基于双输入输出卷积神经网络代理模型的油藏自动历史拟合研究

传统油藏自动历史拟合方法需进行多次计算耗时的油藏数值模拟,而深度学习代理模型可以实现高效且精度近似的油藏数值模拟替代计算。在基于深度学习代理模型的油藏自动历史拟合方法中,通常将采用油藏自动历史拟合方法进行调整的油藏不确定性参数作为深度学习代理模型的输入参数。现有的深度学习代理模型常为单一输入输出的神经网络模型架构,并未考虑油藏自动历史拟合方法需要对多个油藏不确定性参数进行调整,且需要训练多个深度学习代理模型以实现对油藏含水饱和度场分布及压力场分布的预测。为此,提出了一种基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法,将油藏渗透率场分布及相对渗透率参数作为输入,使用双输入输出卷积神经网络同时对油藏含水饱和度场分布及压力场分布进行预测,利用Peaceman方程计算产量,并耦合到多重数据同化集合平滑器(ES-MDA)方法中,对油藏渗透率场分布及相对渗透率参数进行反演更新,实现较为高效的油藏自动历史拟合求解。研究结果表明:双输入输出卷积神经网络代理模型在指定时间步的油藏含水饱和度场分布、压力场分布的预测精度均为93%以上。相较于传统油藏自动历史拟合方法,基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法避免了多次调用油藏数值模拟器的计算耗时问题,提高了拟合效率。

输入饱和约束下自适应RBF神经网络非线性反馈船舶航向控制

针对输入饱和约束下外界扰动和模型不确定情况下的船舶航向跟踪控制问题,提出一种自适应径向基函数(radial basis function,RBF)神经网络非线性反馈航向跟踪控制方法。利用自适应RBF神经网络对外界扰动和模型不确定项进行估计,并利用最小学习参数法减少计算量;将一个具有误差增益反相关特征的非线性函数嵌入控制律中,设计一种非线性反馈控制方法;利用李雅普诺夫理论证明所有信号在考虑外界扰动和模型不确定的船舶航向跟踪控制系统中都是一致有界的。通过仿真和比较,验证了所设计控制方法的有效性。所做研究可为输入饱和约束下船舶航向跟踪控制提供参考,具有工程实际意义。

多输入多输出系统的神经网络PID解耦控制器

基于神经网络的PID控制 ,提出了一种可用于有耦合的多输入多输出系统的比例、积分和微分参数在线自整定的神经网络PID解耦控制器 ,可以实现对多变量系统的解耦控制 ,仿真结果表明系统具有很好的动态及稳态性能 .

多输入多输出非线性静态系统神经网络辨识的研究

本文通过对现有的系统辨识特点的分析，提出使用神经网络理论与方法对多输入多输出非线性静态系统进行辨识，并给出了一个实际系统使用具有自适应学习率反传算法辨识的有关结果。

基于图神经网络的低复杂度无蜂窝大规模MIMO无线传输

波束成形是多天线无线通信网络研究中的基本问题之一。针对无蜂窝大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)多点联合发送中满足用户服务质量需求下的最大化系统和速率波束成形问题,利用网络历史数据,提出了基于图神经网络的波束成形智能优化算法,有效克服了传统优化算法在大规模多天线通信中计算效率低的缺点。仿真实验结果表明,所提算法的性能表现与传统优化算法接近,且具有更低的计算复杂度。

两类输入输出周期函数的离散神经网络的混沌

从理论上严格证明了以下结论:带有单峰与正反双向单峰周期输入输出函数的高阶瞬时混沌离散神经网络,在权阵W为非异常数矩阵,参数τ适当小,其它一些参数适当选取的条件下,该系统是Devaney意义下的混沌系统.所用的方法是反向可积极限方法与符号动力学方法的结合.

神经网络预测系统中的输入输出指标研究

建立了一个用一串ＢＰ网络组成的、用于地区主要经济指标预测的人工神经网络系统，给出了该模型在两个地区应用中得出的不同结果；在分析这两种预测结果的基础上讨论了预测模型中输入输出指标变化对预测结果的影响．说明在神经网络预测模型中，输入输出指标的选择起着不可忽视的作用．

随机多输入多输出系统的自适应神经网络控制

针对一类具有严格反馈形式的随机非线性多输入多输出系统的自适应神经跟踪控制问题,本文利用径向基函数神经网络的万能逼近性,结合自适应Backstepping设计方法,提出了一类新的自适应神经网络状态反馈控制器,并对该系统提出的控制器含有较少的参数问题,通过Lyapunov稳定性理论进行了稳定性分析和证明,并应用仿真算例进行验证,仿真结果表明,闭环系统的所有误差变量概率意义下有界,并使系统的输出收敛到参考信号的一个小的邻域范围之内。该研究对随机非线性多输入多输出系统的跟踪控制有一定的指导意义。

具有输入和输出约束的高阶随机系统神经网络控制

针对高阶非线性系统,开展自适应神经网络跟踪控制器设计,系统受到随机扰动的影响.首次把输入和输出约束问题引入到高阶系统的跟踪控制中,并假定系统动态是未知.首先借用高斯误差函数表达连续可微的非对称饱和模型以实现输入约束,和障碍Lyapunov函数保证系统输出受限;其次,针对高阶非线性系统,径向基函数(RBF)神经网络用来克服未知系统动态和随机扰动.在每一步的backstepping计算中,仅用到单一的自适应更新参数,从而克服了过参数问题;最后,基于Lyapunov稳定性理论提出自适应神经网络控制策略,并减少了学习参数.最终结果表明设计的控制器能保证所有闭环信号半全局最终一致有界,并能使跟踪误差收敛到零值小的邻域内.仿真研究进一步验证了提出方法的有效性.

