基于自适应线性元件神经网络的表面式永磁同步电机参数在线辨识

提出一种基于自适应线性元件(Adaline)神经网络辨识表面式永磁同步电机定子绕组电阻、电感和转子磁链的方法。所提出的辨识方法不需要知道电机的任何设计参数信息,只需在线采样定子电流、电压和转速值即可。该方法首先在电机静止状态时估算出定子绕组电阻值,并利用该电阻值在电机启动时辨识出转子磁链和定子电感值,而所辨识出来的转子磁链值将被进一步用来在线估算定子绕组电阻的变化。实验显示该方法能够有效辨识定子电阻、电感和转子磁链。此外,当电机带负载运行时,该方法依然能够有效地在线跟踪电机定子绕组电阻变化。

基于动态自适应图神经网络的电动汽车充电负荷预测

电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先,构建了一个充电负荷信息时空关联特征提取层,将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式,以捕获充电站负荷的波动性;然后,将提取的特征输入到时空卷积层,捕获时间和空间之间的耦合关系;最后,通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例,与现有方法相比,所提算法在4种波动情况下的平均预测误差大幅降低。

采用多尺度自适应选择卷积神经网络的轴承故障诊断研究

针对轴承故障诊断方法中传统多尺度卷积神经网络对不同尺度的特征只是简单拼接,而未考虑不同尺度的特征差异的问题,提出一种多尺度自适应选择卷积神经网络轴承故障诊断模型(MSASCNN)。通过不同大小的宽卷积筛选原始轴承振动信号中的特征,合并为初始特征;构建多尺度自适应选择卷积块,提取不同尺度的特征,利用改进的注意力机制自适应调整不同尺度的特征权重,加入残差连接,防止模型退化;通过分类器完成轴承故障诊断。在凯斯西储大学轴承数据集和XJTU-SY轴承数据集上的实验结果表明:在模型改进实验中,与没有改进注意力机制的模型相比,所提模型的轴承故障诊断准确率提升了1.98%;在不同信噪比的噪声干扰环境中,所提模型的轴承故障诊断准确率均高于93%。

基于自适应扰动观测器的旋转弹神经网络过载驾驶仪设计

旋转弹在飞行过程中受多种干扰的影响,包括跨域飞行气动参数剧烈变化引起的模型不确定性以及飞行过程中受到的外部扰动。为了解决高动态飞行环境中双通道旋转弹的鲁棒控制问题,基于轨迹线性化控制方法,设计伪逆反馈控制器。采用径向基函数神经网络,设计自适应前馈补偿控制器,有效实现对模型不确定性的精确逼近。将神经网络逼近误差和外部扰动处理为总扰动,并基于固定时间稳定理论设计一种自适应扰动观测器,实现对总扰动的精确估计及补偿。通过Lyapunov理论,严格证明了闭环系统的最终一致有界性。通过数值仿真验证了所设计方法的有效性。

基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术

基于光纤陀螺的测角仪可以实现对各项角运动参数的一体化动态精密测量,但在实际应用中,光纤陀螺测角仪受到温度变化的影响,导致测量精度下降。针对这一问题,本文提出了一种基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术。为了提高温度误差建模的进度,提高传统神经网络的逼近能力,通过自适应前向线性预测滤波器对建模用测角仪温度漂移数据进行预处理,并采用自适应小波回声神经网络建立温度漂移模型,能够避免传统神经网络结构设计的盲目性和局部最优等问题,增强了网络学习能力和泛化能力,并利用自适应律代替神经网络梯度进行网络训练,提升神经网络的逼近精度和收敛速度。实验结果表明,该模型可以提高光纤陀螺测角仪的测量精度和环境适应性,为光纤陀螺测角仪的性能优化和实际应用提供了可靠的技术支撑。

自适应模糊神经网络多信息融合串联型电弧故障检测方法

针对低压交流串联电弧故障因其特殊性难以识别的问题,在实验室建立了实验平台,采集不同负载下的正常和电弧故障的电流波形数据,提出一种自适应模糊神经网络(adaptive neuro fuzzy inference system,ANFIS)多信息融合串联型电弧故障检测方法,通过多层次特征参数提取,对自适应模糊神经网络进行训练、测试。结果表明,该方法可以有效地克服反向传播(back propagation,BP)神经网络故障诊断中收敛速度慢、误差精度大的缺点,得到更为精准、理想的诊断结果。

