二阶对角递归神经网络船舶横摇运动预测

提出一种船舶横摇时间序列预测方法.该方法使用在隐层具有2个反馈权值的对角递归神经网络进行预测,给出了此网络易于实现的动量梯度学习算法(DBP),并对其收敛性进行了验证.运用该模型对我国某型船舶在横浪中航行情况进行预测,结果表明:本网络可以储存更多的历史数据,有更好的记忆性能,所使用的模型比DRNN模型及前向网络BP模型能快速、准确地预测船舶横摇运动时间序列,仿真实验验证了该方法的可行性与有效性.

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.

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。

基于对角递归神经网络整定的PID解耦单元机组负荷控制系统

针对火电厂单元机组具有多变量强耦合、非线性及参数时变的受控对象,提出了基于对角递归神经网络整定的PID解耦控制方法,其主要特点是能够提供一个对角递归神经网络来辩识系统模型,进而对PID控制器参数进行整定,实现多变量解耦控制。通过对火电机组负荷控制系统的设计和仿真研究,表明系统达到了动态近似解耦、静态完全解耦和无静差跟踪,并具有响应速度快,鲁棒性好等特点。

基于对角递归神经网络的异步电动机定子绕组匝间故障诊断方法

为了有效地监测异步电动机定子绕组匝间短路故障,提出了基于对角递归神经网络的匝间故障在线诊断方法。该方法采用2个对角递归神经网络监测匝间短路故障,一个用于估算故障的严重度,另一个用于确定定子绕组故障匝数。同时,提出自适应动态学习算法,训练对角递归神经网络,确定网络最优隐层神经元的个数,使诊断模型更加紧凑和精确。根据该方法构建了试验系统并进行了匝间短路试验,试验结果表明:基于对角递归神经网络的诊断模型,在不同工况下可精确确定定子绕组短路故障的匝数。由于对角递归神经网络具有动态处理能力,和前馈神经网络相比,克服了前馈神经网络故障诊断模型无动态处理能力的局限性,能更有效地监测定子绕组匝间短路故障。

基于对角递归神经网络的汽车主动悬架控制

为了提高电动汽车行驶平顺性及操纵稳定性,针对电动汽车悬架进行振动分析,建立了七自由度汽车电动主动悬架模型,设计四轮全驱电动汽车电动主动悬架结构及其控制系统.重点针对电动汽车主动悬架特点设计对角递归神经网络(DRNN)控制器,选取车身垂向加速度、悬架动行程和轮胎动行程作为神经网络控制器输入,采用梯度下降法对神经网络权值进行在线调整.仿真结果表明,具有DRNN控制器的电动主动悬架控制效果较PID控制主动悬架和被动悬架有显著提高,有效改善了汽车行驶平顺性及操纵稳定性,也说明所设计的控制策略在电动汽车电动主动悬架控制方面的有效性.

具有外部扰动的参数未知漂浮基柔性空间机械臂的对角递归神经网络控制

讨论载体位置和姿态均不受控情况下,存在外部扰动的参数未知漂浮基柔性空间机械臂系统关节运动的动力学控制问题。由假设模态法,利用拉格朗日方法建立漂浮基柔性空间机械臂的系统动力学方程。以此为基础,针对存在外部扰动和系统参数未知的情况,利用对角递归神经网络逼近柔性空间机械臂系统的逆动力学模型,设计基于对角递归神经网络的控制方案,以控制柔性空间机械臂的关节铰跟踪在关节空间的期望运动轨迹,同时能抑制柔性杆的振动。该方案由于没有专门设计主动控制器抑制柔性振动,因此不需要测量、反馈柔性振动模态,大大简化控制器的结构;无需预知控制对象的精确模型和系统参数,且能克服外部扰动的影响。计算机数值仿真证实所提方案的有效性和可行性。

递归对角神经网络算法在汽车主动悬架控制系统中的研究

考虑汽车主动悬架的控制效果,应用汽车系统动力学理论建立七自由度整车悬架模型;采用电磁阀式减振器技术方案,对主动悬架控制系统进行了总体方案设计;在递归对角神经网络算法的基础上构建了主动悬架控制器,利用遗传算法进行神经网络权值训练。Simulink和d SPACE实时硬件在环联合仿真结果表明:在间歇颠簸路面激励作用下,对车身垂向加速度、轮胎动行程所进行的仿真分析,以及对车辆座椅进行的振动分析,都说明该算法对主动悬架具有较明显的控制效果,较好地提高了行驶平顺性和操纵稳定性。

