递归对角神经网络算法在汽车主动悬架控制系统中的研究

考虑汽车主动悬架的控制效果,应用汽车系统动力学理论建立七自由度整车悬架模型;采用电磁阀式减振器技术方案,对主动悬架控制系统进行了总体方案设计;在递归对角神经网络算法的基础上构建了主动悬架控制器,利用遗传算法进行神经网络权值训练。Simulink和d SPACE实时硬件在环联合仿真结果表明:在间歇颠簸路面激励作用下,对车身垂向加速度、轮胎动行程所进行的仿真分析,以及对车辆座椅进行的振动分析,都说明该算法对主动悬架具有较明显的控制效果,较好地提高了行驶平顺性和操纵稳定性。

对角神经网络用于环形激光陀螺消噪建模

对角神经网络(DRNN)为非全反馈式动态神经网络。应用DRNN对处于静止和运动状态下的环形激光陀螺(RLG)进行了消噪建模,并应用A llan方差方法对消噪后的结果进行了对比分析。结果表明:使用DRNN对RLG进行消噪建模是可行的。同时,将DRNN与反向传播神经网络的消噪结果进行了比较,得到动态网络的消噪能力要优于静态网络的结论。所用方法对研究RLG的误差补偿及快速启动是有实际意义的。

基于递归对角神经网络自适应均衡算法的研究

阐述了神经网络自适应均衡算法的基本原理,提出了一种基于递归对角神经网络的自适应均衡算法,推导了算法的迭代公式,进行了计算机仿真。结果表明,随着传输信号信噪比的增加,稳态剩余误差减小,误码率降低。

基于混沌对角神经网络的图像压缩

将混沌系统和对角递归神经网络结合,提出了一种新的神经网络.设计了混沌对角递归神经网络的结构和它的学习算法,并将其应用到图像压缩.通过仿真试验证明混沌对角神经网络在重建图像效果等方面的性能优于传统对角神经网络.

在线优化参数的神经网络预测监督控制

使用具有辅助变量的全格式动态线性化方法逼近系统,构建了神经网络监督控制预测模型。利用线性跟踪-微分器建立过渡过程,应用线性扩张状态观测器估计输出预测值及其微分,给出了线性PID控制算法。根据对角回归神经网络构成直接逆控制,提出了改进的控制目标函数。依据非线性递推最小二乘法在线优化了PID控制参数和对角回归神经网络的连接权。当系统控制误差大于一定值时,重置PID控制参数。最后提出了在线优化参数的神经网络预测监督控制,克服了已有的神经网络监督控制存在建模难的问题。仿真研究结果表明控制算法的响应具有理想性能。

基于递阶对角神经网络的大坝变形预报模型

针对大坝工作条件复杂,影响因素繁多,致使现有监控模型预报精度偏差过大问题,基于递阶对角神经网络能够逼近任意非线性函数的特点,使用串并联模型辨识器,采用动态BP学习算法,以水压、温度和时效因子为输入量,坝体位移为输出量,结合工程实例提出了大坝变形监测的递阶对角神经网络模型,并将该模型用于坝体变形数据的拟合分析及其预测预报.研究表明,该网络不仅收敛速度快,提高了算法的效率,而且对实测数据具有较好的拟合效果,提高了预报精度,在大坝安全预测分析中具有有效性和优越性.

基于递阶对角神经网络的失业预测研究

本文通过构建递阶对角神经网络来建立失业模型并探讨失业规律,采用我国的宏观经济数据进行了失业预测研究。结果表明将神经网络用于社会经济方面的建模和预测有独特的优势。

基于对角Elman神经网络的失业预测模型

本文通过对角 Elman神经网络来挖掘我国失业规律 ,建立失业模型 ,并预测我国的失业形势 .结果表明 。

基于对角递归神经网络的建模及应用

介绍了对角递归神经网络,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.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性.

准对角递归神经网络及其算法的研究

提出一种准对角递归神经网络(QDRNN)结构及学习算法。此QDRNN结构上与对角递归神经网络(DRNN)相似,保留了DRNN结构简单的优点,以减小计算量,同时增加了相邻递归神经元之间的关联,可以直接应用BP学习算法进行训练。进一步,引入递推预报误差(RPE)学习算法,并且证明了其稳定性。仿真结果表明,QDRNN比DRNN具有更好的非线性逼近能力,而运算时间却增加甚微,DRNN的学习算法稍加变化即可应用。

基于对角递归神经网络整定的PID解耦单元机组负荷控制系统

针对火电厂单元机组具有多变量强耦合、非线性及参数时变的受控对象,提出了基于对角递归神经网络整定的PID解耦控制方法,其主要特点是能够提供一个对角递归神经网络来辩识系统模型,进而对PID控制器参数进行整定,实现多变量解耦控制。通过对火电机组负荷控制系统的设计和仿真研究,表明系统达到了动态近似解耦、静态完全解耦和无静差跟踪,并具有响应速度快,鲁棒性好等特点。

一种快速对角回归神经网络控制算法

文 [1]定理 1给出了一个基于Lyapunov函数的三层对角回归神经网络 (DRNN)任意权参数学习速率的自适应调整算法 ,而推导各层权自适应学习速率时没有严格满足定理 1成立的必要条件 ,故没能找到各学习速率的准确范围 .依据文 [1]定理 1,精确给出了各权向量及权矩阵学习速率的调整算法 ,结果表明DRNN应具有更大的学习速率 ,对应更加快速的收敛算法 .给出了相应的仿真结果 .

