激励函数可调的NARX神经网络

提出了一种隐层神经元激励函数可调的具有外部输入的非线性回归(NARX)神经网络,它在进行权值调整的同时,还对各隐层神经元激励函数的参数进行自适应调节;并推导出激励函数参数的学习算法,从而使NARX神经网络更符合生物神经网络.通过系统辨识的仿真实例,说明了隐层神经元激励函数对网络性能的影响,还验证了文中提出的NARX神经网络具有更快的收敛速度,并且能有效地避免算法陷入局部最小.

含外部输入的非线性自回归模型及其在实时混合模拟中的应用

传统实时混合模拟对数值子结构多采用有限元计算,对于较复杂或自由度较多的结构,容易导致计算机在指定积分步长内无法完成结构下一步响应的计算。为了提高计算效率,该文提出一种基于代理模型的实时混合模拟方法,采用含外部输入的非线性自回归模型代替有限元计算。以非线性数值子结构和自复位阻尼器试验子结构组成的单自由度体系为对象,使用数值模拟的数据来训练代理模型,并对该模型进行实时混合模拟试验验证。试验结果表明,基于代理模型的实时混合模拟与传统实时混合模拟结果十分接近,具有替代后者的潜力。

EMD与NARX神经网络的风电场总功率组合预测

探索构建对风电场总功率进行直接预测的高精度组合预测算法。考虑到风速的非平稳性导致风电总功率表现为非平稳时间序列,采用NARX神经网络作为初步预测模型,提出了经验模态分解与NARX神经网络相结合的混合预测模型。对风电场总功率非平稳时间序列进行经验模态分解,得到不同频带本征模式分量的平稳序列。对不同频带的平稳分量建立相应的NARX神经网络预测模型,并将各分量模型的预测值进行等权求和得到最终预测值。此外,为研究不同时间间隔对预测结果的影响,采用某大型风电场时间间隔为5 min与15 min的数据进行实验。预测结果表明,提出的组合预测模型适合于总功率预测,其预测效果比传统模型的效果更佳,且时间间隔为5 min的数据比时间间隔为15 min的数据预测精度更高。

基于NARX神经网络的光伏发电功率预测研究

为了较准确地预测光伏发电系统的发电功率,建立了动态神经网络预测模型。该模型采用有外部输入的非线性自回归神经网络(NARX)结构,考虑太阳能辐射量和电池板温度对光伏发电功率的影响,利用NARX神经网络强大的非线性映射和泛化能力,进行了发电功率的预测。结果表明,利用NARX神经网络预测光伏发电功率是可行的,并且与传统BP神经网络相比,具有良好的适应性和预测精度。

可重构功放的新颖NARX神经网络逆向建模研究

针对使用CAD软件设计射频微波电路繁琐且耗时长等缺点,提出一种新颖的带外部输入的非线性自回归(NARX)神经网络逆向建模方法。此方法采用具有激励函数的NARX神经网络(DAFNN)为模型以提高网络的泛化能力,利用支持向量机(SVM)替代模型的前馈部分完成数据分类,解决设计中的多解问题。然后应用于可以覆盖多个频段的可重构功率放大器中,实验表明,该方法在精度方面分别优于直接逆向建模方法和自适应η逆向建模方法99.86%和81.32%,计算速度方面优于直接逆向建模方法31.72%,可以降低射频微波可重构功率放大器的设计复杂度、缩短其设计时间。

基于GFRFs的非线性系统结构故障检测方法

为了能够更加准确高效地检测非线性系统的结构是否发生故障,提出了基于系统带外部输入的非线性自回归(NARX)模型的广义频率响应函数(GFRFs)故障检测方法。根据受检系统的NARX模型参数和一阶GFRF估算出系统的高阶GFRFs,通过比较受检系统与无故障系统结构的广义频率响应函数值,实现系统结构的故障检测。根据受检系统和无故障系统的GFRFs确定系统故障损害程度指数,进一步对故障程度进行评估。通过实验与其他检测方法进行对比,验证了所提检测方法的优越性。

电磁发射系统监测量预测方法

对设备监测量的数值预测是进行故障预测与健康管理(PHM)研究的重要环节之一。以电磁发射系统中分段供电直线电机的定子温度为例,分别基于自回归积分滑动平均(ARIMA)模型、卡尔曼滤波模型、反向传播(BP)神经网络模型和一种新的以工况信息为外部输入的非线性自回归神经网络(NARX)模型,实现了对定子温度多时间尺度的预测。ARIMA模型为其他三种模型提供了时序数据分析时确定阶数的依据。在不同于训练数据集的试验数据上应用四种预测模型,比较和分析了四种方法得到的多时间尺度预测结果:对于不超过1min的短时温度预测,四种方法都具有较好的效果;对于1~4min的中长时间预测,引入工况信息的NARX神经网络方法具有优势。四种方法对分段供电直线电机定子温度预测都不具有超过4min的预测能力。

