基于频域控制约束的物理神经网络非线性系统预测方法

针对现有物理信息神经网络利用数值模拟近似物理控制方程带来的高计算代价、边界条件限制等问题,提出一种基于频域控制约束的物理神经网络非线性系统预测方法。首先构建时序特征交替更新的非线性预测网络模型,再在频域建立基于傅里叶谱方法(FSM)的物理控制方程约束,时空数据在网络模型与频域控制约束耦合下实现无标签数据加速训练,完成系统演化学习。最后在Burgers系统上进行湍流预测验证,实验结果表明该方法可在物理规则约束下实现无标签非线性复杂建模,对比主流PINN模型及其变体,具有更快的学习速度与预测准确率。在t≤0.25 s、t≤0.5 s短时预测情况下,经前期20次训练后系统预测均方误差(MSE)相比主流基准模型同期预测,MSE降低了86%与95%,在t≤2 s长时预测情况下,经充分训练后系统预测MSE能降低80%。

基于信息融合最优估计的非线性离散系统预测控制

针对非线性离散系统的二次型最优预测控制问题,提出了一种基于信息融合最优估计的迭代预测控制算法.通过融合二次型性能指标函数中包含的未来参考轨迹和控制能量的软约束信息,以及系统状态方程和输出方程的硬约束信息,获得协状态序列和控制序列的最优估计.通过二自由度机器人操作手的转移控制仿真,表明了该控制算法具有良好的稳定性和鲁棒性.

一类非线性随机系统的自适应预测控制

根据线性滤波和谱分解定理及成型滤波器原理构成一非线性随机系统模型,结合在工作点处用线性的动态切平面逼近一般非线性系统的方法,基于准则函数和广义最优预测算法,采用NARMAX模型的非线性递推参数估计算法辨识未知参数,提出一种自适应预测控制算法,仿真研究验证了算法的有效性。

基于混沌云量子蝙蝠CNN-GRU大坝变形智能预报方法研究

针对大坝变形影响因素复杂、精准预报难度较大问题,为了提高在大坝安全管理过程中大坝变形的预报精度,本文从大坝变形非线性动力系统时间序列的强非线性出发,引入深度卷积神经网络,对大坝变形及其空间影响特性进行挖掘,引入门控循环单元,对大坝变形的时域特性进行挖掘,构建应用于大坝变形预报的深度卷积神经网络-门控循环单元大坝变形组合深度学习网络;同时,为了获取深度卷积神经网络-门控循环单元组合网络的最佳超参,引入了混沌云量子蝙蝠算法,建立了基于混沌云量子蝙蝠算法算法的深度卷积神经网络-门控循环单元组合网络超参优选方法;最后,提出了深度卷积神经网络-门控循环单元-混沌云量子蝙蝠算法大坝变形组合深度学习智能预报方法。基于实测数据开展预报研究,对比结果表明:与对比模型相比,提出的深度卷积神经网络-门控循环单元-混沌云量子蝙蝠算法预报方法取得了更精确的预报结果,混沌云量子蝙蝠算法算法用于超参优选获得了更佳的超参组合。

复高斯小波核函数的支持向量机研究

针对基于常用核函数的支持向量机在非线性系统参数辨识及预测方面的不足之处,构建了一种新的核函数——复高斯小波函数核函数。首先证明了新构建的核函数的正确性,即满足Mercy条件,表明其可以作为核函数;然后构建基于该核函数的支持向量机,并将该支持向量机用于非线性系统的辨识和未知部分的预测。通过与常用核函数构建的支持向量机的仿真结果进行对比,验证了该方法的正确性和有效性。

西北地区小麦黄矮病流行分析及人工神经网络模型的构建

对西北地区半干旱气候区小麦黄矮病1992--2009年发生、流行情况进行长期监测、分析，选择制约小麦黄矮病发生、流行的23个因素，利用三层人工神经网络可以逼近任意连续函数，对非线性预测系统进行模拟处理的特点，分析所选预测分子，提出一套完整的建立BP人工神经网络模型的方法，并建立陕西省BP神经网络长期预测模型。对1992-2006年数据进行网络训练，利用2007-2009年数据进行测试。结果表明，以发病率为指标，输出结果误差在0．001～0．034之间；以发病级别作为预测结果，模型计算得出的数值与实际病级完全吻合，准确率为100％。说明利用神经网络建立小麦黄矮病预测模型是可行的。