BP神经网络优化参数的螺杆点胶阀无模型自适应控制技术

螺杆点胶阀因点胶效率高、精度高、胶点均匀性高等优点,广泛应用于微电子封装等领域,而电机转速的控制性能是决定螺杆点胶阀点胶质量的重要因素。针对点胶阀在外部干扰和负载扰动情况下,PID速度控制效果不理想,参数难以整定的问题,采用BP神经网络-无模型自适应控制(BP-MFAC)算法,通过BP神经网络在线整定无模型自适应控制器参数来实现对电机速度的自适应控制,无需人工整定参数。仿真和实验对比结果表明,该算法相较于PID控制算法,在电机速度控制上具有更小的超调量和稳态误差,更短的调节时间;在外部干扰和负载扰动的情况下,具有更好的抗扰动能力。

基于改进BP的神经网络模型参考自适应控制

由于传统BP算法存在收敛速度慢,容易陷入局部极小值等弊端,目前的BP优化算法又使得控制过程变得复杂,继而基于BP神经网络的模型参考自适应控制过程也存在实时性差,收敛性慢,精度不高等不足。现针对改进的BP算法和非线性系统的可逆性,分析设计了一种基于激励函数自寻优的BP网络模型参考自适应控制,并通过Matlab仿真结果表明,在满足控制精度的情况下控制系统中的辨识器和控制器效果都很理想。因此,对工程应用有很大的实际参考利用价值。

基于粒子群优化的BP神经网络模型参考自适应控制系统

将粒子群优化的BP神经网络作为模型,参考自适应控制系统的控制器,把参考模型输出与系统实际输出的均方误差作为PSO-BP神经网络的适应函数,通过PSO算法强大的搜索性能使自适应控制系统的均方误差最小化。仿真实例结果表明,基于粒子群优化算法的BP神经网络自适应控制系统收敛快、精度高,有较好的网络的泛化和适应能力,能够很好地控制系统的输出跟随参考模型的输出。

机械臂轨迹跟踪控制——基于EC-RBF神经网络的机械臂模型参考自适应控制

针对机械臂运动轨迹控制中存在的跟踪精度不高的问题,采用了一种基于EC-RBF神经网络的模型参考自适应控制方案对机械臂进行模型辨识与轨迹跟踪控制。该方案采用了两个RBF神经网络,运用EC-RBF学习算法,采用离线与在线相结合的方法来训练神经网络,一个用来实现对机械臂进行模型辨识,一个用来实现对机械臂轨迹跟踪控制。对二自由度机械臂进行仿真,结果表明,使用该控制方案对机械臂进行轨迹跟踪控制具有较高的控制精度,且因采用EC-RBF学习算法使网络具有更快的训练速度,从而使得控制过程较迅速。

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果 ,发现该算法使控制器存在严重的“过学习”现象 .为避免这一现象 ,设计了一种新的误差函数结构 ,得到改进的BP算法 .针对一个存在大惯性环节的线性时变系统 。

基于BP神经网络的模型参考自适应姿态控制

采用模型参考自适应控制的基本设计框架,并通过BP神经网络对PID控制参数进行自主调节,实现飞行器的自适应姿态控制。利用参考模型输出、实际对象输出等信号作为训练信号,对所构建的三层BP神经网络进行权重更新。仿真结果表明,将BP神经网络应用于飞行器的自适应姿态控制中,能够实现PID控制器参数的自主调整,表明了BP神经网络优良的逼近性能。同时,该控制方案确保了飞行器姿态控制系统的性能指标,并且提高了工程设计的智能化水平。

泵控缸电液位置伺服系统的神经网络模型参考自适应控制

针对泵控缸电液位置伺服系统的跟踪控制问题,提出了神经网络模型参考自适应控制方法。泵控缸电液位置伺服系统由于其自身特性以及外界干扰因素的影响存在严重的非线性,因此,很难采用传统的控制方法来控制。为此,首先利用GA-BP算法离线辨识伺服系统的神经网络模型,得到网络参数的初值,然后利用改进的BP算法在线对网络参数进行微调,以得到较为准确的网络预测输出,从而为在线神经网络控制提供较准确的梯度信息。仿真结果表明,该方法能保证系统具有较快的响应速度和较高的控制精度,并具有较好的自适应性和鲁棒性。