基于履带车辆车体动态响应的行驶路面不平度识别

建立了基于履带车辆车体动态响应的行驶路面不平度识别的模型。该模型采用带外源输入的非线性自回归神经网络结构,以履带车辆车体动态响应为输入、路面不平度为输出。将相关性系数、均方根误差和绝对误差累计概率密度作为识别效果的评价指标,并给出了上述三个指标的融合方法。基于正交试验设计的思路分析并实现了路面不平度识别模型输入数量和识别效果的平衡,简化了测试系统传感器的布置。分析了不同的路面、采样频率和车速下的路面不平度识别效果。结果表明,提出的不平度识别方法满足工程实际需求。

一种变步长CMAC的沉降NARMAX模型

为了提高氧化铝生产质量和降低能耗,分析了氧化铝沉降工艺中影响沉降过程的各种因素,采用小脑模型神经网络(CMAC)系统辨识的方法建立沉降系统的带外部输入的自回归滑移模型(ARMAX)。针对CMAC收敛性存在的问题,提出了基于变步长小脑模型神经网络(CMAC)算法,通过双曲正割函数优化学习步长,提高了小脑模型神经网络算法的收敛速度和计算精度,进而优化了沉降槽密度ARMAX模型。仿真实验表明,该算法的ARMAX模型可以对沉降过程中的槽内密度进行准确识别,指导氧化铝的沉降生产操作。

压电作动器的支持向量机迟滞模型

压电作动器被广泛应用于高精度定位领域,但是其固有的迟滞非线性会严重影响定位精度。为了准确地描述压电作动器的迟滞特性,提出了一种基于非线性自回归移动平均（NARMAX）的支持向量机（SVM）迟滞模型。为了建立SVM迟滞模型,首先需要将压电作动器的输入输出关系从一个多值映射问题转化为单值映射问题,对比了不同的单值映射对SVM迟滞模型精度及泛化能力的影响,提出了一种基于NARMAX构建单值映射的方法,建立了在全局上具有更高精度的压电作动器SVM迟滞模型。通过减小训练集中所包含输入信号频率的间隔,提高了模型在测试集上的精度。采用交叉验证的方法确定SVM模型中的参数,提高了迟滞模型在全局上的精度和泛化能力。结果表明,相比传统Bouc-Wen模型,所提出的模型在1 Hz处精度提高了8倍,在50 Hz处精度提高了60倍。通过位移跟踪实验,证明了基于SVM迟滞逆模型的前馈＋反馈（FF＋FB）控制能够有效提高跟踪精度,相较于PID反馈控制,其跟踪误差最多可降低73.9%。

基于CSA-NARX模型的电梯钢丝绳动态张力预测方法

为了预测曳引式电梯钢丝绳的动态张力,对带有外部输入的非线性自回归神经网络(NARX)进行研究,利用变色龙优化算法(CSA)对其关键参数进行优化,提出了CSA-NARX神经网络模型。该模型在计算速度以及预测精度方面皆优于NARX基础模型。最后,利用提出的神经网络模型对电梯上行过程中钢丝绳的动态张力进行预测,其预测精度达到了97%。以传统的非平稳时间序列分析模型ARMA和LSTM为对比,所提出模型的精度更高,验证了所提出模型的有效性。

地铁车站施工过程中地表沉降的NARXNN时间序列预测模型

准确预测地铁车站开挖过程中的地表沉降已成为城市地下工程风险控制的重点和难点。针对传统时间序列预测模型预测时的单一线性和忽略施工因素影响的静态局限性,提出了带外部输入的非线性自回归神经网络(NARXNN)时间序列预测模型。该模型本身具有延迟单元和反馈结构,且通过引入施工影响因子作为外部输入的一部分,可以非线性动态地考虑地铁车站施工过程。运用NARXNN时间序列预测模型对北京地铁六号线北海北站开挖过程的地表沉降进行预测,结果表明:(1)与传统的ARMA时间序列预测模型相比,NARXNN时间序列预测模型适应性更好、准确性更高;(2)通过引入施工影响因子,NARXNN时间序列预测模型能够准确预测沉降历时曲线突变点处的变化趋势;(3)可以通过引入多组施工影响因子或优化施工影响因子的取值方法来进一步提高NARXNN时间序列预测模型的预测精度。