基于BP神经网络薄板P-PAW搭接的间隙自适应工艺参数优化

对大型LNG燃料薄膜舱中1.2 mm厚SUS304L不锈钢板薄板的搭接焊,存在的搭接间隙会带来焊缝成形不良等严重影响船舱安全性的问题。本文通过激光传感器检测搭接间隙变化,设计了不同的峰值电流和焊接速度在不同间隙下的工艺实验,研究了间隙对焊缝成形质量的影响机制;基于BP神经网络建立不同间隙下的脉冲等离子弧焊(P-PAW)的工艺参数和间隙及焊缝成形尺寸之间的拓扑关系模型,通过工艺实验获取模型的训练样本,实现了基于BP神经网络的间隙自适应工艺参数优化系统。结果表明,该系统实现了不同搭接间隙下进行实时工艺参数优化的功能,并对搭接间隙在0~0.6 mm变化时所带来的空洞等缺陷起到了有效的抑制作用,实现了良好的焊接成形一致性控制,提高了在LNG薄膜舱中不锈钢板焊接的自适应能力。

用于双阈值脉冲神经网络的改进自适应阈值算法

脉冲神经网络(spiking neural network, SNN)由于在神经形态芯片上低功耗和高速计算的独特性质而受到广泛的关注。深度神经网络(deep neural network, DNN)到SNN的转换方法是有效的脉冲神经网络训练方法之一,然而从DNN到SNN的转换过程中存在近似误差,转换后的SNN在短时间步长下遭受严重的性能退化。通过对转换过程中的误差进行详细分析,将其分解为量化和裁剪误差以及不均匀误差,提出了一种改进SNN阈值平衡的自适应阈值算法。通过使用最小化均方误差(MMSE)更好地平衡量化误差和裁剪误差;此外,基于IF神经元模型引入了双阈值记忆机制,有效解决了不均匀误差。实验结果表明,改进算法在CIFAR-10、CIFAR-100数据集以及MIT-BIH心律失常数据库上取得了很好的性能,对于CIFAR10数据集,仅用16个时间步长就实现了93.22%的高精度,验证了算法的有效性。

基于分数阶自适应神经网络的电动舵机伺服系统摩擦干扰补偿控制

摩擦干扰力矩影响电动舵机伺服系统的跟踪性能,造成位置和速度跟踪偏差,甚至可能导致伺服系统不稳定。针对摩擦力矩干扰下的电动舵机伺服系统跟踪性能差的问题,本文提出了一种分数阶自适应神经网络摩擦补偿算法(FOANN),估计并补偿摩擦干扰力矩。首先,建立基于LuGre模型的电动舵机伺服系统模型,利用径向基神经网络估计模型中的不可测状态变量。其次,设计FOANN摩擦补偿控制器,利用李雅普诺夫稳定性理论证明电动舵机闭环系统的稳定性。最后,利用仿真和实验平台,对比分析了FOANN、传统PD控制和模型自适应控制的性能。结果表明,基于本文所提出的FOANN摩擦力矩补偿控制算法,电动舵机伺服系统的位置跟踪误差和速度跟踪误差均大幅减小,FOANN算法能够有效估计并补偿摩擦力矩,降低摩擦干扰对电机舵机伺服系统的影响,提高伺服系统的动态性能。

面向节点分类任务的节点级自适应图卷积神经网络

图神经网络通过对图中节点的递归采样与聚合以学习节点嵌入,而现有方法中节点采样与聚合的模式较固定,对局部模式的多样性捕获存在不足,从而降低模型性能.因此,文中提出节点级自适应图卷积神经网络(Node-Level Adaptive Graph Convolutional Neural Network,NA-GCN).设计基于节点重要性的采样策略,自适应地确定各节点的邻域规模.同时,提出基于自注意力机制的聚合策略,自适应地融合给定邻域内的节点信息.在多个基准图数据集上的实验表明,NA-GCN在节点分类任务上具有较优性能.

自适应策略优化的粒子群优化算法在神经网络架构搜索中的应用

针对神经网络架构搜索(NAS)任务,提出一种自适应重启策略驱动的协作学习粒子群优化(ARCLPSO)算法。算法核心流程包括协作学习与信息共享、策略切换和参数自适应,以改进传统粒子群优化(PSO)算法在NAS中的性能。ARCLPSO算法结合了全局与局部信息的协同作用和智能切换学习策略。具体地,ARCLPSO利用全局和局部信息的协同作用令粒子向更优的方向移动,通过智能的切换粒子学习策略平衡粒子的搜索性能和收敛速度,提高搜索速度和搜索质量。在NAS-Bench-101数据集上的实验结果表明,ARCLPSO的收敛时间相较于传统进化算法(REA)和随机搜索(RS),分别减少了40.9%和55.2%。

非线性位移时间序列进化神经网络建模的适应性研究

探讨了非线性位移时间序列建模的进化神经网络方法及其可用性，主要包括进化参数如群体规模、突变变异率和蠕变变异率、随机数种子和个体的选择策略对进化神经网络模型性能的影响。结果表明，对于给定的问题，只要遗传参数取值合理，就可以获得理想的效果。

汽车半主动悬架的非线性神经网络自适应控制研究

分析了汽车悬架的非线性特性，提出了基于神经网络的自适应控制策略，设计了神经辨识器和控制器，并通过一个补偿网络，来进行后悬架的预见控制。仿真计算表明，神经网络自适应控制的半主动悬架具有明显的减振效果，而加有后悬架预见控制其效果更佳。为验证仿真结果，还进行了台架试验。试验结果亦表明了半主动悬架的优良减振性能。

基于RBF神经网络的一类不确定非线性系统自适应H_∞控制

基于RBF神经网络提出了一种H∞ 自适应控制方法 .控制器由等效控制器和H∞ 控制器两部分组成 .用RBF神经网络逼近非线性函数 ,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能 .H∞ 控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响 .所设计的控制器不仅保证了闭环系统的稳定性 ,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标 .

