时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机(PMSM)中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。

Elman递归神经网络在车牌字符识别中的应用

为了提高车牌自动识别系统的速度和准确度,采用适应性较强的十三特征提取法进行车牌字符的特征提取,将提取的特征向量作为网络的输入;在对网络进行训练时,选用具有一个承接层作为一步延迟算子的动态建模性质比较好的Elman递归神经网络.此网络在权值更新时不仅考虑了当前的梯度方向,而且还考虑了前一时刻的梯度方向,从而降低了网络性能对参数调整的敏感性,有效地抑制了局部极小值的出现.最后与BP网络训练的结果进行对比,结果表明Elman递归神经网络在识别速度和准确度方面都更具优越性.

Elman递归神经网络在结构分析中的应用

给出了Elman动态递归神经网络的网络结构和基本原理。基于Elman递归神经网络能够逼近任意非线性函数的特点,提出了一种基于Elman递归神经网络建立结构分析模型的方法。利用Elman递归神经网络对桁架进行建模,真实地反映了桁架结构的动态特性。

基于Elman递归神经网络的股价的短期预测

Elman神经网络是一种典型的局部递归神经网络,非常适合用于如金融时间序列这样复杂的非线性动力学系统的预测中。用美菱电器(股票代码:000521)和上海电力(股票代码:600021)的280天的实际开盘价作为时间序列预测的样本,用Elman递归神经网络方法建立股票价格预测模型。通过Matlab软件对其预测过程进行仿真实验,验证了Elman神经网络建立的股票开盘价短期预测模型具有收敛速度快、预测精度高等优点。

基于IWOA-SA-Elman神经网络的短期风电功率预测

由于风力发电的随机性和不确定性使其短期功率的预测工作十分困难,而神经网络模型依靠其强大的自学习能力在风电功率预测领域有着广泛的应用。但神经网络预测精度受初始权重影响较大,且易出现过拟合的问题。为此构建一种基于改进鲸鱼算法和模拟退火组合优化的Elman神经网络短期风电功率预测模型,模型首先利用改进鲸鱼算法结合模拟退火策略获得高质量神经网络初始权值,接着引入正则化损失函数防止其过拟合,最后以西班牙瓦伦西亚某风电场陆上短期风电功率为研究对象,将该算法与BP、LSTM、Elman、WOA-Elman、IWOA-Elman 5种神经网络算法进行算法性能测试对比,结果表明IWOA-SA-Elman神经网络模型预测误差最小,验证了该算法的合理性和有效性。

基于改进SFLA-Elman神经网络的电离层杂波抑制方法

针对高频地波雷达目标检测中电离层杂波的干扰问题,提出了一种基于改进混合蛙跳算法优化Elman神经网络预测抑制电离层杂波的策略。为解决混合蛙跳算法初始种群分布不均匀、收敛精度低、易陷于局部极值等问题,引入Cubic混沌映射、莱维飞行策略、非线性平衡因子和复制操作,增强种群多样性,提高算法搜索能力。利用改进后的算法和其他算法分别优化Elman神经网络预测抑制模型,结果表明,改进后的算法无论是在收敛精度和稳定性上,还是在临近距离单元电离层杂波的预测抑制上,都取得了显著的提升。在基本保留目标信号的基础上,平均信杂比较原始回波提升18.52 dB,较原始混合蛙跳算法提升1.08 dB,对于电离层杂波的抑制具有较高应用价值。

脑电情感识别中多上下文向量优化的卷积递归神经网络

目前的脑电(EEG)情感识别模型忽略了不同时段情感状态的差异性,未能强化关键的情感信息。针对上述问题,提出一种多上下文向量优化的卷积递归神经网络(CR-MCV)。首先构造脑电信号的特征矩阵序列,通过卷积神经网络(CNN)学习多通道脑电的空间特征;然后利用基于多头注意力的递归神经网络生成多上下文向量进行高层抽象特征提取;最后利用全连接层进行情感分类。在DEAP(Database for Emotion Analysis using Physiological signals)数据集上进行实验,CR-MCV在唤醒和效价维度上分类准确率分别为88.09%和89.30%。实验结果表明,CR-MCV在利用电极空间位置信息和不同时段情感状态显著性特征基础上,能够自适应地分配特征的注意力并强化情感状态显著性信息。

