基于变神经网络的非线性最小方差预测控制器

提出基于变神经网络学习动态系统参数的最小方差预测控制器。其目的是通过在线学习 ,使控制器(MVPC)能适应被控对象参数变化和非确定性。提出的变神经网络由两部分组成 ,一部分是线性神经网络 (LNN) ,作为被控对象局部线性动态模型 ,另一部分是多层交叉回归神经网络 (DRNN) ,它近似为非线性动态模型。由于引进递推最小方差算法 ,本控制器运算速度相当快。

永磁同步电机变结构模糊神经网络控制策略

为改善永磁同步电机矢量控制技术在复杂工况下控制器参数不能做出实时调整导致控制性能差的问题,分析了模糊逻辑与神经网络控制原理,提出了一种基于高斯径向基神经网络与模糊控制的相结合的智能控制策略。以转速误差以及误差的变化率为依据构建增量补偿式二维变结构模糊神经网络PID控制器(deformable fuzzy neural network,DFNN)通过RBF神经网络参数辨识器获取永磁同步电机的雅可比信息矩阵(Jacobian matrix),通过变结构算法确定变结构模糊神经网络的结构信息。在MATLAB/Simulink中仿真结果表明,该控制系统提升了电机启动以及目标转速发生改变时的响应速度,同时降低了超调量,在负载转矩存在扰动时转速变化小,且能够快速回归至给定值,优化了矢量控制系统的性能。

建筑工程造价预测的变结构神经网络模型研究

分析了建筑工程项目造价预测几种方法的缺点，提出了建筑工程造价的变结构神经网络预测模型，从理论和实例上说明了该方法的优点，为建筑工程造价管理提供了新的方法，也有助于电力工程项目造价预测管理。

旋转机组的基于变权重神经网络组合预测模型

面向旋转机组工作状态的趋势预测 ,结合组合预测模型和人工神经网络预测模型的各自优点 ,提出了一种变权重神经网络组合预测模型的新方法。该方法是利用变权重神经网络的非线性映射能力 ,依据各单项预测模型对预测结果的不同影响 ,动态确定组合预测模型的权系数。在大型旋转机组工业现场应用中 ,采用这种模型进行预测提高了预测精度 ,获得较好的预测效果。

变结构神经网络在板形信号模式识别方面的应用

提出了基于模糊距离的变结构神经网络优化算法 ,并将其用于板形信号的模式识别过程 ,有效地解决了板宽变化时神经网络拓扑结构不变的问题 ,提高了识别速度和精度 。

变结构神经网络

针对神经网络结构、性能不佳的普通状况 ,本文提出变结构的神经网络 .先后研究了神经网络单隐层和多隐层的变化情况 .

基于变步长Adaline神经网络的永磁同步电机参数辨识

为了提高永磁同步电机在线参数辨识结果的收敛速度并减小稳态误差,首先对考虑逆变器非线性因素电压补偿的表贴式永磁同步电机电压方程进行变换,从而消除误差电压的影响。在此基础上,提出一种变步长自适应线性(Adaline)神经网络算法,对表贴式永磁同步电机参数进行在线辨识。实验结果表明,所提方法能有效减小定子电阻、电感、转子磁链辨识结果的稳态误差,同时提高辨识结果的收敛速度。

基于变结构神经网络控制的决策树预测算法

为了提高统计数据时间序列准确预测的能力,针对当前的线性指数预测方法计算开销过大,且容易陷入局部最优的问题,提出一种基于变结构神经网络控制的决策树预测算法,对待处理的统计数据时间序列进行非线性特征相空间重构,在重构的高维特征相空间中进行决策树训练,提取统计数据信息流的主成分特征,对提取的特征参量采用变结构神经网络控制器进行伴随跟踪训练,进行数据聚类中心搜索和预测指向性误差的小扰动抑制,实现统计数据时间序列的准确预测.仿真结果表明,采用该算法进行统计数据预测的精度较高,收敛性较好,对数据信息流的走势拟合性能较好,性能优于传统方法.

短期洪水预报的变结构神经网络模型

针对神经网络洪水预报模型的结构难以确定的问题 ,应用一种在训练过程中可调整隐层神经元数的算法 ,建立了变结构神经网络洪水预报模型。该方法提供了设计面向问题的网络结构的途径 ,在网络结构设计。

模糊处理变结构神经网络日负荷预测方法研究

对于受不确定因素影响的日电力负荷 ,首次提出了基于模糊分类规则的变结构神经网络负荷预测模型 ,考虑从两方面改进预测精度 ,一个方面是通过模糊分类规则 ,使过去的负荷数据分为不同气候特征 ,选用同类特征数据进行预测 ,另一个方面是通过神经网络变结构优化 ,确定最优网络和最优拟合逼近 ,从而得到最优的预测结果。这种新方法同时考虑了天气因素的影响和神经网络的最优确定 ,因此 。

