基于内部回归神经网络的强化学习

在强化学习和动态规划算法的基础上,提出一种不需要预测模型的改进的强化学习算法。该学习算法在模型未知和没有先验经验的条件下,能通过自身神经网络的在线学习,有效控制不稳定的非线性系统。该学习算法的网络结构采用内部回归神经网络,这样可以增强网络本身处理动态信息的能力,使其更适合复杂系统的稳定控制。应用到一级倒立摆物理实体的控制,实验结果表明了该学习算法在性能上优于其他同类强化学习算法。

基于改进BP算法神经网络的路况评价模型研究

通过利用在BP神经网络中增加反馈信号及偏差单元的网络模型,生成内部回归网络,对BP神经网络进行改进,据此得出改进的BP神经网络的具体步骤.在此基础上,结合陕西省高速公路沥青路面的实际情况建立了路况评价模型,并对该模型的具体应用做了研究.研究结果表明:网络的收敛速度很好,训练结果与实际路况结果相差很小,利用改进BP算法神经网络建立的路况评价模型不仅方便易用,而且精度很高.

基于改进IRN网络的航空发动机故障诊断

建立了一种带偏差单元的内部回归神经网络。该网络的主要特点是记忆特性好 ,收敛速度快、稳定性强。介绍了该神经网络在航空发动机故障诊断中的应用方法 ,并通过实例验证了该方法在发动机故障分类中的实用性。在对某型航空发动机故障诊断中 ,准确性极高。从而在适时与视情维修过程中提出合理的建议 ,以便为相应维修方法的实施、改进和研究应用提供可靠的依据 ,有着良好的推广应用前景。

基于IRN神经网络的雷达天线伺服系统故障诊断

文中主要针对雷达天线伺服系统故障,提出了一种基于内部回归(Internally Recurrent Net,IRN)神经网络的故障诊断手段。通过分析雷达伺服系统的信号流程图,找到了导致天线故障的所有可能部件。利用故障树的分析手段对这些部件分类,发现同一故障部件可能引发不同的故障现象,同时对所有部件进行编号。建立适用于雷达天线伺服系统的IRN神经网络,其中输入层共有23个神经元对应23个测试点,输出层共有4个神经元对应所有故障的编号。对所建立的神经网络进行训练与测试,发现IRN神经网络能够很好地完成对所有故障部件的分类。

基于机器学习实现双轮机器人平衡控制的应用研究

为了有效地解决双轮机器人平衡控制问题,改善学习时间过长的问题,使双轮机器人具有自学习能力;将机器学习中强化学习算法应用于双轮机器人上,利用内部回归神经网络构造性能评价函数,设计了一种新型控制算法;该算法是一种不需要预测和辨识模型,在模型未知及没有先验经验的条件下,通过自身神经网络的在线学习,以实现对双轮机器人的自学习平衡控制;Matlab仿真以及物理实验表明:该方法能在短时间内成功实现对双轮机器人的自学习平衡控制,且在性能上优于其它学习算法。

带有偏差单元的IRN在两相流ECT中的应用

该文提出了基于带有偏差单元递归神经网络算法在电容层析成像系统的图像重建中的应用。该算法克服了电容层析成像系统中电容测量灵敏度分布易受被测多相流介质分布的影响,利用MATLAB编程对带有偏差单元的递归神经网络进行训练,给出了图像仿真结果。仿真结果表明,该算法在保证了重建图像质量的前提下,缩短训练时间,提高了成像速度,满足了工业实时性的要求。