一类具有Leakage时滞的惯性Cohen-Grossberg神经网络的全局指数稳定性和Hopf分支

研究一类具有Leakage时滞的惯性Cohen-Grossberg神经网络模型.通过构造适当的Lyapunov泛函得到了平衡点全局指数稳定的充分条件.通过分析特征方程,讨论了系统平衡点的局部稳定性,得出了系统Hopf分支存在的充分条件.最后对所得理论结果进行了数值模拟.

基于传感器的操作臂惯性参数在线识别神经网络模型

机器人惯性参数识别是机器人精确建模以及机器人控制和仿真的关键问题之一。机器人腕力传感器的接入将影响机器人系统的动力学特性 ,同时腕力传感器的输出也真实地反映了机器人的力作用和机器人末端的动力学特性。本文基于腕力传感器的输出信号 ,对在线识别机器人操作臂末端的惯性参数的方法进行了分析和研究 ,并建立了惯性参数在线识别的神经网络模型 ,网络学习后其权值即为辨识的惯性参数。

基于小波神经网络的惯性导航系统误差模型中的仿真研究

提出了利用当前应用较多的小波神经网络的解决办法，首先用小波分析的方法对陀螺漂移信号进行处理，得到该信号的平稳值；在此基础上，用神经网络的方法进行惯性导航系统的初始对准，有效地提高了初始对准的精度，提高了方法的实用性。

Cohen-Grossberg神经网络稳定性分析

为了研究具有逆Lipschitz激励函数的Cohen-Grossberg神经网络的稳定性,应用Brouwer拓扑度性质和线性矩阵不等式技术,探讨了Cohen-Grossberg神经网络的平衡点的存在性及唯一性。通过构造合适的Lyapunov函数和利用Lyapunov对角稳定性矩阵,给出了唯一平衡点全局指数稳定的充分条件。

基于灰色模型与小波神经网络的卫星钟差预报方法

提出一种基于灰色模型和小波神经网络相结合的卫星钟差预报方法。首先通过灰色模型对钟差进行拟合并确定钟差预报的灰色模型,然后根据拟合残差对小波神经网络进行建模,最后将两种模型对应的预报结果结合得到钟差预报值。使用IGS精密钟差进行实验,证明该方法的预报效果优于二次多项式模型和灰色模型,特别是对于ⅡR型铷钟和ⅡF型铷钟,其预报精度可以提高2倍以上。

基于LSTM深度神经网络的MEMS-IMU误差模型及标定方法

针对微惯性传感器受热、力学等环境的影响显著,传统的多项式误差模型补偿效果不理想的问题,建立一种基于长短时记忆(LSTM)深度神经网络的MEMS-IMU误差模型。模型输入信息为MEMS-IMU输出的角速度、加速度、温度,输出为角速度误差、加速度误差。同时,设计了基于长短时记忆神经网络的MEMS-IMU误差模型标定流程,构建了MEMS-IMU热、线运动、角运动等多维误差因素的综合激励训练集,对长短时记忆神经网络模型进行训练。对训练得到的模型进行验证,结果表明,相对于传统方法,采用所提出的模型对加速度和角速度进行误差补偿后残差均值减小约70%,均方差分别减小39%和64%,补偿效果更好。

基于惯性传感器和LSTM神经网络的人体运动识别方法

面向人体惯性运动捕捉系统,提出一种基于长短期记忆网络(LSTM)的人体运动模式识别方法。设计1个包含2层LSTM层的深度学习神经网络对人体三维加速度信息进行自动特征提取并对多类运动模式进行时序建模,从而实现对运动模式的快速实时识别。实验基于WISDM公开数据集,对人体右腿前口袋部位的三维加速度信息进行分析,验证模型识别人体慢跑、步行、坐、站、上楼、下楼运动过程的准确率为97.5%,并通过对比实验验证了该方法的有效性。为基于移动设备及可穿戴设备的人体运动识别研究提供了一个可行的方法。