基于BP神经网络的天然云冷杉针阔混交林标准树高-胸径模型

[目的]以吉林省汪清林业局金沟岭林场12块天然云冷杉针阔混交林样地为对象,基于12 953对实测树高-胸径数据,结合林分优势高分树种(组)建立基于BP神经网络的标准树高模型。[方法]在确定隐层节点数后经过反复训练得到各树种(组)的适宜模型结构,使用相同的建模数据(8块样地)求解两个传统的树高方程,再利用未参与建模的4块样地分别验证模型。[结果]表明:落叶松、云杉的适宜模型结构(输入层节点数:隐藏层节点数:输出层节点数)为2:5:1;红松、中阔(白桦、大青杨、榆树和杂木)的适宜模型结构为2:4:1;冷杉的适宜模型结构为2:8:1;慢阔(色木、水曲柳、黄檗、紫椴和枫桦)的适宜模型结构为2:7:1。[结论]与传统方法相比,BP模型不依赖现存函数,不需要筛选模型形式,而且BP模型各树种R^2高于传统模型,平均绝对误差、均方根误差均小于传统模型,其拟合精度和预测效果均优于传统方程,可以有效地预测树高。

神经网络动量-自适应学习率BP算法与BP算法的性能比较及其应用

动量 -自适应学习率 BP算法是对标准 BP算法的改进 ,本文对这两种算法进行了分析 ,并利用计算机程序对其性能进行了比较测试 ,利用 VISU AL C++和 MATL

利用BP神经网络描述作物-水模型

研究了利用 BP神经网络描述作物 -水模型的方法。将各生育阶段的耗水量作为输入 ,将作物单产作为输出 ,构建了具有 1个隐含单元层的 BP神经网络结构。利用北京永乐店试验站 1998～ 1999年度的冬小麦灌溉试验资料作为样本进行训练和检验 ,得到了作物 -水模型的人工神经网络模型。结果表明 ,作物

神经网络辨识的无模型自适应自校正控制器

在针对全格式动态线性化泛模型中引入辅助变量,提出了一种改进的全格式动态线性化泛模型,克服了其存在的问题。采用BP神经网络对其进行辨识,基于广义目标函数,提出神经网络辨识的无模型自适应隐式自校正控制器,其算法是关于当前控制输入的非线性方程,利用牛顿-拉夫逊算法求解,根据直接极小化指标函数的自适应优化算法对BP神经网络的连接权重值进行在线学习。仿真研究验证了所提出的隐式自校正控制器的有效性,系统具有良好的控制品质。

基于神经网络的模型参考自适应控制方法

针对传统基于模糊神经网络的模型参考自适应控制方法的一些不足,提出了一种基于 BP 神经网络的模型参考自适应控制结构,并对所使用的 BP 网络学习算法进行了分析改进。对比分析采用传统自适应方法和改进的自适应方法时,不同的控制仿真结果表明,改进后的方法可以有效地抑制神经网络的"过学习"现象,减小了对神经网络辨识器精度的依赖程度,改进效果显著。

基于BP神经网络下新业态的“群落-演替”预测模型研究

自信息技术变革以来,各产业结构发生了快速的调整和升级,在新业态下,信息产业作为新的主导产业群出现,还带动着传统产业电子技术的改造和产业的融合。通过对"群落-演替"预测模型结构进行设计,确定相应的输入输出参数,设计BP神经网络算法并实现BP神经网络及样本训练,构建BP神经网络下新业态的"群落-演替"预测模型。通过对比实验验证,新的模型的预测结果误差率更低,因此更适用于实际的应用当中。

BP神经网络的春小麦作物水模型的初步研究

用内蒙古河套灌区春小麦非充分灌溉试验资料 ,建立了 BP神经网络的春小麦作物水模型。经模拟分析认为该模型能正确表达春小麦的产量与水分的关系并有某些独特的优点。与当地拟合效果较好的Minhas模型的比较表明 ,二个模型所表达的春小麦各生育阶段对水分的敏感性一致 ,产量预测结果接近。初步说明

基于BP神经网络的草根加筋土本构模型

用室内三轴试验方法得到了草根加筋土的应力—应变关系,并基于试验结果建立了素土和混和草根加筋土的BP神经网络本构模型。模型计算结果与试验结果对比分析表明,该神经网络本构模型具有很高的拟和精度和良好的泛化能力,能充分体现岩土材料的非线性关系。利用莫尔—库仑准则拟合得到的加筋土的强度指标分析了草根加筋土的护坡机理。研究结果对于合理建立草根土的本构关系和深入认识植被护坡机理具有指导意义。

