基于BP神经网络的非线性流域UUV动态回收过程预测

针对水下无人自主航行器(UUV)回收过程中流域存在非线性干扰问题,提出了一种基于BP神经网络优化UUV回收路径的闭环控制方法。采用计算流体力学(CFD)方法模拟UUV相对于潜艇以不同路径进行回收的水动力系数,将数值模拟结果作为训练BP神经网络的初始数据,利用拉丁超立方法对非线性流域的位置随机采样,采用神经网络输出UUV在采样处的水动力系数,实现非线性流域内UUV动态回收过程的水动力系数预测。结果表明:通过均方根检验神经网络预测水动力系数误差均在10%范围内。将神经网络预测结果与UUV纵向操纵性方程结合,对比回收速度和操舵间隔与理论回收轨迹的误差,优化UUV动态回收路径的闭环控制方案。

一种用于非线性动态辨识的新型神经网络

为提高非线性动态系统辨识(NDSI)的效果,在结合自建型模糊神经网络(SCFNN)和多层神经元神经网络(MLPNN)的基础上,提出一种自建递归型模糊神经网络(SCRFNN)。SCRFNN相较于前者,多了一个递归通道与抑制模糊规则产生机制;相较于后者,增加了模糊推论与一个递归通道。为验证SCRFNN在系统辨识中的有效性,设计一个新的NDSI在线学习模型与代码设计流程图,并以此作为在线学习架构,将以上3个神经网络模型对4个串-并型非线性动态系统进行辨识分析。经过仿真表明,新提出的SCRFNN通过存储内部状态,具备了映射动态特征的功能,从而使系统具有适应时变特性的能力,更适合于非线性动态系统的辩识。且在模糊规则数、学习收敛速度、学习与预测误差均方根值、预测精准度方面也取得了良好的效果。

基于非线性自回归神经网络模型对生活垃圾产生量的预测

旨在建立生活垃圾产生量预测模型,更好的预测生活垃圾产生量,以便有序筹划生活垃圾处置设施和构建灵活的收运调配体系。方法采用非线性自回归神经网络(NAR),通过调整延迟阶数和隐含层神经元个数等模型参数,建立基于生活垃圾产生量的历史时间序列预测模型。实验结果显示,NAR神经网络时间序列模型对于北京市生活垃圾产生量有较好的预测能力,当延迟阶数为5,隐含神经元个数为10时,预测模型测试集的r值为0.9717,平均绝对百分比误差为3.385%,均方根误差为5051.831 t/w,预测模型通过了残差序列非自相关检验,预测效果较好。结论表明针对生活垃圾产生量数据可以开展NAR神经网络模型非线性自回归预测,且可不用考虑其它相关影响因素数据的可获得性,具有一定的便利和实际应用意义。

基于多元非线性回归和BP神经网络模型对黄河水沙监测数据特征分析的比较

利用2016-2021年黄河水位、水流量和含沙量已有的历史数据,采用三次样条插值方法,可建立多元非线性回归和BP神经网络模型。比较两种模型的误差率,进而得到BP神经网络预测精度更高(平均误差率:0.1981)。这为预测含沙量提供可靠的依据,也为监管机关制定合理有效的检测方案提供了有力的支持。

基于观测器和事件触发的分数阶非线性系统神经网络控制

针对一类分数阶非线性系统的跟踪控制问题,本文提出了一种自适应神经网络事件触发控制方案.首先,利用径向基函数神经网络来逼近未知的非线性函数,构造了基于神经网络的状态观测器估计原系统状态.然后,在控制器设计中引入了事件触发策略,通过Lyapunov方法分析了闭环系统的稳定性.本文提出了一个新条件来估计事件触发条件的时间间隔下限,避免了Zeno现象.理论分析表明,提出的控制方案不仅能确保跟踪误差收敛到原点附近的邻域内,而且保证了闭环系统中所有信号的有界性.最后,分数阶互联电力系统仿真展示了方案的有效性.

基于回归神经网络的非线性动态数据校核及其应用

研究了简化型内回归神经网络基于自适应梯度下降法的训练算法 ,并提出了一种基于简化型内回归神经网络的非线性动态数据校核新方法。结果表明所提出的方法能够有效地对非线性动态过程进行数据校核 ,并具有良好性能 ;与传统的动态数据校核方法相比 ,所提出方法具有不需要掌握过程本身的精确模型 ,避免了过程模型误差可能带来的估计误差 ,不需事先知道测量噪声和过程噪声的统计特性等特点。

基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究

以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法(PSO)对变分模态分解(VMD)进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络(NARX)进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元(GRU)进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的(PSO-VMD)-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机(SVM)和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。

基于反向传播神经网络的卤水蒸发速率预测模型

卤水的蒸发速率是盐田生产管理中的一个重要技术参数,通过搭建室外卤水蒸发实验装置,分析了辐照强度、风速、环境温度、相对湿度、卤水温度、卤水浓度与卤水蒸发速率的关系。利用反向传播(BP)神经网络,训练构建了卤水蒸发速率预测模型,并与传统的应用回归方法构建的模型进行比较。结果表明,BP神经网络模型和非线性回归模型的决定系数R2分别为0.902和0.884,预测平均相对误差分别为15.723%和18.943%,BP神经网络模型的拟合效果和预测能力均优于非线性回归模型。说明应用BP神经网络构建卤水蒸发速率预测模型是可行的,能够实现蒸发速率的快速估测。

