的多变量时间序列进行相空间重构,采用偏最小二乘回归法提取对系统解释最强的成分作为网络输入,利用神经网络模型进行各成分之间的非线性拟合.将基于多变量相空间重构地下水动态预测的神经网络模型应用于黑龙洞泉域地下水位预测,并通过分析与比较验证了该方法的有效性.

基于迭代容积卡尔曼滤波的神经网络训练算法

针对现有应用非线性滤波算法对神经网络进行训练时存在精度不足的问题,提出了一种基于迭代容积卡尔曼滤波的神经网络训练算法。首先,将前馈神经网络各个节点的连接权值和偏置作为状态向量,建立前馈神经网络的状态空间模型。其次,利用Spherical-Radial准则生成容积点,并依据Gauss-Newton迭代策略来优化量测更新过程中获取的状态估计值和状态估计误差协方差,通过容积卡尔曼滤波估计精度的改善,提升神经网络节点的连接权值和偏置的训练效果。理论分析和仿真实验结果验证了所提算法的可行性和有效性。

调水工程系统的水力控制仿真及参数的优化

本文将现代控制理论与数字仿真技术相结合,建立了包括管道、泵站及前池等明渠输水系统的水力控制状态模型,并运用神经网络理论对参数进行优化。在数字仿真平台上对所建立的调水工程全系统进行了动态仿真模拟,通过对实例的优化仿真模拟证明:该仿真模型对调水系统具有良好的调节和控制性能,实现了输水系统水力控制过程动态仿真的可视化;神经网络理论的应用也使系统参数得到优化。

基于动态卷积概率矩阵分解的潜在群组推荐

近年来,群组推荐由于其良好的实用价值得到了广泛关注.然而,已有的群组推荐方法大多都是根据分析用户对服务的评分矩阵直接将个体用户的推荐结果或个体用户偏好进行聚合,没有综合地考虑用户-群组-服务这三者间的联系,导致群组推荐效果欠佳.受潜在因子模型与状态空间模型启发,结合评分矩阵、服务描述文档以及时间因素,共同分析用户-群组-服务间的联系,提出了一种基于动态卷积概率矩阵分解的群组推荐方法.该方法首先利用基于卷积神经网络的文本表示方法获取服务潜在特征模型的先验分布;然后,将状态空间模型与概率矩阵分解模型相结合,获得用户潜在偏好向量与服务特征向量;之后,对用户偏好向量运用聚类算法来发现潜在的群组;最终,对群组中的用户偏好采取均值策略融合成群组偏好向量,并与服务特征向量共同生成群组对服务的评分,实现群组推荐.通过在MovieLens数据集上与同类方法进行对比实验,发现所提方法的推荐有效性与精确性上更具有优势.

移动机器人的自学习导航策略

针对标准 Q学习收敛较慢的缺点 ,采用多步 Q学习算法 ;为解决连续过程的学习问题 ,采用 CMAC神经网络对连续状态空间进行泛化 .讨论了基于 CMAC的多步 Q学习算法应用于导航系统的实现方法 ,并与其他方法进行仿真比较 ,结果表明了该算法的有效性 .

基于ESN和Elman神经网络的交通流预测对比研究

实时准确的短时交通流预测是实现智能交通系统中交通控制和交通诱导的关键技术之一。由于短时交通流数据的复杂性,首先采用饱和关联维数法和Cao氏法对交通流时间序列的嵌入维数和延迟时间进行计算,并采用Wolf方法计算相空间重构后的交通流时间序列的最大Lyapunov指数。结果表明,交通流时间序列具有混沌特性,可预测性较好。随后,分别采用基于ESN和Elman神经网络的预测方法对交通流时间序列进行预测,结果表明,两者在预测精度相当的情况下,前者的训练速度较后者有了极大的提高。

一类连续状态与动作空间下的加权Q学习

针对连续状态与动作空间下的控制问题,提出了一类连续状态与动作空间下的加权Q学习算法,应用改进的增长神经气算法动态构建径向基网络的隐含层,实现状态空间的自适应构建。在基于径向基网络实现的标准Q学习基础上,利用加权Q学习算法用以解决具有连续动作输出的控制问题。仿真实例验证了所提算法的有效性。

神经网络建模方法在非线性信号处理中的应用研究

文章首先描述了非线性信号处理中常用的几种建模方法与神经网络建模方法之间的关系,指出了前者在实际建模时存在的困难,给出了神经网络模型与其它建模方法之间所存在的等价性以及其特有的优势。总结了两类神经网络模型及其网络训练算法,通过比较看出神经网络建模方法在非线性信号处理中的应用越来越广,已经成为一个非常有前途的工具。

基于深度学习和智能规划的行为识别

现有行为识别方法在未能持续覆盖造成视频监控盲区所引起行为数据缺失的情况,难以有效实施特征分析、行为分类补全,无法准确识别出智能体完整的行为动作序列.为此,本文提出一种基于深度学习和智能规划的行为识别方法.首先,利用深度残差网络对图像进行分类训练,然后使用递归神经网络对图像特征进行提取深度信息以增强分类效果;其次,运用智能规划的STRIPS(Stanford Research Institute Problem Solver)模型,将深度学习提取的图像特征命题信息转化为规划领域的模型描述文档,并使用前向状态空间搜索规划器推导出完整的行为动作序列.在HMDB51等行为识别公共数据集中,本方法与生成式对抗网络、深度卷积逆向图网络、深度信念网络、支持向量机等同类先进方法相比展现出更好的性能.