模糊RBF神经网络在专家系统知识库建立中的应用

提出了一种基于模糊RBF神经网络建立故障诊断专家系统知识库的新方法,采用5层神经网络,先对输入量进行模糊化处理,然后对RBF神经网络进行学习,最后进行反模糊化处理。该模型非常适合复杂的异常炉况系统在线故障诊断。

一种高效的基于排序的RBF神经网络属性选择方法

高维数据包含的大量冗余给数据挖掘带来了困难。因此,对高维数据进行数据挖掘时,必须先对原始数据进行降维处理。文中提出一种基于数据属性重要性排序的神经网络属性选择方法。该方法只需对部分属性进行训练,即可进行降维。它克服了现有的神经网络降维方法必须对全部属性进行训练的弊端,大大提高了属性选择的效率。该方法先用输入输出关联法对数据属性进行重要性排序,然后按重要次序用RBF神经网络进行属性选择。仿真结果表明效果良好。

RBF神经网络在二相编码雷达脉冲压缩中的应用

研究了径向基函数(RBF)神经网络在二相编码脉冲压缩技术中的应用,对网络的学习算法进行了改进,基于最小二乘原理调整网络隐含层至输出层的连接权值,采用自适应梯度下降方法,在线调整隐层神经元的宽度参数αi,采用 13位巴克码进行仿真,结果表明,改进的算法有较快的收敛性,可获得 45dB以上的输出主旁瓣比,提高了雷达的探测性能。

基于恒模复值神经网络的正交相位编码集设计

文中研究了广泛应用于多输入多输出雷达系统中的正交相位编码集的设计问题,提出了一种基于复值神经网络的正交相位编码集设计方法。该方法将编码集设计视为非线性系统构建问题,通过最小化反映了编码集自相关和互相关性质的损失函数,在常模约束条件下对网络误差进行后向传播,从而通过网络训练获得具有良好相关性的正交相位编码集。通过与现有先进算法进行不同条件下的仿真对比,文中方法设计得到的正交相位编码集具有更好的相关特性,充分验证了本文所提方法的先进性。

一种用RBF神经网络改善传感器测量精度的新方法

介绍一种利用径向基函数(RBF)神经网络和智能温度传感器DS18B20改善传感器精度的新方法。RBF网络具有良好的非线性映射能力、自学习和泛化能力,通过大量的样本数据训练构建了双输入单输出网络模型,采用改进的算法实现了传感器高精度温度补偿。

基于MPSO-RBF混合优化的过热汽温神经网络自适应控制

提出了基于改进PSO算法的RBF神经网络混合优化(MPSO-RBF)方法,该方法将改进PSO算法的全局搜索能力和RBF神经网络局部优化的高效性相融合,克服了普通PSO算法收敛的不稳定性和RBF网络易陷入局部极小值的缺点.针对具有较大惯性和滞后的非线性系统构造出一个基于MPSO-RBF混合优化方法的带输入迟延链的复合神经网络自适应控制系统(MPSO-NNC),针对某超临界600MW直流锅炉高温过热器的过热汽温控制进行了仿真试验,并与GA-RBF和Smith预估控制效果进行了对比,结果表明该方法具有更好的性能指标.

基于RBF神经网络的非线性野点检测方法

针对工业系统采集的数据容易出现野点的问题,提出一种异常数据的智能化检测方法。这种方法首先使用改进的径向基神经网络(RBFN)对工业系统的输出值进行预测,之后利用三倍方差准则的方法对预测值与系统的实际输出值之差进行检测。PH中和滴定过程仿真实验结果表明这种方法能够有效的对非线性系统数据中的野点进行检测。

基于神经网络的逆变器约束自适应PI控制

针对负载扰动以及输入输出约束条件下逆变器的电压跟踪控制问题,根据同步旋转(dq)坐标系下的电压电流时域数学模型,提出一种基于神经网络的约束自适应PI控制策略。首先,利用状态转换函数将带约束的系统转换为等价的无约束系统,同时引入动态辅助系统处理输入约束问题;其次,通过反步法进行控制器设计,并为解决传统反步法“微分爆炸”问题,运用神经网络逼近包括虚拟控制律导数在内的非线性项;最后,所设计的虚拟控制律和控制律由PI项和前馈项组成,且PI控制器的增益可在线调整;理论分析表明,所提控制策略能保证闭环系统的所有误差信号最终一致有界,Matlab/Simulink平台仿真结果则进一步验证了该方案的可行性和有效性。

基于动态RBF神经网络的锅炉短期负荷预测研究

由于锅炉的热惯性,造成整个热力系统调节相对滞后,影响系统调峰和优化运行。因此,根据系统参数对锅炉短期负荷进行预测变得尤为重要。在基本RBF神经网络的基础上,提出了一种动态RBF神经网络,并定义了样本差异和样本局部差异两个相关参数,对新样本进行有效性判别,同时,给出了输入层灵敏度系数,以实现大差异样本的负荷预测。为了验证所建模型的正确性,以某电厂实际运行数据为基础验证了这一模型,使用动态RBF神经网络对未来锅炉负荷加以预测,同时对预测结果与实验结果进行了比较。结果表明,这种网络具有很强的适应性,能够对锅炉进行准确的负荷预测,具有很好的应用前景。

基于RBF神经网络的太阳能发电量预测

太阳能发电系统输出功率的预测,尤其是短期预测,受到各种外源因素的影响,预测结果并不理想。由于现有预测方法对外部条件的依赖性,如太阳辐射强度和环境温度等,致使存在多种变量,影响预测的效率。为此,采用径向基函数神经网络(RBFN),选择最优的输入参数,来预测20 kW太阳能电池板的功率输出,考虑效率的同时,对预测结果有了一定程度的改善。并将所提出方法与现有方法进行了比较。