基于对角回归神经网络的饱和式蒸汽发生器水位控制

神经网络具有较强的自学习和自适应能力,本文设计了基于对角回归神经网络(DRNN)的控制系统,选择合适的学习率,实现饱和式蒸汽发生器水位变化率的快速稳定辨识和自适应控制。仿真结果表明,蒸汽发生器水位的控制效果良好。

在Preisach模型框架下的似对角动态神经网络压电陶瓷迟滞模型的研究

在Preisach模型的结构下,用一阶微分方程代替relay迟滞元,借鉴对角动态神经网络模型,提出压电陶瓷迟滞特性的一种新的数学模型。该模型既有Preissach模型的结构思想,又能反映其动态特性。在输入信号是周期性衰减信号的激励下,由Preisach模型产生的数据和压电陶瓷产生的数据分别进行建模和预测仿真,结果表明该模型用于压电陶瓷迟滞特性建模是有效的,并具有较高的模型精度。

基于对角递归神经网络的异步电动机定子绕组匝间故障诊断方法

为了有效地监测异步电动机定子绕组匝间短路故障,提出了基于对角递归神经网络的匝间故障在线诊断方法。该方法采用2个对角递归神经网络监测匝间短路故障,一个用于估算故障的严重度,另一个用于确定定子绕组故障匝数。同时,提出自适应动态学习算法,训练对角递归神经网络,确定网络最优隐层神经元的个数,使诊断模型更加紧凑和精确。根据该方法构建了试验系统并进行了匝间短路试验,试验结果表明:基于对角递归神经网络的诊断模型,在不同工况下可精确确定定子绕组短路故障的匝数。由于对角递归神经网络具有动态处理能力,和前馈神经网络相比,克服了前馈神经网络故障诊断模型无动态处理能力的局限性,能更有效地监测定子绕组匝间短路故障。

基于对角递归神经网络的汽车主动悬架控制

为了提高电动汽车行驶平顺性及操纵稳定性,针对电动汽车悬架进行振动分析,建立了七自由度汽车电动主动悬架模型,设计四轮全驱电动汽车电动主动悬架结构及其控制系统.重点针对电动汽车主动悬架特点设计对角递归神经网络(DRNN)控制器,选取车身垂向加速度、悬架动行程和轮胎动行程作为神经网络控制器输入,采用梯度下降法对神经网络权值进行在线调整.仿真结果表明,具有DRNN控制器的电动主动悬架控制效果较PID控制主动悬架和被动悬架有显著提高,有效改善了汽车行驶平顺性及操纵稳定性,也说明所设计的控制策略在电动汽车电动主动悬架控制方面的有效性.

具有外部扰动的参数未知漂浮基柔性空间机械臂的对角递归神经网络控制

讨论载体位置和姿态均不受控情况下,存在外部扰动的参数未知漂浮基柔性空间机械臂系统关节运动的动力学控制问题。由假设模态法,利用拉格朗日方法建立漂浮基柔性空间机械臂的系统动力学方程。以此为基础,针对存在外部扰动和系统参数未知的情况,利用对角递归神经网络逼近柔性空间机械臂系统的逆动力学模型,设计基于对角递归神经网络的控制方案,以控制柔性空间机械臂的关节铰跟踪在关节空间的期望运动轨迹,同时能抑制柔性杆的振动。该方案由于没有专门设计主动控制器抑制柔性振动,因此不需要测量、反馈柔性振动模态,大大简化控制器的结构;无需预知控制对象的精确模型和系统参数,且能克服外部扰动的影响。计算机数值仿真证实所提方案的有效性和可行性。

基于对角递归神经网络的粘度软测量模型

采用对角动态递归神经网络 ,基于生产过程的可测参数 ,构造聚酯 (PET)的粘度软测量模型 ,实现PET粘度的在线估计。

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。

基于对角递归神经网络的冷凝器污脏测量

提出了一种在线测量冷凝器污脏的新方法。该方法选取传热端差作为研究对象,运用对角递归神经网络建立变工况端差模型,成功分离出冷凝器污脏对端差的影响,准确实现冷凝器污脏程度的在线监测。根据此方法,研制了以数字信号处理器为核心的测量装置,并进行了现场试验,试验结果证明:该方法有效、可行。