时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机(PMSM)中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。

Elman动态递归神经网络在陀螺仪系统建模中的应用

本文针对Ｅｌｍａｎ 动态递归神经网络的特点，提出了一种基于Ｅｌｍａｎ 动态递归神经网络建立陀螺仪系统模型的方法。文中给出了Ｅｌｍａｎ 网络的网络结构和学习方法，并对建立起的网络模型进行了仿真，仿真结果表明，该方法是可行的。

Elman递归神经网络在结构分析中的应用

给出了Elman动态递归神经网络的网络结构和基本原理。基于Elman递归神经网络能够逼近任意非线性函数的特点,提出了一种基于Elman递归神经网络建立结构分析模型的方法。利用Elman递归神经网络对桁架进行建模,真实地反映了桁架结构的动态特性。

Elman递归神经网络在车牌字符识别中的应用

为了提高车牌自动识别系统的速度和准确度,采用适应性较强的十三特征提取法进行车牌字符的特征提取,将提取的特征向量作为网络的输入;在对网络进行训练时,选用具有一个承接层作为一步延迟算子的动态建模性质比较好的Elman递归神经网络.此网络在权值更新时不仅考虑了当前的梯度方向,而且还考虑了前一时刻的梯度方向,从而降低了网络性能对参数调整的敏感性,有效地抑制了局部极小值的出现.最后与BP网络训练的结果进行对比,结果表明Elman递归神经网络在识别速度和准确度方面都更具优越性.

永磁直线伺服系统递归小波Elman神经网络互补滑模控制

针对永磁直线同步电机(PMLSM)直接驱动伺服系统易受参数变化、外部扰动和摩擦力等不确定性影响,而降低系统控制性能的问题,提出一种基于递归小波Elman神经网络(RWENN)的互补滑模控制方法。首先,建立含有不确定性的PMLSM动态模型;其次,采用积分滑模面和互补滑模面相结合设计互补滑模控制器。为解决互补滑模控制器参数选取困难的问题并估计系统存在的总不确定性,将互补滑模控制与RWENN相结合。利用RWENN代替互补滑模控制中的切换控制,RWENN可在线训练网络参数并实时调整参数。另外,为进一步提高鲁棒性,设计鲁棒补偿器对RWENN的参数逼近误差进行补偿。实验结果表明,该方法不仅降低了系统的抖振现象,保证了位置跟踪精度,还提高了系统的鲁棒性能。

基于递归小波神经网络的非线性动态系统仿真

为提高动态递归神经网络的动态系统仿真能力,在Elman神经网络的基础上,提出动态递归小波神经网络(RWNN),给出了其动态梯度下降算法,并将其成功应用于非线性动态系统仿真。仿真算例表明,该网络具有收敛快,精度高等优点,仿真效果很好,同时具有较好的泛化性能,具有广阔的应用前景。

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的El-man网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。

一种新型的动态递归神经网络及其算法

通过对Elman网络的研究 ,提出了一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络 ,并给出了其算法。通过在系统辨识中的应用表明 ,该网络收敛速度快 ,模型精度高 ,具有较为广阔的应用前景。

基于时延Elman神经网络的火电机组低负荷煤量平衡自动化控制方法

针对火电机组在低负荷运行下,难以平衡控制煤量的问题,提出一种基于Elman神经网络的煤量平衡自动化控制方法。确定产生每千克电能所需煤炭量以及损失热效率,计算每个单元的权重系数,利用联想式学习策略计算煤量平衡控制的算子,最终实现火电机组低负荷运行状态下的煤量平衡控制。仿真实验结果表明:所提方法具有非常理想的煤量控制效果,低负荷运行工况下的燃煤量大大降低。

基于神经网络的网络时延预测

本文提出了利用RBF神经网络和Elman神经网络预测网络传输时延,运用Matlab软件对其预测进行仿真,结果证明RBF神经网络和Elman神经网络都能很好的预测网络时延,通过对比仿真结果分析,得出各自进行时延预测的适用条件。

基于Elman神经网络的化工过程软测量建模方法

针对软测量建模问题,提出了一种基于Elman神经网络的软测量建模方法。将该方法应用于脱丁烷塔底部丁烷组分含量以及硫回收装置尾气中SO_2和H_2S含量的软测量建模,分别采用BPTT算法、RTRL算法和EKF算法对Elman网络进行训练。在同等条件下,通过与传统的梯度下降算法以及其他软测量建模方法对比表明,EKF算法能够获得较好的离线估计结果,具有较好的鲁棒性和较快的收敛速度。

基于泰勒级数的空间机器人时延神经网络控制

探讨载体位置与姿态均不受控的漂浮基空间机器人在存在时间延迟环境下的关节空间轨迹跟踪的控制问题.在传统漂浮基空间机器人系统动力学模型基础上,融合泰勒级数展开法,建立适用于时延情况下的改进的动力学数学模型.并设计一种基于模糊递归的神经网络跟踪控制方案,利用其对任意不确定非线性项的整体逼近,来消除模型中存在的时延误差.运用Lyapunov第二类方法证明所设计控制系统的渐近稳定性.所提及的控制方案能够有效克服时延对系统稳定性的消极影响,并在提升系统控制品质的基础上得到理论延迟值的适用范围.计算机数值仿真结果验证了上述控制方案的有效性与精确性.

