降雨入渗下的三维正交裂隙网络饱和-非饱和渗流实验研究

在单裂隙饱和－非饱和渗流实验成果的基础上，建立了有降雨入渗下的三维裂隙网络饱和－非饱和渗流数学模型，并相应开展了三维正交裂隙网络饱和－非饱和渗流实验研究，分别从渗流时自由水面及降雨下非饱和区渗透荷载分布规律两方面进行了实验验证分析。通过理论计算与实验结果比较，证明单裂隙饱和－非饱和渗流实验关系式是合理可行的，由此所建立的三维裂隙网络饱和－非饱和渗流数学模型具有较好的实验基础。

嵌入正交权值神经网络在摄像机内外参数标定中的应用

针对机器视觉在某些应用场合对摄像机内外参数的需要,提出了一种基于内嵌正交权值矩阵神经网络的摄像机标定方法。首先,使设计的神经网络的权值分别与摄像机的外参数和内参数相对应,即使得所设计的神经网络与摄像机的物理模型一致。正交权值矩阵的生成在迭代中相当于遗传算法的上一次变异,系统的性能指标为由网络输出组成的矢量与对应特征点投影于图像平面的齐次坐标差值2-范数的平方。同时引进混合遗传-模拟退火算法,使得系统在达到平衡状态时可根据神经网络的权值完成摄像机内外参数的标定。实验结果表明,该方法具有较好的鲁棒性,且标定精度高,算法简洁,是摄像机内外参数标定的有效解决方案。

基于正交函数网络的不确定混沌系统的控制

提出了基于正交函数网络的不确定混沌系统的自适应控制方法.通过利用计算简单、收敛速度快的单隐层正交函数神经网络,构建了一类不确定混沌系统的控制器.利用李雅普诺夫稳定性定理得到了该网络控制器的权值更新规则并保证了权值误差和跟踪误差的有界性.该控制器不仅能够保证混沌系统以有界误差对指定轨迹进行精确跟踪,也能够使有外部扰动的混沌系统快速跟踪一个指定的轨迹.最后,利用陈氏混沌系统和Lorenz系统进行了系统仿真,结果表明了该控制器在混沌控制中的有效性.

正交泛函网络函数逼近理论及算法

基于正交函数的概念和特性,提出一种正交泛函网络新模型,给出了正交泛函网络学习算法。该算法是借助于正交函数性质和Lagrange乘数法做辅助函数,对泛函参数学习过程归结为求解一组线性方程组的过程。最后,通过函数逼近算例计算机仿真结果表明,该算法十分有效,具有模型简单、逼近精度高等特点。

用于在线辨识非线性系统的可变正交小波网络

对于在线辨识非线性系统，传统的小波网络缺乏有效的算法。本文在正交小波网络的基础上，提出一种利于实时应用的可变正交小波网络，给出了其结构变化和参数调整的策略，并对建模误差的变化进行了分析。最后用于辨识非线性动态系统，仿真结果验证了该方法的可行性和有效性。

径向基函数神经网络正交最小二乘改进算法的实现

综合现有文献提出的径向基函数 (RBF)神经网络关于正交最小二乘学习算法 ,对它作了改进 ,增加对于回归矩阵线性无关的判断及 β值调整的方法 ,提出具体编程实现。

Tchebycheff正交神经网络的动态建模方法研究

本文提出一种正交神经网络的动态建模方法 ,它充分利用了 Tchebycheff多项式的非线性处理能力和 Givens正交变换的有效处理大型稀疏问题的优点 ,不仅能快速进行网络的训练 ,而且能对网络的结构进行优化 ,为非线性系统的动态建模提供了一种有效方法 .实验表明它是一种简单的。

基于网格系的分频段加权正交小波网络辨识非线性系统

在非线性系统辨识中 ,输入数据往往是非均匀分布的 .对于此类问题 ,正交小波网络处理起来较复杂 .本文采用分组中值法对非均匀分布样本进行均匀化处理 ,使正交小波网络的设计和应用能够在网格系上进行 ;然后 ,采用分频段加权技术以便和系统设计相配合 .最后用于辨识非线性动态系统 。

基于模拟正交神经网络的电热干燥器温度控制

该文研究的目的是建立一种模拟正交神经网络控制器用于电热干燥器的温度控制。首先在数字正交神经网络的基础上给出模拟神经网络的学习算法,然后提出模拟正交神经网络加积分的并行控制方法,并应用于电热干燥器的温度控制中。温度控制仿真结果证明,这种控制器比P ID控制器具有更好的快速性和较小的超调,温度控制获得了满意的控制效果。该模拟神经控制器能用于不确定对象的控制,为不确定系统控制提供了一种新的途径。

用参数正交选优神经网络算法解货郎问题

本文发现了货郎问题(TSP)能量函数的参数空间中的吸引域与全局性优化解之间存在着确定的对应关系,并找到了许多参数空间中的吸引域。在此基础上提出了一种新算法——参数正交选优神经网络算法求解TSP,30城市,31城市(中国)和300城市TSP的求解结果都十分满意,表明这种新算法的有效性。

采用正交小波网络的非线性系统辨识方法

基于多分辨分析的递阶逼近思想 ,采用正交小波网络研究了输入样本空间分布非均匀时非线性系统的辨识问题 .重点讨论了样本非均匀时网格系的设计问题 ,并给出了基于该网格系的在线递阶辨识算法 .

