基于分布式神经网络递推预报误差算法的非线性系统建模

采用基于递推预报误差算法的分布式神经网络结构建立非线性系统模型 .子神经网络模型及其连接权值均采用递推预报误差方法来进行训练 ,将所有子网络融合得到的分布式神经网络模型在模型精确性和鲁棒性方面有显著地增加 .

递推预报误差算法在非线性回归分析中的应用

在非线性回归分析中 ,常用的方法有变量代换法和多项式回归法[1] ,本文针对上述方法的缺点 ,介绍了一种递推预报误差算法 ,并应用于非线性回归分析中。计算结果表明 。

基于递推预报误差算法的前馈神经网络的设计

该文介绍了一种基于递推预报误差算法的前馈神经网络的实现方法。将该网络应用于非线性系统模型的仿真试验中取得了良好的效果。文中给出了试验的结果,并对该网络的应用进行了讨论。

应用递推神经网络的传感器动态建模研究

根据动态校准实验结果建立传感器的动态数学模型 ,以研究传感器的动态性能 ,是动态测试的一个重要内容。研究了递归神经网络模型在传感器动态建模中的应用。递归神经网络模型采用具有输入层、中间层、输出层的三层网络结构 ,整个网络的特性决定于相邻层间的连接权。采用递推预报误差算法训练神经网络 ,具有收敛速度快、收敛精度高的特点。由于其反馈特征 ,使得递归神经网络模型能获取系统的动态响应特性。该方法特别适用于传感器非线性动态建模 ,而且避免了传感器模型阶次的选择的困难。试验结果表明 。

一种递推辨识算法

根据最小二乘预报误差的变化规律,本文给出一种能在线同时辨识系统阶数和参数的递推算法——递推预报误差法。

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.

一种递归神经网络的快速并行算法

针对递归神经网络BP(Back Propagation)学习算法收敛慢的缺陷,提出一种新的递归神经网络快速并行学习算法.首先,引入递推预报误差(RPE)学习算法,并且证明了其稳定性;进一步地,为了克服RPE算法集中运算的不足,设计完整的并行结构算法.本算法将计算分配到神经网络中的每个神经元,完全符合神经网络的并行结构特点,也利于硬件实现.仿真结果表明,该算法比传统的递归BP学习算法具有更好的收敛性能.理论分析和仿真实验证明,该算法与RPE集中运算算法相比可以大大节省计算时间.

准对角递归神经网络及其算法的研究

提出一种准对角递归神经网络(QDRNN)结构及学习算法。此QDRNN结构上与对角递归神经网络(DRNN)相似,保留了DRNN结构简单的优点,以减小计算量,同时增加了相邻递归神经元之间的关联,可以直接应用BP学习算法进行训练。进一步,引入递推预报误差(RPE)学习算法,并且证明了其稳定性。仿真结果表明,QDRNN比DRNN具有更好的非线性逼近能力,而运算时间却增加甚微,DRNN的学习算法稍加变化即可应用。

改进RPE算法的神经网络在客户欺诈预测中的应用

客户欺诈在一定程度上抑制了消费,这会妨碍电信运营商和电信用户的亲密度,从而削弱电信运营商的市场竞争力。客户欺诈现象存在非常复杂的多元非线性关系,从统计学角度出发,难以建立预测模型,针对这些问题,提出了基于递推预报误差(RPE)算法神经网络的方法建模,并采用改进的动态遗忘因子方法保证了平稳收敛。实验结果表明,用该算法预测客户欺诈的危险度效果优于BP神经网络模型,具有实用性和有效性。

递归神经网络的RPE算法及其在非线性动态系统建模中的应用

针对递归神经网络BP学习算法收敛慢的缺陷 ,通过引入递推预报误差 (RPE)学习算法 ,提出一种新的递归神经网络快速学习算法·该算法的基本原理是沿着指标函数的Gauss Newton搜索方向修正权值 ,同时不必计算二阶偏导数和进行矩阵求逆运算·仿真结果表明 ,该算法比传统的递归BP学习算法具有更快的收敛速度 。