基于改进Elman神经网络的故障诊断模型研究

针对高频易损坏的常见机械设备,常存在故障特征量“表征难”,诊断精度欠缺且判断时间长等问题。提出一种优化Elman神经网络故障诊断的模型,以凯斯西储大学轴承数据(CWRU)为实例,在诊断效果方面具有一定的改善。鉴于,滚动轴承常见的故障振动信号多呈现出非线性、非平稳的特征。首先,应用希尔伯特-黄变换(HHT)对原始信号数据进行分解、降维、变换,从而提取出对故障信号敏感且故障频率易辨别的包络谱作为表征故障的特征量。接着,通过改进Elman神经网络,在网络输入对应位置增加时延,其长度可根据输入特征维度不同而改变。最终,建立故障诊断模型。诊断结果可清晰直观的展现出该模型在诊断精度及学习效率方面具有很好的提升。

Elman神经网络在热工辨识中的应用研究

介绍了一种Elman动态递归神经网络结构,讨论了它的DBP学习算法,并将具有比例积分特性的Elman网络应用于动态系统的辨识。计算机仿真结果表明,Elman网络对热工动态系统辨识有很好的逼近效果。

神经网络在木材干燥过程中建模的应用

针对木材干燥过程的非线性特性,以及环境因素对木材干燥过程的干扰,造成木材干燥建模困难的问题,通过对神经网络的非线性、并行结构,学习、推理和多变量处理能力的研究,以干燥窑的加热阀开度、喷湿阀开度、排潮阀开度3个控制信号作为输入量,以窑内温度、湿度2个量作为输出量,利用时延神经网络和动态递归神经网络分别建立了木材干燥过程中的温湿度控制模型和木材干燥基准模型。并通过干燥实验进行网络训练和测试。结果表明:时延神经网络建立的木材干燥温湿度模型和干燥基准模型比动态递归神经网络的误差小、网络输出接近于真实值,能够较好的逼近实际系统。

用神经网络实现VBR视频通信量的在线预测

VBR(VaribleBitRate)视频信号具有时变性、非线性和突发性等特点,实现该信号通信量的高精度预测难度较大.针对以上问题,本文提出了一种用于VBR视频通信量预测的自适应神经网络模型,网络训练采用离线与在线相结合的方式,同时通过删除不重要的权重,以优化网络的拓扑结构,提高网络的推广能力,降低网络在线学习的计算复杂度;对VBR视频通信量预测的模拟结果表明该模型具有高的预测精度,并能满足通信系统对预测实时性的要求.

基于神经网络的空间桁架结构建模研究

空间桁架结构的振动主动控制目前已成为振动控制领域研究的热点。为了研究空间桁架的主动控制方法 ,首先必须建立其准确的模型。神经网络固有的学习能力使其在模型辨识中得到广泛应用。针对空间桁架结构的非线性动态特性 ,本文采用了修正的 Elman递归网络进行了模型辨识。结果表明 ,带有自反馈增益修正的 El-man网络能很好地反映桁架结构的真实情况 ,适用于非线性动态系统的模型辨识。

基于神经网络的迭代控制器在超声马达速度控制中的应用

针对超声马达的速度控制问题提出了一种基于神经网络方法的迭代控制器。通过理论分析给出了保证控制器最快收敛的自适应学习率。数值结果表明该控制器对于多种形式的参考速度都有较好的控制效果 ,其控制精度与已有方法相比有较大提高。模拟结果还表明该方法对于随机扰动有较强的鲁棒性。

供暖热网神经网络预测模型的研究

将人工神经网络应用于供热网实时预报,建立起可用于热网供暖预报的外时延反馈型BP网络模型,及内时延反馈型Elman网络。且利用实际热网数据对所建立的网络进行训练和检验,结果表明两种预报模型均具有较好的动态跟踪能力和预报特性。而Elman网络在节点结构上比外时延反馈型BP网络更简单,在确定网络节点结构上更快捷,更具有实际推广和应用价值。

基于Elman网络的时延预测及其改进

分析了网络传输时延的组成和特点,提出了利用Elman神经网络预测网络传输时延,运用Matlab软件对其预测进行仿真,结果证明Elman神经网络能很好地预测网络时延,为了进一步提高神经网络的逼近能力和动态特性,提出了一种改进的基于输入层、隐藏层、输出层神经元的动态递归神经网络。实验证明,改进的Elman神经网络比原来的网络具有更好的动态性能。