基于对角递归神经网络的粘度软测量模型

采用对角动态递归神经网络 ,基于生产过程的可测参数 ,构造聚酯 (PET)的粘度软测量模型 ,实现PET粘度的在线估计。

基于对角递归神经网络的冷凝器污脏测量

提出了一种在线测量冷凝器污脏的新方法。该方法选取传热端差作为研究对象,运用对角递归神经网络建立变工况端差模型,成功分离出冷凝器污脏对端差的影响,准确实现冷凝器污脏程度的在线监测。根据此方法,研制了以数字信号处理器为核心的测量装置,并进行了现场试验,试验结果证明:该方法有效、可行。

基于对角递归神经网络的小区用电负荷预测研究

为了提高小区用电负荷预测的准确度,在研究对角递归神经网络的基础上,分析比较几种优化算法,提出基于粒子群算法的对角递归神经网络预测方法。通过对小区用电负荷影响因素的分析以及对大量历史数据进行训练,最后经Matlab仿真分析,结果表明:该方法预测的准确度较高。

基于DSP的永磁同步电动机对角递归神经网络控制

在递归神经网络原理基础上,利用电机的电压电流最终估测出电机的转速、转子位置,将估测出的信号作为控制系统中速度和位置反馈信号,取代传统的永磁同步电机(PMSM)转子上的光电编码器。基于这种递归神经网络观测器,研制了一种新颖的PMSM无传感器控制系统。试验采用TMS320C2812数字信号处理器,实现了电流采样、移相触发、递归神经网络权值调节等功能。对研制的控制系统进行了实验研究。实验结果表明系统具有较强的抗扰动性能,精度高、响应快、鲁棒性好。

一种基于对角递归神经网络的PID解耦控制器

在PID多变量解耦控制的基础上,设计了一种基于对角递归神经网络的PID解耦控制器。基于对角递归神经网络构造了PID控制器,并把几个PID控制器平行采用作为解耦控制器,以同时实现解耦和控制功能。通过对2输入2输出非线性耦合对象进行计算机仿真结果表明,该控制器对多变量非线性系统解耦控制效果很好。

对角递归神经网络永磁同步电机的无传感器控制

分析了基于对角递归神经网络观测器控制系统的动态性能和鲁棒性能.基于对角递归神经网络观测器将实际测得的电压和电流经过坐标变换后估测出电流和角速度,用估测值与实际值的差值调节神经网络观测器连接权值,直到预测误差达到设定值.该控制器具有不依赖被控对象的精确数学模型、对外界环境变化具有学习性、自适应性及鲁棒性等特点.仿真表明,该方法具有较好的转子位置和速度跟踪特性,系统具有较强的抗负载扰动性能和控制性能,能够满足精度高、反应快、鲁棒性好的要求.

对角递归神经网络的LM算法及建模应用

针对递归神经网络传统BP学习算法收敛慢的缺陷,将Levenberg-Marquardt(LM)算法引入到对角递归神经网络权值的训练,这种算法提供了快速性与收敛性之间的一个折衷。仿真结果表明,该算法比传统BP算法具有更快的收敛速度,用于非线性动态系统的建模是有效的。

对角递归神经网络控制的交流伺服系统

为了获得伺服系统较高的跟踪和鲁棒性能,考虑摩擦、负载的时变性,提出了基于对角递归神经网络控制器的控制方案,改善系统的跟随性和抗扰性。仿真结果表明,采用对角递归神经网络控制器的方法具有较好的动态性能,以及对负载扰动、电动机参数变化都具有较好的鲁棒性。

对角递归神经网络在非线性内模控制中的应用

提出一种基于对角递归神经网络的非线性内模控制方案,其内部模型和内模控制器的建立均由对角递归神经网络来实现,同时改进神经网络控制器的训练函数。仿真结果表明,改进的内模控制系统与基本BP神经网络内模控制系统相比,具有跟踪速度快,超调量小,以及对对象参数摄动具有较好的适应性。

基于递归对角神经网络自适应均衡算法的研究

阐述了神经网络自适应均衡算法的基本原理,提出了一种基于递归对角神经网络的自适应均衡算法,推导了算法的迭代公式,进行了计算机仿真。结果表明,随着传输信号信噪比的增加,稳态剩余误差减小,误码率降低。

基于对角递归神经网络PID控制的交流伺服系统

将神经网络和PID控制相结合，提出了一种基于对角递归神经网络整定的PID控制策略，并将其应用于交流伺服系统的控制。利用对角递归神经网络在线自适应调整PID控制器的参数，从而使系统的静态和动态性能指标较为理想。实验结果表明，基于对角递归神经网络整定PID控制的交流伺服系统具有响应速度快、稳态精度高和鲁棒性强等特点。

基于对角递归神经网络盲均衡算法的研究

提出了一种基于对角递归神经网络的盲均衡算法。利用对角递归神经网络结构简单、计算量少的优点,结合传统的恒模盲均衡算法定义了代价函数,用最速梯度下降法推导出了其算法迭代公式。计算机仿真表明,该算法收敛速度较快,误码率较小。