基于单隐层神经网络的空天飞行器直接自适应轨迹线性化控制

基于轨迹线性化方法(TLC)及神经网络技术研究了一种新的直接自适应TLC控制方案。利用单隐层神经网络(SHLNN)对于光滑非线性函数的逼近能力,对消系统中不确定因素的影响,神经网络自适应律采用Lyapunov方法设计,保证了整个系统所有信号有界。最后利用该方案设计了空天飞行器飞行控制系统,并在高超声速飞行条件下进行了仿真验证,仿真结果表明整个控制系统具有很好的性能和鲁棒性。

基于自适应神经网络的非线性飞行控制

结合反馈线性化和神经网络提出了一种新的飞行控制系统设计方法，通过反馈线性化将非线性耦合系统等效转换为线性解耦系统，利用具有在线学习能力的神经网络补偿反馈线性化的误差，建立了基于自适应神经网络的控制结构，并利用李亚普诺夫函数导出了网络权值的自适应调整规则。在巡航弹地形跟踪应用中的结果表明，该控制系统不仅具有精确的跟踪性能而且具有良好的鲁棒性。

基于BP神经网络算法的粉碎机自适应控制系统设计

针对饲料加工行业中锤片式粉碎机控制系统存在启动时间长、响应速度慢及负载变化时出现的稳定性差等问题,提出了一种基于BP神经网络算法PID控制方法。首先,建立变频器和饲料粉碎机驱动电机组合系统传递函数的参考模型,并对其进行稳定性分析。然后在分析常规PID和模糊PID控制算法的基础上,将自适应神经网络算法PID应用到饲料粉碎机驱动系统的控制过程当中。通过搭建饲料粉碎机控制电机的仿真模型,利用MATLAB软件中的Simulink图形化编程功能对其进行仿真分析,并基于LABVIEW软件搭建了粉碎机测控系统试验平台进行实验测试分析。结果表明:对于饲料粉碎系统所给定的速度参考模型,设计的BP神经网络PID控制器能够实现较好的自适应追踪,对阶跃信号的响应更加迅速、超调更小,抗干扰能力更强。设计的自适应控制器能够根据工况变化自动调节PID参数,吨料电耗平均降低5.16%、生产率平均提高2.08%,对粉碎机主轴转速的控制更加精确,误差更小,兼具了较高的控制精度和较强的鲁棒性,满足饲料粉碎机驱动系统的自适应控制要求。

基于神经网络的非线性自适应控制

本文对非线性自适应控制的一个新领域—基于神经网络的非线性自适应控制（以下简称ＮＮＢＮＡＣ）的研究进展进行了综述，讨论了这一领域中存在的几个重要问题，然后指出了与这些问题相关的未来的研究方向．

基于径向基神经网络干扰观测器的空天飞行器自适应轨迹线性化控制

研究了一种自适应轨迹线性化控制策略并应用于空天飞行器(ASV)飞行控制系统设计。通过理论分析指明当前轨迹线性化控制方法(TLC)对系统中的不确定存在鲁棒性不足的问题。为了解决这一问题,首先研究了一种径向基神经网络干扰观测器(RDO)技术,严格证明了RDO对于系统中不确定因素具有良好的逼近能力。然后利用RDO输出得到一种新的基于RDO的自适应TLC控制策略。神经网络自适应律采用Lyapunov方法设计,保证了闭环系统所有信号有界。最后采用新方案实现了ASV飞控系统,仿真结果表明整个闭环系统在鲁棒性能方面得到很大提高。

船舶航向离散非线性系统自适应神经网络控制

针对考虑舵机特性的船舶航向离散非线性控制系统,提出了一种基于神经网络的自适应控制设计方法。为了消除离散系统后推设计中存在"因果矛盾"的问题,原船舶航向离散系统通过变换得到等价的能够预测变量的前向预测系统。通过使用单一神经网络逼近系统的所有未知部分,该控制设计方法可以有效地减轻控制系统存在的"计算量膨胀"问题,并具有控制器结构简单,控制参数少,易于工程实现等优点。同时,稳定性分析证明闭环系统的所有信号一致最终有界,并能使得航向跟踪误差任意小。最后,运用"育鲲"轮进行仿真研究以证明所提方法的有效性。