变结构人工神经网络模型及其在成矿预测中的应用

针对人工神经网络成矿预测模型结构难以确定的问题,详细阐述了一种在模型训练中进行隐层数目及隐层单元数目动态调整的人工神经网络算法,并以VC++为开发工具实现了变结构人工神经网络成矿预测模型,经用华南26个岩体检验,回忆率及预测率均高达100％。该方法提供了一种面向具体问题的动态解决方案,在成矿预测工作中具有一定的实用性。

具变时延细胞神经网络模型的全局指数稳定性

通过构造新的Lyapunov泛函,巧妙引入可调实参数,并结合H ardy不等式以及推广的H alanay时延微分不等式,讨论了一类具有可变时延细胞神经网络(DCNNs)的全局指数稳定性问题,所得结果改进、推广了文[7]、文[8]中相应的结论,并可应用于以前所不能处理的若干情形。特别地,还通过实例说明了相应准则的应用,扩大了神经网络设计的范围,这在理论上和应用中都有着重要意义。

基于感应电机控制系统的变结构模糊神经网络控制

感应电动机是高阶、强耦合、非线性的被控制对象,它具有容量体积比高,过载能力强,输出转矩大,无电刷,无需经常维护等优点。在感应电动机的控制中采用解耦变结构控制,可有效地简化了控制器的设计,并提高了控制器的抗干扰性和鲁棒性,而在交流解耦变结构系统中进一步应用变结构模糊神经网络,一方面使系统原来存在的抖振现象得以抑制,另一方面又使系统具有自学习和自调整模糊规则的能力,从而提高和改善了控制系统的性能。

基于变时滞神经网络的直流电机PID数字调速系统仿真研究

在PID模糊逻辑控制方法中引入变时滞函数,对直流电机的调速系统进行仿真研究。设计的变时滞神经网络用于PID模糊控制器,输入量是电机的转速偏差和转速偏差率,输出量用于控制斩波调速时的导通角,仿真结果表明该调速系统能有效地抑制超调现象,提高系统的响应速度和稳态性能。

基于变分BP神经网络的普通公路轴载计算

以普通公路为研究对象,旨在实现路段轴载谱和当量轴次的计算。首先,以《公路沥青路面设计规范》为依据,分析轴载谱和累计当量轴次的计算需求;之后,针对行业信息资源现状,解析多输入多输出的数据驱动特征;进而,针对多元耦合的计算流程,建立变分BP神经网络模型;最后,以徐州地区普通公路网为实例,对所提出方法进行验证。验证集计算中,所得月度当量轴次的推算偏差为17.15%,优于灰色系统预测模型偏差结果(19.89%)以及多元线性回归模型偏差结果(22.37%);轴载谱推算结果中,精度最高的车型为3轴车。所计算的重点轴荷范围可作为重载交通管控和基建养护决策的参考。

模糊变时滞Cohen-Grossberg神经网络全局指数稳定性

本文研究了模糊变时滞Cohen-Grossberg神经网络的全局指数稳定性,通过构造合适的Lyapunov函数和运用不等式技巧,得到了模糊变时滞Cohen-Grossberg神经网络平衡点的存在唯一性和全局指数稳定性的判别准则.

示功图与模糊神经网络结合的抽油机故障诊断

随着石油工业的发展,采油工艺的提高,抽油机故障诊断在生产环节中尤为重要,对分析传统示功图对抽油机故障诊断不足进行了分析,其不足主要集中在诊断分析方式属于定性分析,并且诊断维度过于单一.首先对抽油机的故障进行了总结,并引入模糊神经网络,并在模糊神经网络中引入黄金分割法的变步长BP算法实现推理过程,通过模糊神经网络与示功图特征综合评判其故障生成诊断方案用来实现从不同维度解决抽油机故障方面的问题,同时本文通过仿真实验验证了该理论的可行性.

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。

基于变结构神经网络的铁合金加工温度控制算法

通过对铁合金加工的温度有效控制，保障加工过程的温度和火候，提高加工精度，提出一种基于变结构神经网络的铁合金加工温度控制算法。仿真结果表明，采用该算法进行铁合金加工温度控制，温度控制输出的目标值与预测值具有较好的匹配性，温度控制精度较高，自适应性能较好。

我国鲜活农产品运输的VC-BP神经网络组合模型

鲜活农产品因其易腐烂、难保存的特点导致运输过程中损耗严重,成本重复,因此对运输有较高要求。通过层次分析法确定农产品运输通道评价指标权重,将变尺度混沌优化与BP人工神经网络有机结合,可构建变尺度混沌-BP神经网络组合优化模型。该模型通过变尺度混沌优化方法对网络权值分布进行优化,采用梯度下降法最终搜索确定全局最优权值。该模型可实现对农产品运输通道模式的评价和选择,避免了各种运输方式成本的重复利用,可快速有效提高农产品运输的运输质量。该模型可做到全局优化,避免了以往算法局部最优化的缺陷。通过实例仿真,该模型具有较好的应用性和动态适应性。