基于自适应变步长神经网络的烧穿点位置预测模型

本文针对铅锌冶炼过程中的密闭鼓风炉烧结工艺,提出了基于神经网络的烧穿点位置预测模型.并采用自适应变步长学习算法,以加快BP学习算法的收敛速度.仿真结果表明,以此模型为中心的烧穿点位置自动控制系统具有较好的性能.

用自适应变步长BP神经网络求高分子材料的本构关系

本文阐述了人工神经网络基本原理,研究分析了BP神经网络模型的缺陷并提出了优化策略。建立了求高分子材料本构关系的三层前馈反向传播神经网络模型,并作了多次不同的泛化性测试。实例分析表明,自适应变步长BP神经网络在收敛速度及稳定性方面都有很好的效果,可应用于求高分子材料本构关系。

CMAC神经网络在变磁阻电动机转矩控制中的应用

结合变磁阻电动机的工作特点，提出了应用小脑模型神经网络控制SRM转矩的控制器结构和改进的学习算法。该算法是在原算法的基础上增加了一个与可变相角有关的约束函数。仿真结果表明：该系统不但收敛速度没有降低，而且经过训练能够产生理想的电流曲线，在抑制电机转矩脉动和提高有效功率方面具有显著效果。

用神经网络结构实现超磁致伸缩智能构件滑模控制

提出了一种利用超磁致伸缩材料(GMM)智能构件精密加工活塞异形孔的方法。采用一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制,消除了GMM智能构件迟滞非线性的影响。将智能构件的输出位移及其变化率作为小脑模型神经网络(CMAC)输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型;通过离散滑模变结构控制器来消除神经网络的建模近似误差以及外界干扰。仿真结果表明,此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,控制误差降低到1.5%以内,可实现智能构件的精密位移控制。

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。

基于模型逼近度和接受概率的一个变步长快速BP学习算法

本文给出模型逼近度的概念．在此基础上并利用模拟退火法的思想，提出了一个改进的变步长快速ＢＰ学习算法．数值结果表明该算法不仅明显地提高了ＢＰ网络的学习收敛速度，而且在一定程度上还能避免陷入局部极小．

一种基于模型逼近度的变步长BP算法

从步长选择的角度出发，提出了一个基于模型逼近度的变步长ＢＰ神经网络学习算法。数值结果表明该算法具有良好的收敛速度。

改进CMAC在森林火焰识别中的应用

由于传统火情识别存在的缺陷,提出一种基于双曲正割函数的变步长最小均方(LMS)算法的小脑模型神经网络(CMAC)森林火焰识别系统。通过分析火焰初期的一些静态和动态特性,对森林火焰进行初步识别。并在利用最优阈值搜寻法对图像进行分割处理的基础上,提取出相应的特征向量,作为改进CMAC的输入,利用神经网络进行森林火焰检测与识别。实验仿真表明,能对火焰进行准确、有效的判别。

基于变尺度编码CMAC的增强学习控制器及其应用

研究了一种基于变尺度编码CMAC神经网络的增强学习控制器设计方法,并应用于以自行车平衡为模型的非线性随机系统的学习控制中.该方法通过对Markov决策过程状态空间的变尺度重叠量化编码,实现基于CMAC的多分辨率值函数逼近,从而有效地提高了增强学习控制器对连续状态空间马氏决策问题的泛化性能.针对自行车学习控制的仿真研究表明,采用变尺度编码CMAC进行值函数逼近的增强学习控制器能够获得优于已有表格型方法和均匀编码CMAC方法的学习效率和泛化性能.