基于RBF神经网络的MEMS惯性传感器误差补偿方法

传统的微机电系统(MEMS)惯性传感器误差补偿技术通常采用多元线性回归误差模型,未考虑传感器误差的非线性特性,不能实现精确的误差补偿。针对以上问题,提出了一种基于径向基函数神经网络的微惯性测量单元误差补偿模型,将MEMS惯性传感器三轴测量值和真实值作为样本,对网络进行训练,利用训练好的网络对MEMS加速度计和陀螺仪进行误差补偿。实验结果表明:与多元线性回归误差模型相比,神经网络对惯性传感器具有更好的降噪滤波效果;且基于径向基函数神经网络的惯性传感器误差补偿精度较另外2种模型提升了1~2个数量级。所提方案能够有效地补偿MEMS惯性传感器误差。

多层局部回归神经网络在激光陀螺捷联惯导系统惯性敏感器误差补偿中的应用

惯导系统误差补偿技术对提高武器装备的性能具有重要的意义 ,而误差补偿的关键在于误差模型的辨识。探讨将多层局部回归神经网络引入到惯性敏感器误差建模中 ,详细介绍了网络结构和对应的自适应动态梯度算法。仿真算例说明 ,多层局部回归神经网络在惯性敏感器输出误差建模时具有一定的优点 :网络收敛速度快、较好的跟踪性能、稳定性好。

具有时滞的惯性Cohen-Grossberg神经网络的稳定性

提出了一类带有时滞Cohen-Grossberg惯性神经网络模型。通过利用矩阵测度的方法和运用Halanay不等式的技巧,得到了该模型的平衡点存在性和稳定性的充分条件。并通过数值模拟验证了主要结果的可行性和理论结果的有效性。

车载惯性稳定平台的神经网络滑模控制

三轴车载惯性稳定平台为复杂的MIMO非线性系统,针对其在不确定扰动下的伺服控制问题,本文设计了一种神经网络反演滑模控制器(NNBSMC).首先,选用反演法对其解耦,同时引入滑模控制律增加系统的抗干扰性;其次针对框架间的非线性摩擦力与系统耦合选用RBF神经网络作为扰动估计器,以便实时估计与补偿;然后采用前向增稳通道应对建模参数不精确以保证系统的稳定性.最后,利用Lyapunov定理分析了闭环系统的稳定性,在伺服控制与姿态锁定的仿真实验中分别与双环PID、滑模控制和反演滑模控制作对比,结果验证了提出的控制算法的有效性和鲁棒性.

改进粒子群优化BP神经网络粮食产量预测模型

综合考虑影响粮食产量的多种因素,运用改进的粒子群算法优化BP神经网络的初始权重,建立了适合小样本粮食产量的预测模型.实验表明,与BP神经网络粮食预测模型和PSO-BP神经网络粮食预测模型相比,该模型具有更高的预测精度和较大的适应度.

基于改进粒子群与神经网络的铁路客流预测模型

为提高对铁路客流量预测的准确性,提出一种基于改进粒子群与神经网络的铁路客流预测模型,针对粒子群算法易收敛至局部最优的问题,该算法提出自适应惯性权重调整策略,并扰动补偿因子对粒子群算法进一步改进。利用改进后的粒子群算法对BP神经网络初始值和阈值进行优化,建立铁路客流预测模型。测试结果表明,该算法能有效地提高预测准确性。

函数型神经网络在捷联陀螺非线性估计中的应用

针对神经网络的强自学习性、自适应能力及非线性变换特性,结合陀螺静态漂移误差模型,采用函数型神经网络对捷联陀螺静态漂移误差系数进行了非线性估计,解决了捷联陀螺重复启动时的静态漂移误差系数的在线动态标定问题。