基于正交小波神经网络的广域紧急直流功率支援在线预测

鉴于BP神经网络较易陷入局部极小点且收敛速度慢、RBF神经网络因其激励函数是冗余的非正交基故其逼近函数的表达式并不唯一等缺点,构造以Harr正交小波尺度函数为激励函数的神经网络并提出其相应的权值训练新方法,将该正交小波神经网络应用于实现对云广特高压直流和贵广Ⅱ直流的在线紧急直流功率支援在线协调预测控制。仿真结果表明:正交小波神经网络采用正交尺度函数作为激励函数,能保证网络逼近的唯一性,且训练算法简单、收敛迅速;正交小波神经网络能映射聚合成的特征输入数据,准确给出紧急直流功率支援控制量,具有较高的可靠性和准确性。

机器人的模拟复合正交神经网络学习控制

提出一种神经网络与PD并行控制的机器人学习控制系统。为了加快神经网络的学习算法,在数字复合正交神经网络的基础上给出一种模拟复合正交神经网络的学习算法,以两关节机器人为对象仿真结果表明,该控制方法使机器人跟踪期望轨迹,其系统响应、跟踪精度和鲁棒性优于常规的控制方法,位置跟踪获得了满意的控制效果。该模拟神经控制器为不确定系统的控制提供了一种新的途径。

复合正交神经网络与CMAC在PID并行控制中的比较研究

由于正交神经网络算法简单,学习收敛速度快,具有线性、非线性逼近精度高等优异特性,取得了较好的应用 效果,但在动态建模与实时控制问题上研究较少。为此,本文提出复合正交神经网络(CONN)与PID并行控制算法,并 对小脑模型(CMAC)与PID并行控制作一比较研究。仿真结果表明,当方波(阶跃)输入与正弦输入时CONN实现的前 馈控制效果比小脑模型实现的前馈控制效果更好,响应速度更快,这充分地体现了复合正交神经网络的特点,即输出误差 小、实时性好、鲁棒性强。

基于正交神经网络的无刷直流电机控制器设计

提出了基于正交神经网络的无刷直流电动机自适应控制器设计方案,并以永磁无刷直流电机(BDCM)构成伺服系统作为对象进行了仿真实验,研究了该控制器的控制性能。仿真表明控制器能实现被控对象模型的在线控制,并且可以较快地处理电机非线性、变参数的影响,具有较强的鲁棒性和抗干扰能力。

伺服系统在摩擦条件下的模拟复合正交神经网络控制

在数字复合正交神经网络的基础上提出一种模拟复合正交神经网络,并用于非线性伺服系统控制中。在带有非线性摩擦力矩的直流电机飞行模拟转台伺服系统中,控制系统是基于PD控制加神经网络前馈控制的并行控制方法,使用神经网络是用来消除非线性摩擦力矩的影响。通过数字复合正交神经网络的连续化算法处理获得了一种模拟复合正交神经网络,并作为前馈控制器。用并行控制与单一的PD控制对带有非线性摩擦力矩的直流电机伺服控制作了仿真研究。仿真结果表明复合控制比单一的PD控制具有实时性好、响应速度快、跟踪精度高,位置与速度跟踪控制获得了满意的效果。该模拟神经控制器能用于不确定对象的控制,为不确定系统控制提供了一种新的途径。

基于复合正交神经网络的灰色PID控制

结合传统反馈控制方法和灰色预测控制的预测控制器已在控制系统中获得了成功的应用。由于复合正交神经网络具有学习算法简单、收敛速度快,有逼近线性或非线性函数的优良特性。与灰色预测方法相比,神经网络预测精度高,且误差可控,如果把神经网络作为灰色预测器,建立一种灰色预测控制,那么就会在控制系统中获得良好的控制性能。为此,提出一种结合传统的PID控制和神经网络灰色预测补偿的灰色PID控制器,可对系统进行在线灰色估计和控制,由复合正交神经网络对不确定部分建立的灰色预测模型,可根据系统的参数变化来自动调节预测补偿值,使系统响应具有适应性。仿真结果表明,与传统的PID控制方法相比,该控制器可获得更为优良的动态性能和鲁棒性。

复合正交柔性神经网络及其应用

针对目前神经网络所存在的不足 ,提出一种带参数的单极性Sigmoid函数的柔性复合正交神经网络 ,并给出相应的参数学习算法 ,这种柔性复合正交神经网络不仅扩大了网络辨识模型的能力与学习适应性 ,而且算法简单 ,学习收敛速度快 ,有线性、非线性逼近精度高等优异特性。以模型辨识作为应用实例 ,仿真结果表明 ,其算法是有效的 。

双向中继通信中的联合正交物理层网络编码

为了改善物理层网络编码(PNC)在非对称双向中继通信系统中误比特率(BER)性能,提出了一种新的PNC方案,称为联合正交物理层网络编码(COPNC).方案中2个源节点采用正交载波发送信息,中继节点对信息进行正交综合后广播到2个目的节点.理论分析与仿真结果表明,当双向中继通信系统信道条件非对称时,COPNC方案可以改善PNC的误比特率性能.特别是当2个上行信道的信噪比(SNR)不同时,COPNC方案的误比特率比PNC降低了约3dB.因此,COPNC特别适合应用于上行信道非对称的双向中继通信系统.

一种基于正交神经网络的曲线重建方法

提出了一种基于正交神经网络的曲线重建方法．该正交神经网络结构与三层前向网络相同，不同的是正交网的隐单元处理函数采用Ｔｃｈｅｂｙｃｈｅｆｆ正交函数，而不是ｓｉｇｍ ｏｉｄｉａｌ函数．新的曲线重建方法具有利用较少的数据点列将光滑的曲线以较高的精度重建的特点．网络训练采用Ｇｉｖｅｎｓ正交学习算法，由于它不是一种迭代算法，故学习速度快，而且没有网络初始参数的选取问题，网络训练又能避免陷入局部极小解等问题．实验表明，用正交神经网络方法重建的曲线在样本点和非样本点处均具有很高的逼近精度．