机理混合自适应时延神经网络建模和控制算法

过程机理和数据驱动模型的结合一直是过程控制中的重点和难点问题。提出了一种新颖的机理混合模型结构。该模型基于自适应时延神经网络,并结合了被控对象的机理模型,因此可以对建模的对象进行预测感知,并可大幅提高神经网络的泛化功能。基于这种模型设计了预测控制算法,并分析了该模型的逼近能力、收敛性以及该控制算法的闭环稳定性。在双容水箱液位控制系统的大量实验结果表明,基于该混合模型的预测控制算法比现有算法具有更好的控制效果,从而验证了该混合模型的优越性。

基于自适应时延神经网络的空间红外点目标识别

神经网络方法是当前解决空间点目标识别问题的一类主要方法。为提高目标的正确识别率,提出一种基于空间点目标红外辐射序列的自适应时延神经网络(ATNN)识别方法。ATNN采用可调整的时延结构,在网络训练时可以针对输入自适应调整延迟步长,更加适用于变化剧烈的红外时序信号识别。该方法以目标的双波段红外辐射强度序列作为网络特征输入,对ATNN进行训练,然后用训练好的ATNN对目标进行分类识别。实验表明,该方法在不同信噪比的条件下,均能有效提高目标的正确识别率,并且具有一定的抗噪性,应用前景良好。

基于自适应延时神经网络的短时交通流预测

为了提高交通流诱导系统的性能,研究了一种基于自适应延时神经网络算法的短时交通流量预测模型,该算法与传统的神经网络方法相比在神经网络的结构和神经网络的训练方法两个方面进行了改进,更适用于预测具有不确定性、非线性、动态性等特征的短时交通流,同时用Matlab7.0编写程序对算法进行了仿真实现,根据仿真结果的分析验证了算法时实性和精确性.