基于OFRBF-Elman网络的UUV动力学模型辨识

水下无人航行器(UUV)是具有较强非线性的复杂动态系统,而神经网络具有理论上逼近任意非线性的能力;为了提高UUV的动力学模型精度,运用了基于输出反馈的RBF-Elman(OFRBF-Elman)神经网络的系统辨识方法,即对Elman神经网络进行改进,将网络输出进行延时反馈,作为输入与隐层进行联接;将径向基函数作为隐层节点的激活函数,并以线性最小二乘法调整隐层到输出层的连接权值;然后,将该方法应用于UUV空间六自由度的动力学模型辨识中;最后,通过仿真证明了该网络结构的辨识算法具有很好的逼近能力和快速的训练速度。

在风电系统中RBFNN自适应输出反馈控制策略

提出了一种基于RBFNN自适应输出反馈控制器,针对平均风速下不同的线性数学模型,采用区域极点配置的方法设计输出反馈控制器的反馈增益,然后由RBF神经网络对不同风速下的稳态工作点和输出反馈增益之间的非线性映射关系进行逼近.这种控制器可根据风速的变化,给出相应的输出反馈增益G,使得风电系统能够以满意的阻尼比,无静态误差地跟踪不同的期望工作点,同时对频繁出现的阵风扰动具有一定的抑制作用.并通过仿真对这一控制器的良好性能进行了验证.

基于AVQ聚类和OIF-Elman神经网络的机床热误差建模

针对数控机床热误差补偿技术中温度布点选取的问题,提出了基于前馈神经网络的自适应矢量量化(AVQ)网络聚类的方法,将AVQ网络聚类法应用于一台加工中心并将18个测点减少到3个,基于输出-输入反馈Elman(OIF-Elman)神经网络模型建立了机床热误差与关键测点温度之间的关系.结果表明,采用基于AVQ网络聚类法和OIF-Elman神经网络预测模型,能够降低机床温度测点之间耦合作用的影响,提高热误差建模的准确性与鲁棒性.

引入惩罚收益因素OIF Elman神经网络及其应用

通过在OIF Elman(Output-Input Feedback Elman)神经网络模型中引入惩罚收益因素,提出了一种基于OIF Elman神经网络的改进模型,并将其用于大气质量的预测和评价。实验模拟结果证明,引入惩罚收益因素OIF Elman模型能够明显提高网络的预测精度,具有极佳的逼近性能,所得预测数据和评价结果与实际结果基本吻合。利用该模型对大气质量进行预测和评价是可行而有效的,具有较好的应用潜能;并为大气环境整治规划提供了一种新的技术和方法。

基于神经网络的MIMO非线性最小相位系统鲁棒自适应控制

针对一类模型未知的具有不确定性和外部干扰的多输入多输出(MIMO)非线性最小相位系统提出了鲁棒自适应输出反馈跟踪控制方案。用高斯径向基函数(RBF)神经网络逼近对象未知非线性,用高增益观测器估计系统不可测量状态。所设计的鲁棒自适应控制器不仅能使闭环系统稳定,所有状态有界,而且跟踪误差一致最终有界,并保证最终边界足够小。仿真结果表明了所提出方法的有效性。