基于模糊修正的Elman动态递归网络板形高精度预报

采用Elman动态递归网络方法,以生产实测数据为基础,建立了冷连轧机板形预报模型。进而将基于误差反馈和专家经验的闭环模糊控制引入板形预报中,用于修正预报输出、提高预报精度和鲁棒性。仿真结果表明,该方法有效且预报精度优于BP网络方法。预报结果的相对误差限制在±3%以内,实现了冷连轧机板形的高精度预报。

基于改进动态递归神经网络的交通量短时预测方法

针对已有基于改进动态递归神经网络预测方法的不足,并充分考虑交通流本身所存在的复杂性、非线性和不确定性特点,提出了一种基于可变增益Elman神经网络的交通量短时预测方法。该方法通过引入一个基于实时误差分析的可变增益因子,实现了网络的实时更新。通过长春市人民大街的实测数据对方法进行了验证。试验结果表明,本文方法在网络收敛时间和预测精度方面均优于已有的基于Elman神经网络的预测模型。

Elman动态递归神经网络在陀螺仪系统建模中的应用

本文针对Ｅｌｍａｎ 动态递归神经网络的特点，提出了一种基于Ｅｌｍａｎ 动态递归神经网络建立陀螺仪系统模型的方法。文中给出了Ｅｌｍａｎ 网络的网络结构和学习方法，并对建立起的网络模型进行了仿真，仿真结果表明，该方法是可行的。

基于动态对角递归网络的变压器故障诊断

本文介绍了动态对角递归网络,并针对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。同时,将动态对角递归网络引入到电力变压器的故障诊断中,通过改良三比值方法来实现故障诊断,提高了神经网络故障诊断收敛性及增量学习能力。最后,仿真诊断实例表明了应用这种方法实现的变压器故障诊断系统的有效性。

基于动态对角递归网络的变压器故障诊断

本文介绍了动态对角递归网络,并针对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。同时,将动态对角递归网络引入到电力变压器的故障诊断中,通过改良三比值方法来实现故障诊断,提高了神经网络故障诊断收敛性及增量学习能力。最后,仿真诊断实例表明了应用这种方法实现的变压器故障诊断系统的有效性。

动态对角递归网络在变压器故障诊断中的应用

介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,提出了递推预报误差学习算法。利用该算法对神经网络的权值和域值进行训练,有效地提高神经网络的收敛性及增量学习能力。将动态对角递归网络应用到变压器的故障诊断中,利用改良三比值方法来实现诊断,建立了诊断的模型。利用部分数据进行了训练及故障诊断的仿真,结果表明了利用该方法进行变压器故障诊断的有效性。

Elman递归神经网络在结构分析中的应用

给出了Elman动态递归神经网络的网络结构和基本原理。基于Elman递归神经网络能够逼近任意非线性函数的特点,提出了一种基于Elman递归神经网络建立结构分析模型的方法。利用Elman递归神经网络对桁架进行建模,真实地反映了桁架结构的动态特性。

基于对角递归网络补偿器的直线永磁同步电机伺服系统

针对直线永磁同步电机伺服系统负载阻力扰动、动子质量变化等扰动提出了一种基于动态对角递归网络补偿器的位置伺服控制方案。利用动态对角递归网络具有内部反馈结构和动态映射能力对系统参数变化和扰动具有较强鲁棒性的特点,设计出一种新型非线性补偿器,并利用一种改进的递推预报误差学习算法加快权值调整速度、节约在线训练时间。

状态延迟输入神经网络及其在机器人定位监督控制中的应用

对复合输入动态递归网络作了改进 ,提出一种新的动态递归神经网络结构 ,称为状态延迟输入动态递归神经网络 (State Delay Input Dynamical Recurrent Neural Networks)。这种具有新的拓扑结构和学习规则的动态递归网络 ,不仅明确了各权值矩阵的含义 ,而且使权值的训练过程更为简洁 ,意义更为明确。网络增加了输入输出层前一步的状态信息 ,使其收敛速度和泛化能力与其他常用网络结构相比 ,均有明显提高 ,增强了系统实时控制的可能性。本文将该网络用于机器人定位监督控制系统中 ,通过利用神经网络建立起被控对象的逆模型 ,与传统 PD控制器结合 ,确保了控制系统的稳定性 ,有效地提高系统的精度和自适应能力。

神经模糊组合预报冷连轧机轧制力

采用Elman动态递归网络方法,以生产实测数据为基础,建立了冷连轧机轧制力预报模型。在此基础上,提出了将基于误差反馈和专家经验的闭环模糊控制引入轧制力预报中,用于修正预报输出、提高预报精度和鲁棒性的设想。仿真结果表明,该方法是有效的,预报精度优于传统方法。预报结果的相对误差限制在±4%以内,实现了冷连轧机轧制力的高精度预报。

基于DRNN的直线永磁同步电机精密位置控制

对直线永磁同步电机伺服系统提出了一种基于动态对角递归网络补偿器的IP位置控制方案。在对比干扰观测器前馈IP位置控制器的基础上,利用动态对角递归网络(DRNN)具有内部反馈结构和动态映射能力对系统参数变化和扰动具有较强鲁棒性的特点,设计出DRNN非线性补偿器,并提出一种改进的RPE学习算法加快权值调整速度、节约在线训练时间。仿真表明该方案能明显改善位置跟踪精度并增强系统鲁棒性。