分段线性回归和动态加权神经网络融合的高炉料位预测

针对高炉料位难以连续高精度测量的问题,提出了一种基于分段线性回归和动态加权神经网络的高炉料位信息预测方法.首先,通过分析高炉布料机制和料位检测数据特点,提出了一种面向雷达和机械探尺检测数据时间序列的联合划分方法,用于提取高炉料位的周期性变化特征;然后,利用该变化特征构建分段线性回归模型,获得能准确描述料位变化的回归曲线;最后,以回归统计指标为权重调节系数,利用动态加权径向基神经网络对料位信息进行预测.实例验证表明,该方法融合了机械探尺检测数据精度高以及雷达检测数据连续性好的特点,实现了高炉料位信息的实时有效预测.

基于人工神经网络及非线性回归的岩爆判据

采用人工神经网络和非线性回归方法研究岩爆判据研究。首先利用人工神经网络对原始样本进行量化,然后对量化后的样本数据进行非线性回归分析,获得新的岩爆判据公式。研究结果表明:此岩爆判据公式具有较高的预测精度。

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。

基于动态神经网络的非线性过程在线预测

神经网络需满足以下两个条件方能用于非线性过程的在线预测:①神经网络必需以某种递推的方式出现;②神经网络的学习算法应尽可能简洁快速。为此改造泛回归神经网络(GRNN),运用递推更新的样本数据集训练GRNN,构成动态泛回归神经网络。该动态神经网络训练方便快捷,能够满足在线预测的实时性的要求。仿真实验表明预测值较观测值有一定滞后,但均能尾随观测值而变化,达到了预期的目标。

基于多层局部回归神经网络的多变量非线性系统预测控制

以罐式搅拌反应器为例 ,针对复杂多变量系统的强耦合性、非线性、时变性等问题 ,研究了多变量非线性系统的预测控制及改善控制性能的方法 .采用多层局部回归神经网络离线建立预测模型 ,以偏差补偿和模型修正相结合的方式对预测模型进行误差补偿 ,经在线校正用于预测控制 .通过对性能指标中的偏差项负指数加权 ,进一步改善预测控制性能 .仿真结果表明了控制算法的有效性 .

简单动态递归神经网络在非线性系统辨识中的应用

提出了用一种结构非常简单的动态递归神经网络(SRNN)辨识非线性系统的方法。该方法研究了在递归层不加权的网络简单拓扑结构,推导出SRNN的预报误差(RPE)学习算法,并对算法进行了补充和改进。仿真实验结果表明,这种网络需要调整的权系值少,且改进后的学习算法简单、辨识速度快、模型精度高,解决了一般动态递归网络因网络拓扑结构复杂造成的训练算法复杂、收敛速度慢的问题,可以实时应用。

基于动态神经网络非线性结构辨识的研究

利用 Elman动态递归神经网络 ,对非线性结构进行黑箱辨识 ,建立了它的非线性状态方程 ;提出了加快网络收敛速度的自适应学习算法。辨识结果表明 ,动态递归网络模型优于传统辨识模型 ,适于非线性、不确定结构的辨识。

基于人工神经网络的非线性回归

探讨了人工神经网络在回归分析领域应用的理论基础,对基于人工神经网络的非线性回归进行了深入的实践分析。以BP网络为例给出了基于人工神经网络的非线性回归实例分析。结果表明利用人工神经网络进行非线性回归是一种良好的数据回归方法,可以方便地应用于解决非线性回归问题。

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的El-man网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。

广义回归神经网络在非线性系统建模中的应用

广义回归神经网络具有设计简单、收敛快等优势,因此在复杂非线性系统建模中得到了广泛应用;在简要介绍了广义回归神经网络的结构和算法的基础上,基于广义回归神经网络和均匀设计理论,提出了一种新的非线性系统稳健建模方法,并给出了仿真算例;仿真结果表明,用文中提出的方法建立非线性系统预测模型,具有预测结果稳定、模型稳健性好等优点。

基于动态神经网络的非线性系统鲁棒观测器设计

基于动态神经网对一类不确定非线性系统提出一种新的鲁棒观测器．其中无离线学习、持续激励和输出匹配条件等要求．仿真说明所提方法的有效性．

具有零动态的SISO仿射非线性系统的神经网络自适应跟踪控制

针对具有零动态的SISO仿射非线性系统提出了一种神经网络直接自适应跟踪控制方法．采用梯度下降算法最小化未知理想控制器与神经网络控制器的误差代价函数以获得参数自适应律，控制器中无需另加鲁棒控制项．基于Lyapunov稳定性定理证明了在该控制器的作用下能保证输出跟踪误差及相应闭环系统的所有状态最终一致有界及神经网络参数的收敛性．仿真结果验证了该文方法的有效性．