特征扩展的随机向量函数链神经网络

基于宽度学习的动态模糊推理系统(broad-learning-based dynamic fuzzy inference system,BL-DFIS)能自动构建出精简的模糊规则并获得良好的分类性能.然而,当遇到大型复杂的数据集时,BL-DFIS因会使用较多模糊规则来试图达到令人满意的识别精度,从而对其可解释性造成了不利影响.对此,提出一种兼顾分类性能和可解释性的模糊神经网络,将其称为特征扩展的随机向量函数链神经网络(FA-RVFLNN).在该网络中,一个以原始数据为输入的RVFLNN被作为主体结构,BL-DFIS则用作性能补充,这意味着FA-RVFLNN包含具有性能增强作用的直接链接.由于主体结构的增强节点使用Sigmoid激活函数,因此,其推理过程可借助一种模糊逻辑算子(I-OR)来解释.而且,具有明确含义的原始输入数据也有助于解释主体结构的推理规则.在直接链接的支撑下,FA-RVFLNN可利用增强节点、特征节点和模糊节点学到更丰富的有用信息.实验表明:FA-RVFLNN既减缓了主体结构RVFLNN中过多增强节点带来的“规则爆炸”问题,也提高了性能补充结构BL-DFIS的可解释性(平均模糊规则数降低了50%左右),在泛化性能和网络规模上仍具有竞争力.

四旋翼飞行器的RBF神经网络鲁棒自适应控制

针对具有模型不确定性和有界外部扰动的四旋翼飞行器,提出了一种基于径向基函数神经网络的鲁棒自适应全局控制方法(RRAC)。所提方法结合了神经网络控制对未知非线性的强拟合能力和鲁棒控制的全局稳定性,解决了神经网络控制仅能实现半全局一致最终有界的问题,实现了控制精度和鲁棒性的双重提升。所设计的控制器由在近似域内工作的神经网络控制器和在近似域外工作的鲁棒控制器组成。引入一种新型切换函数来实现两者之间的平滑切换,以保证闭环系统的所有信号是全局一致最终有界的。利用Lyapunov函数和Barbalat引理严格证明了非线性四旋翼飞行器系统的稳定性。仿真表明,所设计的控制器在模型不确定性和有界外部扰动下对参考轨迹依旧保持良好的跟踪性能,且跟踪误差趋近于零。

基于RBF神经网络的双臂手术机器人自适应导纳控制

针对双臂机器人在辅助头颈部手术拉开软组织过程中环境刚度变化而导致的力跟踪误差较大问题,提出一种基于径向基函数(RBF)神经网络的自适应导纳控制策略,减小力跟踪误差,提升系统的响应速度。通过在手术过程中利用RBF神经网络在线调整导纳参数,提高机械臂对不同接触条件和操作要求的适应性,实现快速精确的力跟踪。仿真实验将基于RBF神经网络的自适应导纳控制策略引入双臂力同步导纳控制系统并与传统定参数导纳控制对比,证明其在接触环境参数变化情况下的接触力控制效果。结果表明,基于RBF神经网络的自适应导纳控制策略可以有效提升双臂手术机器人力跟踪精度、响应速度以及抗干扰能力。

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。

基于模糊自适应变权重算法的采场冒顶函数链神经网络预报

为提高采场声发射事件率预报精度,将采场声发射事件率不同的单个预测模型的预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,对采场声发射事件率进行基于模糊自适应变权重算法的函数链神经网络预测,对其预测结果再进行函数链神经网络算法拟合,然后结合采场冒顶尖点突变模型的判别式对采场冒顶进行预报。某铅锌矿采场冒顶预报结果表明,基于模糊自适应变权重算法的函数链神经网络预测方法的预测误差小于0.3%,可实现采场冒顶精确预报。

基于RBF神经网络补偿的ROV运动控制算法

针对作业型遥控水下航行器(ROV)在模型参数不确定和外部环境干扰下的运动控制问题,提出了一种基于径向基函数(RBF)神经网络的自适应双环滑模控制策略。首先,对于ROV外环位置控制采用改进趋近律的积分滑模控制方法,对于ROV内环速度控制采用指数趋近律的积分滑模控制方法;其次,为进一步改善滑模控制的抖振问题,引入双曲正切函数作为滑模切换项;然后,利用RBF神经网络控制技术对ROV模型的不确定参数和外部扰动进行估计与补偿;最后,利用李雅普诺夫稳定性理论证明了整个闭环系统的稳定性,并对作业型ROV的运动控制进行了数值仿真。仿真结果验证了所设计的控制器可以实现ROV航行的精确控制,并能够有效抑制模型不确定参数和外部扰动对ROV运动的影响。