人工肌肉系统神经网络建模与控制

针对广泛应用于医疗机器人等领域的空气压人工肌肉的非线性特性 ,运用神经网络模型 ,对人工肌肉系统进行建模与控制。设计了一个具有单关节的人工肌肉试验系统。采用递推预报误差 (RPE)算法来训练神经网络 ,并给出了RPE算法的具体实现 ,该算法与传统的BP算法相比具有更好的收敛特性。讨论了不同的输入向量和不同的隐层节点数对建模结果的影响。在此基础上提出了一种基于神经网络的人工肌肉系统非线性控制结构 ,并给出了人工肌肉关节跟踪正弦波和矩形波参考信号的试验结果。试验结果表明 ,采用神经网络模型对人工肌肉系统进行建模与控制 ,能有效地克服人工肌肉系统的非线性 ,能够得到更快的控制速度和更高的控制精度。

基于递归网络的传感器动态建模方法

研究了递归网络模型在传感器动态建模中的应用,给出了递归网络模型的结构及相应的训练算法。该方法避免了传感器模型阶次的选择的困难。试验结果表明,应用递归网络对传感器进行动态建模是一种行之有效的方法。

BP神经网络在测试系统动态补偿中的应用(英文)

测试系统的非线性动态补偿是仪器技术的一个重要方面.采用BP神经网络对测试系统进行动态补偿.BP神经网络的结果决定于网络输入、隐层和输出节点.由于其非线性映射特性,BP神经网络完全能够反映测试系统的动态响应特性.采用了收敛速度较快的递推预报误差算法训练神经网络.试验结果表明,BP神经网络的特性完全能够满足测试系统的动态补偿要求,表明本文的方法是有效的.

基于递归神经网络模型的传感器非线性动态补偿

讨论了递归神经网络模型在传感器非线性动态补偿中的应用 ,给出了递归神经网络模型的结构及相应的训练算法 .递归神经网络模型本身具有动态映射能力 ,其结构仅与输入层和中间层的节点数有关 ,且不需要知道被补偿传感器的结构特性 (如输出、输入的最大延迟 )等先验知识 ,简化了动态补偿器的结构设计 .采用递推预报误差算法训练神经网络 ,具有收敛速度快、收敛精度高的特点 .实验结果表明 ,经过补偿后的传感器具有期望的输入输出特性 。

基于动态对角递归网络的变压器故障诊断

本文介绍了动态对角递归网络,并针对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。同时,将动态对角递归网络引入到电力变压器的故障诊断中,通过改良三比值方法来实现故障诊断,提高了神经网络故障诊断收敛性及增量学习能力。最后,仿真诊断实例表明了应用这种方法实现的变压器故障诊断系统的有效性。

基于RPE算法的正弦信号测量

给出了一种同时测量正弦波参数的方法.该方法基于递推预报误差(RPE)算法,采用递推结构,具有占用内存少、易于编程、能够进行在线测量、计算精度高等特点.并给出了部分试验结果.

基于动态对角递归网络的变压器故障诊断

本文介绍了动态对角递归网络,并针对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。同时,将动态对角递归网络引入到电力变压器的故障诊断中,通过改良三比值方法来实现故障诊断,提高了神经网络故障诊断收敛性及增量学习能力。最后,仿真诊断实例表明了应用这种方法实现的变压器故障诊断系统的有效性。

一种带钢力学性能预测的神经网络方法

采用神经网络进行建模,应用递推预报误差(RPE-recursive predict error)算法进行网络训练,实现了带钢力学性能预测,仿真结果表明算法的有效性,该方法可应用于轧钢流程的参数控制,提高生产的自动化水平。

动态对角递归网络在变压器故障诊断中的应用

介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,提出了递推预报误差学习算法。利用该算法对神经网络的权值和域值进行训练,有效地提高神经网络的收敛性及增量学习能力。将动态对角递归网络应用到变压器的故障诊断中,利用改良三比值方法来实现诊断,建立了诊断的模型。利用部分数据进行了训练及故障诊断的仿真,结果表明了利用该方法进行变压器故障诊断的有效性。

基于BP-ANN的热电偶信息处理方法

为了提高传感器的准确度,提出一种基于BP网络和递推预报误差算法对热电偶进行信息处理的方法,经过仿真试验证明该方法可以提高传感器在较大范围内的测量准确度。该方法用软件容易实现,可以很方便地应用到其它传感器中。