近线性神经和元非线性神经元

人工神经网络(ANN)中普遍采用的神经元模型具有单调有界的I／O特性,该文称其为近线性神经元(ALN,approximate－linear neuron),ALN既简化了网络的复杂性,也是限制ANN能力的一个瓶径.通过比较Hopfield神经网络的稳定性和Conway生命游戏的复杂行为,该文提出非线性神经元(NLN,non－linear neuron)的概念,其I／O特性是完全非线性的.ALN可以进一步提高ANN的非线性,从而增强它的功能,余数制神经网络是一个例子.

基于自适应线性神经元滤波的内置式永磁电机转子位置观测器

为提高无位置传感器内置式永磁同步电动机(IPMSM)控制性能,提出一种改进的基于反电动势模型的自适应滤波转子位置观测器。针对逆变器非线性和磁场空间谐波引起扩展反电动势6k±1次谐波,进而产生6k次转子位置脉动观测误差问题,提出一种基于递归最小二乘算法自适应线性神经元滤波器的转子位置观测方法,从而实现IPMSM矢量控制系统准确解耦控制。该方案能够在线连续调整权重分量,保证了转子位置观测器的快速收敛性。通过自适应滤波器滤除指定的反电动势观测值谐波分量,从而提高正交软件锁相环获得转子位置信息的准确度。最后通过模型仿真和2.2k W IPMSM无传感器矢量控制系统验证了控制策略的有效性。

自适应线性神经元在电能质量扰动诊断和频率跟踪中的应用

在分析电力系统电压质量扰动检测存在的问题和现有的检测方法后,提出了应用自适应线性神经元(ADAL INE)进行电能质量扰动定位和频率跟踪的方法,并给出了该方法用于各种电压质量扰动诊断和频率跟踪模拟计算的仿真算例.结果表明:该方法计算简单,易于硬件实现,具有较高的应用价值.

一种异步电机自适应线性神经元速度观测器

针对电动汽车驱动用交流异步电机的无速度传感器矢量控制系统,提出一种自适应线性神经元(ADALINE)速度观测器。首先建立三相异步电机的数学模型,然后在电压模型与电流模型所构成参考自适应(MRAS)速度观测器的基础上,以转子磁链的广义误差作为速度观测器的输入,利用ADALINE算法作为系统自适应律,推导出神经网络权重的自动修正方法,保证在宽调速范围内均能获得准确的电机速度观测值。最后通过建立仿真模型与搭建实验平台进行验证,结果一致表明在高速和低速情况下速度观测值均能准确跟随实际值,动态性能良好,证明所提出的理论分析以及观测器实现方法的可行性与正确性。

一种线性神经元PI控制器模型

在对常规PI控制器模型分析的基础上 ,结合线性神经元自学习能力和适应能力强的优点 ,提出了一种线性神经元PI控制器模型 .该模型结构简单 ,在一定程度上实现了比例系数和积分比例系数的自整定功能 ,能够在简单系统中取得较好的效果 ,具有工程实践应用价值 .以单级三冲量锅炉汽包水位控制系统为例 ,分析了线性神经元PI控制器的控制效果及特点 ,仿真实验表明应用该控制器的系统具有优良的控制品质 .

电子直线加速器磁控管频率稳定的自适应线性神经元方法

电子直线加速器电子束能量的稳定与否取决于功率源工作频率的稳定性，磁控管在短时间内的散谱和轻微跳谱造成稳频系统的控制精度下降，最后电子束的扫描均匀度下降。引入自适应线性神经元方法（ＡＤＡＬＩＮＥ）和噪声对消技术以消除对工作频率长期稳定性的影响，从而保证了电子束的扫描均匀度。

基于自适应线性神经元速度观测器在直接转矩控制系统中的应用

在人工神经网络理论基础上 ,提出了一种基于自适应线性神经元 (ADALINE)的新型速度观测器 ,同时将该观测器应用于异步电机无速度传感器直接转矩控制系统之中。仿真结果表明该控制系统具有良好的静、动态性能。

线性神经元网络C++仿真实现

在众多神经元网络模型中,最基本的是线性元网。其主要应用是做为模式分类器。虽然线性神经元可以由硬件电路实现,但其在网络设计和调试训练时还存在许多难以解决的问题。而用软件模拟神经元网的设计和训练则具有更大的灵活性。基于此目的,给出了基于C++类的神经元及神经网络的程序实现。并给出了通过友元函数形式实现对线性神经元的训练程序。在所定义的神经元及神经元网络类的基础上,可以定义其他形式的神经网络,以实现不同应用目的。

谐波及有功电流检测的自适应线性神经元方法

为了提高谐波及有功电流检测的灵活性,提出了一种新型的基于自适应线性神经元结构的检测方法。通过线性神经元的自适应预测和滤波结构,对坐标变换后产生的直流量进行提取,直接分离负载电流基波正序、负序、零序及有功分量,并按不同的补偿目标进行多种的组合。通过仿真试验表明:算法能够对有源电力滤波器谐波电流、有功电流和不对称分量的综合补偿提供合理的参考电流,以实现有效补偿。

VAV系统送风管道静压的线性神经元网络补偿控制

利用神经元网络具有自学习以及超强非线性逼近的能力 ,提出了基于线性神经元网络的补偿控制方法。这种控制方法能够根据送风管道静压耦合因素的变化自适应地调节控制量 ,实现对管道静压的补偿控制。给出了神经元权系数的在线学习方法 。

