RBF神经网络算法在汽油机空燃比控制中的比较

选择具有多干扰和复杂非线性的汽油机空燃比为控制对象,对径向基函数(RBF)神经网络的RLS和LMS在线算法,从训练速度、抗干扰能力、控制精度三个方面,在MATLAB下进行了仿真比较。结果表明:在用离线训练的网络参数作为初始值、且不调整RBF中心值和宽度向量时,RLS算法优于LMS算法。

基于改进算法递归神经网络的研究

动态递归神经网络具有递归单元及记忆功能 ,使其在系统辨识和控制中有独特的作用 .针对BP算法的不足 ,提出了一种递推预报误差 (RPE)学习算法 .对一个非线性系统进行了辨识 ,其仿真结果表明 ,改进的RPE算法优于BP算法 .

基于模糊聚类与非线性最小二乘法的径向基网络设计

针对径向基网络构造的关键,径向基函数中心位置的合理选取,利用改进的模糊聚类法给出了径向基网络中心的选择算法,并在此基础上结合非线性最小二乘法,提出了一种新的网络递推学习算法。这种学习算法充分利用径向基网络的二次信息,迭代地确定径向基函数的中心位置和网络的权系数。通过运用于泵站特性曲面的拟合,证明了该算法是行之有效的.

基于对角递归神经网络的建模及应用

介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性.

船舶操纵的高斯势函数神经网络PID控制器研究

针对船舶操纵这种非线性、时变参数控制对象，提出了一种采用高斯势函数神经网络的自适应ＰＩＤ控制系统，该系统由２个高斯势函数神经网络组成，其中一个用于船舶运动模型的辨识，另一个用于ＰＩＤ学习控制．文中还提出了广义递归最小二乘学习算法，以便加快网络训练速度．船舶操纵的仿真结果表明此法明显优于传统的ＰＩＤ控制器．

基于对角递归网络补偿器的直线永磁同步电机伺服系统

针对直线永磁同步电机伺服系统负载阻力扰动、动子质量变化等扰动提出了一种基于动态对角递归网络补偿器的位置伺服控制方案。利用动态对角递归网络具有内部反馈结构和动态映射能力对系统参数变化和扰动具有较强鲁棒性的特点,设计出一种新型非线性补偿器,并利用一种改进的递推预报误差学习算法加快权值调整速度、节约在线训练时间。

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.

多层动态前向网络在油田系统预测中的应用

针对油田系统常规的建模和动态预测方法的局限性,采用多层动态前向网络作为油田系统的辨识模型,研究了多层动态前向网络预测模型与预测技术.分析了递推预报误差学习算法的不足之处,提出了改进方案,提高算法的性能,从而更新了油田系统建模和预测方法.新方案在油田开发动态指标预测应用中,取得了很好的效果,表明本文方法的有效性.