基于时变深度前馈神经网络的风电功率概率密度预测

针对传统循环神经网络(RNN)和卷积神经网络(CNN)模型对风电功率进行较长时间尺度的短期预测时出现的时不变性问题,应用时变深度前馈神经网络(ForecastNet)模型进行短期风电功率不确定性预测。该模型的网络结构随时间变化以提高多步提前预测能力,模型交错输出以缓解梯度消失问题,使用混合密度网络得到各个时刻的概率密度分布。在避免传统深度学习模型中,该模型能避免递归多步预测累积误差的同时可以充分考虑相邻时刻风电功率的相关性;在模型隐藏层中,使用美国PJM网上的风电功率实际数据,分别应用全连接网络、卷积网络以及基于注意力机制的卷积网络3种神经网络模型进行预测,每次预测未来12 h的风电功率,滚动预测得到未来500 h的风电功率区间和概率密度,实验仿真结果能够证明所提预测模型的有效性。

区间时变细胞神经网络周期解的鲁棒指数稳定性

本文研究一类区间时变扰动神经网络系统周期解的鲁棒指数稳定性.获得了一系列关于鲁棒指数稳定性的判据.

自组织递归区间二型模糊神经网络在动态时变系统辨识中的应用

针对动态时变系统辨识过程中存在噪声干扰的问题,本文将区间二型模糊集结合到递归神经网络中,提出了自组织递归区间二型模糊神经网络以增强动态时变系统的抗噪能力。该自组织递归区间二型模糊神经网络由前件和后件两部分构成:前件为区间二型模糊集模型,用于将每个规则的激活强度反馈到自身构成内反馈回路,其参数学习采用梯度下降算法;后件为带有区间权值的Takagi-Sugeno-Kang(TSK)模型,其参数学习采用有序规则卡尔曼滤波算法,且网络初始规则数为零。所有规则均通过结构学习和前后件参数同时在线学习来产生,其网络结构学习采用的是在线区间二型模糊群集。为验证提出的神经网络的优越性,将其应用到单输入单输出动态时变系统的辨识中。实验结果表明,相对于前馈一型/二型模糊神经网络、递归一型模糊神经网络,该神经网络的辨识能力强,即使在存在白噪声的条件下,也能减小测试及训练误差。

不确定区间时变时滞神经网络的鲁棒控制

研究了一类不确定时变时滞神经网络的鲁棒控制问题。利用Lyapunov-Krasovakii泛函和积分不等式方法,得到了该神经网络系统的鲁棒H∞稳定性准则和镇定条件。与已有文献相比,所获得的研究结论改进了目前现有的成果,尤其在减小条件保守性及降低结果冗余设计方面都有比较大的进步。数值算例验证了所给方法的正确性。

时变时滞区间神经网络指数鲁棒稳定性改进的判别方法

文章研究具有时变时滞区间神经网络系统的指数鲁棒稳定性.采用Halanay不等式、不动点理论及矩阵理论推导出指数鲁棒稳定性的一个改进的判别条件.该结果不同于以往线性矩阵不等式形式的条件,是通过计算矩阵的算子范数来判断稳定性的.

时变时滞区间神经网络的全局鲁棒稳定性判据

本文主要研究时变时滞区间神经网络的全局鲁棒稳定性问题,利用区间神经网络的等价转换和自由矩阵技术,给出一个新的区间神经网络平衡点的时滞依赖全局鲁棒稳定性的充分条件,这个条件以线性矩阵不等式的形式给出,容易验证,保守性低。最后,通过数值实例验证了所提算法的正确性和更低的保守性。

欠驱动UUV自适应RBF神经网络反步跟踪控制

针对水下无人航行器(UUV)模型存在一定的误差以及流体中存在时变扰动问题,引入径向基函数(RBF)神经网络控制技术进行自适应补偿估计,结合反步法设计UUV的位置、姿态及速度控制器,使用虚拟速度来代替姿态误差的控制手段,将姿态跟踪控制转化为对速度控制。仿真结果说明此种方法是有效的,提高了UUV的鲁棒性及自适应能力。

混合时滞随机神经网络全局渐近同步

研究了一类具混合时滞神经网络耦合大系统的同步问题.应用矩阵的Kronecker积与线性矩阵不等式,得到耦合大系统同步的一些充分性判据,所得到的结果易于通过Matlab线性矩阵不等式工具箱(LMI)进行检验,所讨论的神经网络具有参数的不确定性、分布时滞、随机扰动以及非线性耦合等,而且弱化了相关文献中激励函数为严格Lipshitz或Sigma型的假定,使所得结果更为精细.

带有区间时变时滞的非线性扰动切换系统的指数镇定

研究了一类非线性扰动切换系统的指数镇定问题。首先,考虑状态中含有区间时滞,通过构建Lyapunov-Krasovskii泛函(L-K泛函)引入自由参数矩阵;然后,运用自由权技术和平均驻留时间方法得出切换规律,建立以矩阵不等式形式为基础的闭环系统指数镇定的充分条件,并通过矩阵变形设计出切换系统的控制器;最后,利用Matlab仿真进行数值计算。仿真实验结果验证了定理的有效性。

未知时变扰动及模型参数动态不确定下船舶自动靠泊控制

针对未知时变扰动及模型参数动态不确定下的船舶自动靠泊控制问题,提出一种新的间接神经自适应的靠泊控制策略。采用径向基函数神经网络逼近船舶模型参数中动态不确定部分,采用带有唯一虚拟参数的线性化参数形式表示模型参数动态不确定性和未知时变扰动构成的复合不确定项,使计算简单,易于工程实现。利用Lyapunov理论证明提出的自动靠泊闭环控制系统的稳定性和信号的一致有界性。仿真实验结果证明了该控制律可以使船舶达到期望的位置和艏向角,实现船舶自动靠泊。

基于划分时滞区间的一类Cohen-Grossberg神经网络的鲁棒稳定性

研究一类具有时变时滞及参数不确性的Cohen-Grossberg神经网络的鲁棒稳定性问题.应用划分时滞区间的思想构造了一个新的Lyapunov泛函,并以线性矩阵不等式的形式给出了平衡点全局鲁棒稳定性判据,新判据放松了时变时滞变化率必须小于1的限制.仿真结果进一步证明了所得结论的有效性.

时滞耦合随机神经网络全局指数同步

应用矩阵的Kronecker积、线性矩阵不等式及随机微分方程等有关工具,研究了一类具离散时滞与分布时滞的随机神经网络耦合大系统的均方全局指数同步问题.综合考虑了参数的不确定性、分布时滞、随机扰动、非线性耦合等的影响,并弱化了相关文献中激励函数为严格Lipshtz或Sigma型的假定,得到该耦合大系统均方全局指数同步的一些充分性判据.所得到的结果易于通过Matlab线性矩阵不等式工具箱(LMI)进行检验.

随机扰动下混合时滞混沌系统自适应同步

基于自适应同步原理,同时考虑系统内部参数不确定性和系统外部随机扰动,研究了一类具有混合时变时滞的混沌神经网络的同步问题.利用随机微分方程理论,lyapunov稳定性理论和线性矩阵不等式(LMI)的方法,设计自适应控制器.研究表明本方法能有效地克服干扰对同步所造成的破坏,实现良好的同步效果.最后,数据仿真证明了所给方法的有效性.