基于神经网络的模型参考自修复飞行控制

提出了一种基于模糊神经网络的模型参考自修复飞行控制结构,并对所使用的BP网络学习算法进行了分析改进。对比非故障和故障状态下的飞行仿真结果表明,改进后的自修复飞行控制方法可以有效地抑制神经网络的“过学习”现象,减小了对神经网络辨识器精度的依赖程度,在故障条件下的补偿作用非常明显,达到了自修复飞行控制的目的。

基于BP神经网络预测红外-喷动干燥带壳鲜花生水分比

为实现带壳鲜花生红外-喷动干燥过程中水分比的预测,本实验探究了不同干燥温度(55、60、65℃和70℃)、进口风速(16、17、18 m/s和19 m/s)和助流剂质量(1.0、1.5、2.0 kg和2.5 kg)对带壳鲜花生干燥时间和干燥速率的影响,建立了输入层为干燥温度、进口风速、助流剂质量和干燥时间,隐含层节点数为11,输出层为带壳鲜花生水分比,拓扑结构为“4-11-1”的BP神经网络模型。结果表明:干燥温度和进口风速是影响带壳鲜花生水分比的主要因素,增加进口风速和提高干燥温度能有效缩短带壳鲜花生的干燥时间,提高干燥效率。采用Levenberg-Marquardt(L-M)算法为训练函数,选择tansig-purelin为网络传递函数,经过有限次训练得到的BP神经网络模型,其水分比预测值与实验值之间的决定系数R^(2)为0.99,均方误差为0.02,水分比预测结果相较于传统经典数学模型准确且迅速。本研究建立的BP神经网络模型可为带壳鲜花生在红外-喷动干燥过程中的水分比在线预测提供理论依据和技术支持。

基于BP神经网络的不同人为干扰强度下盐渍土SO42-定量分析

SO^2-4是盐渍土阴离子中的主要离子,但目前针对不同人为干扰区域土壤中SO^2-4反演研究却鲜有报道。土壤高光谱与土壤某元素间的关系表现为非线性,传统线性偏最小二乘模型(PLSR)对土壤元素的反演精度有限。本文以新疆昌吉回族自治州境内不同人为干扰区域的盐渍化土壤为研究对象,以土壤的野外高光谱和SO24含量为数据源,对原始(R)和对数(LogR)变换后的高光谱分别进行0阶、一阶和二阶微分预处理,选择通过0.05显著性水平的波段为敏感波段,将敏感波段对应的高光谱反射率作为非线性BP神经网络模型的输入变量,并设定BP的隐藏节点为300,学习速率为0.01,最大迭代次数为1000,训练函数为trainscg。从SO24的真实值与预测值的散点图、拟合效果图和BP训练过程3个方面,定量分析无人为干扰(A区)和有人为干扰(B区)土壤SO24含量,并与PLSR对比预测精度。仿真显示,A区二阶微分后的BP预测精度优于一阶微分,而B区一阶微分后的BP预测精度优于二阶微分。且不论在A区还是B区,LogR光谱变换的反演精度均优于R。最佳BP模型的相对预测性能(RPD)、决定系数(R^2)、均方根误差(RMSE)和迭代次数,在A区分别为3.309、0.906、0.253和8次,在B区分别为2.234、0.844、0.786和45次,表明BP对A区SO24的预测能力非常强(RPD>2.5),对B区SO24的预测能力较强(RPD为2.0~2.5)。而在A区和B区两种光谱变换的一阶和二阶微分中,PLSR的RPD值均在1.4与1.8之间,其预测性能一般;在B区的0阶微分中,PLSR的RPD值均小于1.0,其不能对SO24进行预测。因此,BP模型能对不同人为干扰区域的SO^2-4进行有效的定量分析。

改进BP神经网络模型在索塔变形预测中的应用

通过分析温度、风速气压、日照和拉索拉力等因素,建立函数关系模型,结合南京长江五桥钢壳-混凝土索塔变形监测实例,采用基于小波阈值去噪、岭回归、BP神经网络的多算法组合模型,进行不同组合算法的实验,预测索塔监测点的坐标,与全站仪观测的索塔变形数据进行比较,得到小波-岭回归-BP神经网.

基于神经网络的模型参考控制系统的应用

以机械手臂作为被控对象搭建了神经网络模型参考控制的仿真模型,利用BP神经网络模型参考控制器对被控对象进行控制仿真试验.通过逐渐增加控制器的训练样本数,逐渐改善控制器的控制效果.在无干扰和有干扰的条件下分别对系统进行控制效果测试,结果表明:BP神经网络模型参考控制器可有效提高被控系统的鲁棒性和自适应性.