基于自适应线性神经元网络的谐波检测算法

为了克服基于傅里叶变换(FFT)谐波检测算法运算量大、实时性不强、易受噪声影响的缺点,提出了基于自适应线性神经元网络(ADALINE)的谐波检测算法,建立了基于最小二乘法(LMS)的最优解求解过程的数学模型,根据LMS误差与各次谐波傅里叶系数之间的三维流形的几何形状选择算法的步长因子。采用时域迭代的方法准确地提取基波有功、无功和各次谐波分量,为实现APF可选择性谐波补偿奠定了基础。

扩展输入的自适应线性神经元

通过加入辅助输入单元，对自适应线性神经元的输入进行扩展，使其在分类和函数逼近上的能力有了很大的改进。

非线性CC神经元模型的原理及其学习算法

1 M-P神经元模型的工作原理和几何意义 1943年,MoCulloch和Pitts[1]根据神经元传递规律,第一次提出了神经元的数学模型.M-P神经元模型一直沿用至今,它对神经网络的发展起到了奠基性的作用.每个神经元的状态由M-P方程决定:S=f(∑W X -θ),θ为阈值,f为激励函数,一般取符号函数.令:它代表了n维空间中,以X为坐标变量,以W为坐标系数,θ为常数项的一个超平面.当样本点X落入超平面的正半区,即I(X)>0时,有f(I)＝1;当样本点X落入超平面的负半区,即I(X)<0时,有f(I)＝0.从分类的角度看,一个神经元按输入将样本划分成为两类(0和1).现在广泛使用的BP模型采用Sigmoid函数作为激励函数,但是它没有改变神经元分类的本质.神经网络实际上就是多个神经元组织起来的一种网状结构.

刺激作用下大规模神经元群的随机非线性演化模型及动态神经编码

在前期研究工作的基础上,我们考虑外刺激作用下神经振子群对信息的处理及神经编码的动态演化。通过对模型的数值分析,得到了在三维空间用于描述神经元群内神经元放电过程时的数密度随时间演化的图像,即神经编码的动态演化。数值分析的结果表明该模型能够用来描述大量相互作用神经元在刺激下神经编码的演化过程,研究证明只有在适当的刺激强度下神经元之间的耦合强度与耦合结构才能发生改变,从而体现了神经元的可塑性变化。

分段线性脉冲神经元模型的簇放电分析

应用一种二维分段线性脉冲神经元模型的简单计算特性,对其簇放电特性进行了详细研究。发现该模型表现出强迫和内禀两类簇放电模式,并分析了内禀簇放电的产生机理及分岔现象。在实验中,应用该模型对一类具有簇放电特性的皮层神经元进行了模拟。

基于对称分量法的神经元谐波综合检测

非线性负载在电网中引入了大量谐波及无功损耗.为改善电网电能质量,提高谐波检测的灵活性,提出了一种融合了自适应线性神经元(adaptive linear neural,Adaline)滤波及对称分量法的谐波检测方法.基于对称分量法的坐标变换后,可由滤波算法分离出负载电流基波正序、负序、零序分量和谐波分量,并可进行组合实现多种补偿目标,有效的克服传统谐波检测方法对于不对称负载(包括断路情况)谐波电流检测的局限性.同时为提高在电网电压不对称或畸变情况下对基波正序电压及相位的跟踪效果,引入了基于模糊比例积分(PI)调节器的锁相环结构.仿真试验表明:该方法能够很好适应负载的变化,克服电源电压畸变的影响,能够实现对谐波电流、无功电流和不对称分量的综合补偿.

VAV系统送风管道静压神经元网络控制的仿真研究

变风量(variableairvolume,VAV)空调系统中送风管道静压的控制效果直接决定了VAV系统的稳定性和节能能力。但送风管道静压的强耦合特性往往使得其控制效果很不理想。针对这种情况,该文利用了神经元网络具有自学习以及超强非线性逼近的能力,提出了基于线性神经元网络的补偿控制方法。这种控制方法能够在线学习,根据送风管道静压耦合因素的变化自适应的调节控制量,实现对管道静压的补偿控制。文中给出了神经元权系数的在线学习公式,建立了被控对象数学模型,并通过Matlab仿真验证了控制算法的有效性。

基于自抗扰控制的2个耦合神经元间的混沌同步

针对电缆神经元模型,利用自抗扰控制技术,研究并实现了通过间隙耦合的2个神经元间的混沌同步.未加入控制器时,混沌同步只有当神经元间的耦合强度较大时才会出现.然而在神经元系统中,此条件并不总是得以满足.为此采用自抗扰控制技术来实现混沌同步而不需要考虑耦合强度的大小.此方法不要求精确的神经元模型,而且不要求状态可测,对于外界扰动具有很强的鲁棒性.仿真结果证明所提方法是有效的.

具有随机共振的单神经元用于含噪声方波脉冲信号传输(英文)

利用理论分析和数值仿真的方法证明了一种简单的非线性神经元存在随机共振现象 ,并将该神经元用于含噪声方波脉冲信号的传输 ,结果表明该方法可以有效提高信号传输系统的输入输出比增益 ,从而大大地抑制了信号中的噪声 .本文的研究不仅给出了一种具有随机共振现象的简单神经元模型 。

基于高维空间划分的神经网络分类学习模型

基于高维空间划分的原理,提出了一种非线性神经元CC模型和基于CC模型的神经网络的构造算法.从理论上证明基于CC模型的神经网络的容错性比MP网络要好,而且网络的隐层节点个数远远少于FP网络的隐层神经元个数,对于分类问题其计算复杂性仅为多项式(上界≤O(p2)),p为样本个数.该网络有明确的几何和物理意义,具有持续学习和噪声数据处理能力,适合大规模数据挖掘领域.