基于混沌神经网络预测模型的最优控制决策及应用

为了实现非线性、大时滞系统的自适应控制,首先根据具有混沌特性的非线性、大时滞系统的时序列重构相空间,计算出相空间的饱和嵌入维数和最大Lyapunov指数,并以此为指导,建立混沌神经网络预测模型,该模型即便在网络输入不完整或发生变异的情况下,仍能对系统作高精度的短期预测;在此基础上,将预测模型的输出通过反馈校正,再将校正误差和控制增量引入性能函数最优,最后得到最优控制决策,实现了对非线性、大时滞系统高精度的自适应控制。最后将预测控制决策应用到非线性、大时滞的锅炉过热汽温控制中,仿真结果表明了该控制的有效性、快速性和鲁棒性。

小波和混沌神经网络在大坝变形预测中的应用

大坝是复杂的变形系统,其变形表现为动态非线性,也存在混沌现象。为充分利用大坝变形监测位移时间序列,实现位移单变量情况下的准确预测,提出了一种小波和混沌神经网络预测新方法,首先对大坝位移变形监测数据进行小波分解,其次对分解后的平滑信号进行傅里叶函数拟合预测,再对细节信号进行软阈值去噪和混沌神经网络预测,最后将预测信号进行小波重构。通过工程实例对比分析了小波和混沌神经网络预测新方法、神经网络模型、多元回归模型在大坝位移变形预测中的精度。结果表明,小波和混沌神经网络预测方法的预测精度最高,可以应用于大坝变形预测。

基坑变形混沌特征识别与非线性预测模型研究

混沌理论特征识别是进行混沌时间序列分析和预测的前提。普通的线性数学算法已经无解决基坑变形所遇到的问题,为了研究基坑变形监测数据的非线性复杂问题,采用混沌非线性理论方法,首先求取基坑变形时间序列的延迟时间和嵌入维数,其次对基坑监测数据进行相空间重构,最后对比分析加权一阶局域预测模型以及RBF神经网络混沌预测模型的预测结果,实验表明RBF神经网络混沌预测模型预测精度最高,同时也说明了混沌预测模型更适合短期预测。最终证明了RBF神经网络混沌预测模型应用在基坑变形监测中的可行性与有效性。

一种预测混沌时间序列的模糊神经网络方法

给出了一种预测混沌时间序列的模糊神经网络及其学习方法,给出的方法能直接从数据中提取模糊规则,经过优化得到最佳模糊规则库,并利用神经网络的自学习功能修改隶属函数的参数和网络的权值,减少了规则的匹配过程,加快了推理速度,增强了网络的自适应能力.使用该神经网络及其学习方法对Lorenz混沌时间序列进行了预测仿真研究,试验结果表明给出的预测工具和方法是有效的.

混沌理论支持下的桥梁变形监测研究

针对桥墩的非线性下沉问题,引入了混沌理论。采用改进的C-C算法计算时间序列的时间延迟τ,采用改进的G-P算法计算最佳嵌入维数m,进行相空间重构,并与传统算法对比抗干扰性,计算效率等得到了改善,运用Lvyapunov指数判别该时间序列的混沌特性;最后根据所求参数建立加权一阶局域预计模型和RBF神经网络混沌预计模型,分别对观测数据进行预计分析,将混沌时间预测结果与指数平滑法预测结果进行对比分析。得出混沌时间预测精度高于指数平滑法预测精度,RBF神经网络混沌预计模型的预计精度最高,证明混沌时间序列预计精度可靠,能够实时对桥身变形进行监测,避免灾害的发生。

混沌理论在桥梁变形监测中的应用

针对桥梁的非线性下沉问题,引用了混沌理论,首先求取时间序列的两重构参数时间延迟τ和嵌入维数m进行相空间重构;随后进行混沌特性判别,确定该时间序列存在混沌迹象;最后根据所求参数建立加权零阶局域预计模型和RBF神经网络混沌预计模型对观测数据进行预计分析,并与系数为0.9的指数平滑预测模型进行比较,结果显示混沌预计模型值更接近实测值,三者相比RBF神经网络混沌预计模型的预计精度优于另外两者,表明混沌预计模型预测精度满足桥梁变形监测精度需求。