基于自适应混合结构的快速收敛函数链接人工神经网络算法研究

在非线性主动噪声控制方法中,函数链接人工神经网络(FLANN)算法是最常用的算法之一。FLANN降噪量大,但是其收敛速度较慢。为解决该问题,通过一个自适应混合参数对BFXLMS算法和FLANN算法进行有效结合,提出了CBFLANN算法。在不降低FLANN降噪量的情况下,提高了其收敛速度,解决了FLANN算法无法同时实现快速收敛和低稳态误差的问题。多个仿真实验对提出的CBFLANN算法的降噪性能进行了验证,结果表明,CBFLANN同时拥有BFXLMS的收敛速度和FLANN的降噪量。该算法的提出可以为传统主动噪声控制算法难以同时兼顾收敛速度与稳态误差的问题提供解决方案,具有很强的实际应用价值。

基于APID-RBF神经网络的光伏MPPT方法

针对光照强度急速变化和局部阴影时光伏发电系统最大功率点追踪响应速度慢、多峰值等问题,提出一种基于RBF神经网络与自适应PID控制相结合的控制方法。首先,采用RBF神经网络对环境的实时变化直接跟踪光伏最大功率点。然后,利用自适应PID的辅助修正,抑制光伏电池输出功率的波动。神经网络能提升在复杂环境下的跟踪速度,自适应PID能增强对神经网络误差的消除能力,提升跟踪精度。仿真结果表明,APIDRBF双控策略具有稳态性能高和控制精度高等优点,能有效提高光伏发电效率和稳定性。

基于脉冲耦合神经网络的红外图像分割算法研究

红外图像噪声多、结构复杂,传统的分割方法难以对红外图像实现完整的分割。脉冲耦合神经网络(PCNN)参数众多,而人工调整网络参数耗时耗力。为了避免人工调整网络参数、实现对红外图像较完整的分割,将粒子群优化(PSO)算法和改进的PCNN相结合,提出了一种新的红外图像分割算法。首先,对红外图像进行预处理。其次,为了减少网络参数,对PCNN进行了化简。然后,将预处理图像输入网络进行循环迭代,利用PSO算法计算每次迭代的分割结果的适应函数值,从而确定群体和个体最佳参数。最后,通过种群最佳参数得到分割结果。为了验证算法的分割性能,试验使用了不同的自然风景图像和红外图像。试验结果表明,所提算法可以对红外和自然风景图像实现较完整的分割;无论是分割效果还是定性分析,所提算法都要优于传统算法。

对称NARMA-U模型及其神经网络自校正控制器

带预测误差补偿的改进NARMA-L2模型是由NARMA模型在自适应滤波动态工作点处一阶泰勒展开逼近得出的,在自适应滤波动态工作点处二阶泰勒展开逼近可得到对称NARMA-U模型,采用BP神经网络辨识对称NARMA-U模型参数,提出一广义目标函数,基于对称NARMA-U模型的非线性系统的神经网络自校正控制器,应用直接极小化指标函数自适应优化算法对BP神经网络连接权重值进行在线学习。仿真研究表明算法的响应优良。

基于GA优化BP神经网络算法的10kV主动配电网优化调度研究

由于主动配电网负荷和实际出力具有波动性,导致主动配电网运行成本控制难度较大,为此,提出基于GA优化BP神经网络算法的10kV主动配电网优化调度研究。在考虑柔性负荷需求的因素以及实际输出波动性的基础上,记住波动系数来描述发电机和柔性负荷的实际输出与计划输出之间的偏差,将最小化运行成本作为最终的目标函数,设置遗传粒子作为BP神经网络的输入参数,适应值最高的结果作为调度方案。在测试结果中,测试周期内配电网的运行成本不仅始终表现出较高的稳定性,且具体水平始终稳定在0.6万元以下。

多变量系统神经网络辨识的无模型自校正控制器研究

针对多变量NARMA模型,将其转化为具有耦合的子系统,采用具有辅助变量的多变量紧格式动态线性化方法逼近多变量NARMA模型,利用BP神经网络辨识其参数,基于多变量广义目标函数提出多变量NARMA模型的神经网络辨识的无模型自校正控制器,算法为关于控制输入的非线性方程组,通过非线性数值分析的牛顿法对其进行求解,根据非线性递推最小二乘法对BP神经网络的连接权重值进行在线学习。仿真研究表明系统的响应具有优良的性能。