改进小波分析与神经网络的股票成交价预测

本文针对数据采集过程中包含噪声信号的问题,提出了一种新的小波阈值函数去噪方法对股票历史数据进行去噪处理,以消除噪声对预测精度的影响,然后将去噪后的数据应用于BP神经网络模型(BPNN)、典型惯性权重值的粒子群算法-BP神经网络模型(PSO-BPNN)和改进惯性权重的粒子群算法-BP神经网络模型(IPSO-BPNN)。经实验对比分析可知,去噪后的股票数据比原始数据预测效果更好,且IPSO-BPNN比PSO-BPNN和BPNN预测精度更高,由此证明了小波去噪过程的必要性和改进粒子群算法优化神经网络的有效性。

基于神经网络的高超声速飞行器惯导系统精度提高方法

针对目前惯性系统误差补偿模型对静态误差和动态误差处理能力不足的问题,为适应高超声速飞行器长航时、高精度的惯性导航要求,基于神经网络提出一种加速度计拟合模型。在高超声速飞行器飞行前期有准确的卫星导航信息时,收集导航信息和加速度计脉冲信息,利用神经网络强大的非线性拟合能力,在飞行过程中进行在线训练,得到精确的惯性系统模型。仿真结果表明,在存在逐次通电误差和不考虑二次项误差系数的误差补偿模型方法位置导航偏差在数公里和数百米量级的情况下,相同时间内所提方法的位置导航偏差仅为数十米量级,有效提高了高超声速飞行器的导航精度。

分数阶变时滞惯性Cohen-Grossberg神经网络全局Mittag-Leffler稳定和全局渐近ω-周期

主要研究分数阶变时滞惯性Cohen-Grossberg神经网络动力学行为.利用RiemannLiouville分数阶微积分性质和初始值条件,当系统变时滞τ_(ij)(t)>0时,将时间变量t的定义域[0,+∞)分成两个区间:[0,τ_(ij)(t)]和[τ_(ij)(t),+∞),推导出当t分别在[0,τ_(ij)(t)]和τ_(ij)(t),+∞)中变化时,含有变时滞τ_(ij)(t)的状态函数x_(i)(t-τ_(ij)(t)的分数阶积分之间的关系式.引入Mittag-leffler函数,借助于拉格朗日中值定理有限增量公式,Arzela-Ascoli定理当函数序列等度连续且一致时,存在一个一致收敛的子序列等分析知识,给出判定其系统解全局Mittag-Leffler稳定和全局渐近ω-周期充分条件.最后,通过数值模拟例子验证所得到理论结果的有效性.

挠性陀螺随机漂移模型的神经网络辨识

利用实验测量数据，对挠性陀螺的随机漂移建立了ARMA模型，应用一种单隐层BP神经网络对ARMA模型的参数进行辨识。建立的挠性陀螺随机漂移模型可应用于组合导航的卡尔曼滤波器设计。

短时交通流组合模型预测

针对城市道路流量的非线性和不确定性特点,为避免单一模型预测准确率不高的缺陷,该文提出了一种短时交通流组合模型。该模型包含卡尔曼滤波模型和径向基函数神经网络模型2个子模型,较好地解决了神经网络不能反映大流量下的稳态性问题,以及卡尔曼滤波在流量不稳定时预测准确率不高的问题。在组合模型中引入惯性因子,确保了模型的稳定性。仿真结果表明该方法是可行有效的。

考虑热惯性的热电联产系统两阶段优化调度方法

热电联产(CHP)系统具有环保、经济、运行方式灵活的突出优势,有较好的发展前景。文中基于电、热在传输和存储方式上的不同特性,提出一种考虑热惯性的CHP系统两阶段优化调度方法。第一阶段考虑供热网络结构和运行特性,建立基于模型预测控制(MPC)的CHP系统优化调度模型,优化日内可控设备出力及电网交互功率策略;第二阶段以CHP系统内各单元出力调整量最小为目标,综合考虑可再生能源及负荷的实时预测误差,动态调整第一阶段日内调度策略。算例表明,该两阶段优化调度模型可提高系统运行的经济性,弥补供需不平衡;结合系统热惯性,建筑物根据负荷需求和分时电价进行蓄热或放热可降低可再生能源及负荷不确定性对调度的影响,平抑功率波动,促进热电互补。