基于混合型鲁棒输入训练神经网络的非线性数据校正方法及其应用

提出了一种基于混合型鲁棒输入训练神经网络的非线性数据校正模型,在基于过程数据的神经网络模型中引入了反映过程机理的约束方程.根据所提模型的网络结构,采用罚函数法将约束方程加入到网络训练目标函数中,并采用BP算法推导出该网络的学习方法,进而给出了基于该方法的数据校正流程.分别以一个五维非线性系统和某1 000 MW机组1#高加测点为对象进行算例分析,结果表明:所提出的模型能正确检验出测量数据中的不良值,具有良好的鲁棒性;在完成数据校正的同时还能保证重构数据满足相应的系统机理约束条件;在多测点同时发生故障时,也能保证数据校正的准确性和可靠性.

基于鲁棒输入训练神经网络的非线性多传感器故障诊断方法及其应用

针对非线性系统多传感器故障诊断时出现的检测准确性下降和数据重构产生的残差污染问题,提出了基于鲁棒输入训练神经网络非线性多传感器故障诊断模型.在目标函数中引入影响因子函数和可靠性系数,并通过计算机模拟和仿真确定最佳影响因子函数形式,抑制了多个含有显著误差故障数据的不良影响,并增加了具备高可靠性的重要数据影响权重,大大减小了残差污染,提高了故障诊断的准确性和可靠性.以某300 MW机组1#高加测点为对象进行算例分析,验证了该方法对于多传感器故障诊断的可行性和准确性,计算和模拟表明,RITNN方法优于线性PCA和传统ITNN方法,能够更加准确进行多传感器故障的检测和故障数据的重构.

基于多模型鲁棒输入训练神经网络协同的燃气–蒸汽联合循环机组传感器故障诊断方法

为提高燃气–蒸汽联合循环机组传感器测量值的准确性及可靠性,提出了一种基于多模型鲁棒输入训练神经网络(RITNN)的燃气–蒸汽联合循环机组传感器故障诊断方法。该方法建立若干燃气–蒸汽联合循环重要参数的数据重构模型,并对各模型进行优先级划分,以串并联方式设定模型间关系,通过可靠参数的逐级生成和传递,有效抑制了多传感器显著故障产生的残差污染,提高了故障诊断的准确性及可靠性,进而给出了传感器故障诊断流程,建立了完整的传感器故障诊断系统。以某200 MW级燃气–蒸汽联合循环机组为研究对象,对多传感器故障进行诊断,并与RITNN单一模型方法和输入训练神经网络(ITNN)单一模型方法进行对比,结果表明,提出的多模型RITNN故障诊断方法诊断精度更高,可保证燃气–蒸汽联合循环机组稳定运行。

基于非鲁棒特征的图卷积神经网络对抗训练方法

图卷积神经网络可以通过图卷积提取图数据的有效信息,但容易受到对抗攻击的影响导致模型性能下降。对抗训练能够用于提升神经网络鲁棒性,但由于图的结构及节点特征通常是离散的,无法直接基于梯度构造对抗扰动,而在模型的嵌入空间中提取图数据的特征作为对抗训练的样本,能够降低构造复杂度。借鉴集成学习思想,提出一种基于非鲁棒特征的图卷积神经网络对抗训练方法VDERG,分别针对拓扑结构和节点属性两类特征,构建两个图卷积神经网络子模型,通过嵌入空间提取非鲁棒特征,并基于非鲁棒特征完成对抗训练,最后集成两个子模型输出的嵌入向量作为模型节点表示。实验结果表明,提出的对抗训练方法在干净数据上的准确率平均提升了0.8%,在对抗攻击下最多提升了6.91%的准确率。

一类非线性系统的神经网络鲁棒自适应控制

针对一类单输入单输出仿射非线性系统,提出了一类神经网络鲁棒自适应控制。设计过程中,采用RBF神经网络实现对系统中的未知非线性函数逼近,并考虑到存在逼近误差和外部干扰,采用滑模控制实现了系统的鲁棒控制。最后通过MATLAB仿真,证明了该方法的有效性。

训练模式对的摄动对单体模糊神经网络的影响

针对训练模式对的小幅摄动可能对模糊神经网络的性能产生不利影响,提出了单体模糊神经网络对训练模式对摄动的鲁棒性概念,并就训练模式对的最大保序摄动的情形对单体模糊神经网络(MFNN)进行了具体分析,一般的模糊神经网络对训练模式对摄动的鲁棒性概念可类似定义。理论研究表明:当训练模式对发生最大γ保序摄动时,在h=5的条件下,单体模糊神经网络对训练模式对的摄动全局拥有好的鲁棒性,这将有助于MFNN系统的性能分析、学习算法的选择和模式对获取。

带有稳定学习算法的小波神经网络及应用

针对当系统存在未建模动态时,神经网络辨识易产生参数漂移和不稳定的问题,采用输入-状态稳定性(ISS,input-to-state stability)分析方法,获得小波神经网络权值矩阵和小波尺度参数的误差反传类时变学习算法,该算法不带有鲁棒修正即可以实现小波神经网络的鲁棒稳定性.仿真例子表明,此稳定学习算法优于一般的误差反传算法,并将带有稳定学习算法的小波神经网络用于污水处理过程出水水质COD(化学需氧量,chemical oxygen demand)的预测,获得了较好的效果.