基于函数链径向基神经网络的PMLSM自适应反推控制

为提高永磁直线同步电动机(PMLSM)伺服系统的控制性能,解决参数变化、外部扰动和摩擦力等不确定性因素对系统影响的问题,提出一种基于函数链径向基神经网络(FLRBFNN)的自适应反推控制(ABC)方法。首先建立含有不确定性因素的PMLSM动态模型;其次,利用ABC中的自适应律对系统总不确定性进行估计,但在设计ABC时存在大量求导运算,以至于产生"微分爆炸"现象。因此,为解决这一问题并进一步提高系统性能,采用FLRBFNN在线学习并调整控制器参数,FLRBFNN将径向基神经网络(RBFNN)和函数链神经网络(FLNN)相结合,利用FLNN增大神经网络搜索空间,提高网络收敛速度和收敛精度,从而提高RBFNN估计系统不确定性的能力,有效降低不确定性因素对系统的影响。实验结果表明,该方法切实可行,与ABC相比,能够使系统具有较强的鲁棒性能和跟踪性能。

机械臂系统自适应神经网络滑模控制器设计

针对机器人系统滑模控制器设计存在的抖振问题,提出了一种新型的具有可变滑模增益的控制器设计方案。在传统滑模控制器设计的基础上,该控制方案的创新之处在于所设计控制器的开关增益可实现动态自适应调整。采用径向基函数神经网络(radialbasis function neural network,RBFNN),使开关增益随关节参数动态改变,以适应系统的未建模动态及未知扰动。通过加入适当的自适应控制算法,有效地抑制逼近误差及外部扰动。并且,通过李雅普诺夫方法证明了系统的轨迹跟踪误差可渐近收敛到0。最后,仿真结果表明,所设计的方案降低了系统抖振,同时可有效地提高跟踪精度。

基于自适应径向基函数神经网络的无刷直流电机直接电流控制

提出了基于自适应径向基函数(Radial Basis Function)神经网络的无刷直流电机直接电流控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络,通过在训练过程中不断地按照自适应算法添加和删除隐层单元, 形成 一个结构简单、紧凑的RBF网络来实现电机电压、电流与功率开关导通信号之间的非线性映射,直接控制功率开关的通断,实现无位置传感器的直接电流控制。网络训练采用离线训练和在线训练相结合的方法。首先利用来自实验数据的训练样本按给出的自适应算法对网络进行离线训练,确定RBF网络隐层节点的个数及位置;再按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权;最后,用数字处理器(DSP)实现在线控制算法。实验结果表明,该控制方法具有较高的鲁棒性和控制精度。

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF神经网络法、混合粒子群-RBF神经网络法和自适应粒子群-RBF神经网络法,并且预测效果不易受时间尺度变化的影响。

基于函数链神经网络的管道煤气流量计量系统

在管道煤气计量系统测量中引入管道煤气相对湿度修正,并采用湿度传感器转换相对湿度信号,利用函数链神经网络对管道煤气工况温度下所对应的水蒸汽饱和压力进行拟合,得到基于函数链神经网络的管道煤气流量计量模型和在线计量系统,从而大大简化管道煤气流量计量软件,在流量计设计范围内实现管道煤气流量实时在线计量。实际应用结果表明,该计量系统测量管道煤气流量误差小于0.7%。

基于自适应动态目标函数的模糊聚类神经网络

结合输入空间的聚类特性和输出空间实时逼近特性,在模糊聚类的目标函数中引入恰当的反馈因素,基于自适应动态目标函数,该文提出一种新的模糊聚类神经网络实现算法。该算法在收敛稳定性、收敛速度、初值敏感性方面,相对于传统模糊聚类算法有了明显改善,相关实验表明,该算法具备高效、稳定的工程应用价值。

自适应径向基函数神经网络

文章根据隐节点对整个网络输出贡献的相对大小 ,提出删除策略 ,并结合资源分配网络的增长规则 ,使得径向基函数神经网络的隐节点在学习过程中可以自适应地增加或删除 ,从而形成一个网络资源较少、结构紧凑的自适应径向基函数神经网络。将该网络应用于函数拟合和非线性时间序列预测 。

自适应RBF神经网络在CDMA移动通信上行链路功率控制中的应用研究

提出了一种自适应RBF神经网络功率控制方案。详细研究了该网络在DS-CDMA通信中,进行上行链路闭环功率控制(基于信扰比(SIR))的应用理论,给出了该网络参数的计算方法。最后用计算机仿真法模拟出该控制器的运行性能。结果表明基于SIR的自适应RBF神经网络功率控制器能自适应地调整移动台的发射功率,使基站接收信号的信扰比始终非常接近于一个常数,且有比定步长功率控制更小的SIR跟踪误差,从而可以降低接收信号的中断概率、提高信道容量。