输入饱和情形下大机动UAV鲁棒反演姿态控制

无人机(UAV)大机动过程中,控制舵面效能降低带来的输入饱和问题导致UAV极易进入失控状态。针对此问题,引入辅助系统实现对输入饱和的有效补偿;同时针对UAV面临的建模误差及机动过程中受到的干扰,用径向基神经网络(Radial Basis Function Neural Networks,RBFNNs)逼近建模不确定性并在控制律设计时构造鲁棒项来消除这些不利影响。同时在反演姿态控制器设计时,为了能对设计的虚拟控制律求导,采用动态面控制技术(Dynamic Surface Control,DSC),有效降低了控制器的解算复杂性,综合提出一种控制性能更好的鲁棒反演大机动姿态控制器;然后对整个闭环系统设计Lyapunov函数,证明了系统的稳定性;最后,通过对典型大机动动作Herbst机动的仿真结果分析,证明了本文设计的鲁棒反演姿态控制器的有效性和鲁棒性。

有输入未建模动态的导弹鲁棒控制器设计

在导弹系统俯仰通道中存在输入未建模动态情况下,提出了一种基于RBF神经网络和反演控制技术的非线性鲁棒控制器的设计方法。首先应用两个RBF神经网络对输入未建模动态设计了神经网络逆补偿器,然后利用反演控制技术设计了导弹非线性控制器,最后应用Lyapunov稳定性理论推导出RBF神经网络权重矢量调节律,证明了系统的所有信号均有界且全局指数收敛至原点。最后给出的BTT导弹非线性六自由度数字仿真结果显示了该设计方法的有效性。

基于分散化神经鲁棒控制的轨迹跟踪算法研究

针对外部扰动以及建模误差对机械臂轨迹跟踪精度影响的问题,利用递归神经网络设计了分散化的神经鲁棒控制器,采用机械臂各个关节状态方程的子系统表示整个系统。使用滤错训练算法估计神经网络未知权重系数,同时引入鲁棒项抑制关节神经控制器之间的相互影响和建模误差,并利用Lyapunov函数进行稳定性证明。与没有鲁棒项的仿真结果对比表明,设计的分散化神经鲁棒控制器具有更精确的轨迹跟踪精度,误差的收敛性更好,稳定性更高。

改进的非线性鲁棒自适应动态面控制

针对不确定多输入多输出严格反馈块控非线性系统,提出一种鲁棒自适应动态面控制方法.该方法在反推自适应神经网络控制中引入动态面控制简化控制律,同时对自适应律进行改进以改善系统的过渡过程动态品质,保证了系统在简化的控制律下仍具有良好的动态特性.通过Lyapunov方法证明了闭环系统所有信号均有界,系统的跟踪误差指数收敛到有界紧集内.最后给出的某新型战斗机六自由度仿真结果表明了该方法的有效性.

输入受限无人帆船自适应航向跟踪控制

针对带有输入受限且存在未知控制系数约束情形下,考虑了具有未知模型和风、浪等外界干扰的无人船航向跟踪控制问题,提出一种受限控制输入约束下的跟踪控制方法。该方法运用RBF神经网络对未知模型进行在线逼近,利用Nussbaum自适应增益技术解决未知控制系数问题。根据滑模控制理论,设计具有指数趋近律的鲁棒控制项,保证所得误差闭环系统快速响应且最终趋向0。为弱化传统滑模控制产生的抖振问题,将符号函数替换成饱和函数使控制输入变得平滑。引入一种误差辅助系统,构建了帮助误差闭环系统输入退出饱和机制。通过李雅普诺夫稳定性理论,给出了跟踪控制方法的稳定性数学分析过程,证明误差闭环跟踪控制系统的所有信号最终一致有界性。最后通过仿真结果验证了所得理论的有效性。

基于Co-Teaching的噪声标签深度学习

大规模数据在人为标记时易出现标记误差,导致数据集存在噪声标签,影响深度神经网络模型的泛化。Co-teaching等现行研究方法中的样本选择机制易使噪声样本流入被选的干净标签样本子集,在训练中难以较好地控制深度神经网络模型对被选干净样本子集的拟合。因此,文中提出一个基于Co-teaching改进的新算法。该方法通过增加两个正则化损失来分别避免模型过于信任某单一类别和陷入局部最优解中。此外,引入大学习率衰减训练方法使模型在训练初期更倾向学习干净标签样本特征以得到较好的模型参数。与Co-teaching结果相比,文中模型在20%和50%对称噪声以及45%非对称噪声环境下,在MNIST、CIFAR-10合成噪声数据集及Animal10N现实数据集上的性能均取得了提升。

基于样本损失值变化统一性的后门样本隔离

后门攻击对人工智能的应用构成潜在威胁。基于遗忘的鲁棒训练方法可通过隔离后门样本的子集并遗忘该子集,实现在不受信的数据集上训练无后门的模型。然而,错误隔离并遗忘干净样本会导致模型在干净数据上的性能受到损害。为了减少对干净样本的错误隔离,进而保护模型在干净数据上的性能,提出基于样本损失值变化统一性的后门样本隔离方案。后门样本训练过程中损失值的变化较大且较为统一,在隔离的潜在后门样本集中损失值变化统一性较低的样本可以被移除。实验结果表明,应用该方案能够减少对干净样本的错误隔离,在不影响后门防御效果的基础上保护了模型在干净数据上的性能。

非线性过程控制系统传感器故障检测新方法

针对电厂热力系统故障检测和定位准确性低的问题,提出了基于鲁棒输入训练网络的传感器故障检测模型;采用带参数限制项的目标函数对网络进行训练,并在测试目标函数中引入影响因子,增加了模型训练精度,抑制了网络计算过程故障数据对正常值的影响,减小了残差污染,提高了模型准确性;以某300MW电厂热力系统20组测点为对象进行算例分析,通过反复的实验,结果表明,该模型能够更加准确地对非线性系统故障点进行检测和分离,并更加精确重构各变量真实值,验证了该模型用于非线性过程传感器故障检测的有效性和可靠性。