基于PSO-Elman神经网络的井底风温预测模型

目前井下风温预测大多采用BP神经网络,但其预测精度受学习样本数量的影响,且容易陷入局部最优,Elman神经网络具备局部记忆能力,提高了网络的稳定性和动态适应能力,但仍然存在收敛速度过慢、易陷入局部最优的问题。针对上述问题,采用粒子群优化(PSO)算法对Elman神经网络的权值和阈值进行优化,建立了基于PSO-Elman神经网络的井底风温预测模型。分析得出入风相对湿度、入风温度、地面大气压力和井筒深度是井底风温的主要影响因素,因此将其作为模型的输入数据,模型的输出数据为井底风温。在相同样本数据集下的实验结果表明:Elman模型迭代90次后收敛,PSO-Elman模型迭代41次后收敛,说明PSO-Elman模型收敛速度更快;与BP神经网络模型、支持向量回归模型和Elman模型相比,PSO-Elman模型的预测误差较低,平均绝对误差、均方误差(MSE)、平均绝对百分比误差分别为0.376 0℃,0.278 3,1.95%,决定系数R^(2)为0.992 4,非常接近1,表明预测模型具有良好的预测效果。实例验证结果表明,PSO-Elman模型的相对误差范围为-4.69%~1.27%,绝对误差范围为-1.06~0.29℃,MSE为0.26,整体预测精度可满足井下实际需要。

基于RSSR融合RNGO-Elman神经网络的室内可见光定位

针对动态环境下基于接收信号强度的传统可见光定位方法定位精度低、稳定性差等问题,提出一种基于接收信号强度比的改进北方苍鹰算法(NGO)优化Elman神经网络(RNGOElman)的室内可见光定位系统。提出选择一个辅助参考点,将待测参考点与辅助参考点的接收信号强度比值和接收机的真实位置作为训练集数据,建立不受动态环境影响的指纹数据库。针对NGO算法收敛速度慢、容易陷入局部最优等问题,利用折射反向学习策略初始化种群,增加种群多样性,引入非线性权重因子来加快收敛速度,避免陷入局部最优。使用优化后的NGO算法来优化Elman神经网络的初始权值和阈值,构建RNGO-Elman动态定位预测模型。仿真结果表明,在4m×4m×3m的实验空间下,优化后的RNGO-Elman定位模型平均定位误差为1.34cm,定位精度相较于Elman定位算法、NGO-Elman定位算法分别提高了82%,21%。在LED发射功率波动时,基于RSSR的RNGO-Elman定位误差为1.29cm,1.38cm。所提可见光定位方法具有定位精度高、定位性能稳定等优点。

基于BIRCH聚类和递归神经网络的高铁强风预警算法

针对高铁临近风速预测需要克服数据的无周期性规律以及随机性较强的问题,构建了一种基于BIRCH聚类和LSTM递归神经网络算法的临近风速预测预警系统。该系统先做历史数据的交叉验证,然后用BIRCH进行在线增量聚类,最后根据聚类结果选取最接近当前预测时间序列的数据做LSTM的滚动训练并进行预测后得出预报预警结果,因此具有无需依赖数值预报产品以及随机数据适应性强的特点。实验证明,该系统的两种算法同时并行化在线运转,运行效率较高,预测效果较好,是解决强风预警问题的一种新方法。

基于递归神经网络算法的电子物流配送系统配送路径优化

传统电子物流配送系统无法有效优化配送路径,需要花费大量的时间进行路径搜索,从而导致分配成本的增加和效率的降低。因此,提出了递归神经网络算法(RNNs)的物流分布路径优化模型,并将递归模糊神经网络算、与布谷鸟搜索算法(CSA)与群体智能算法(ACO)进行电子商务物流分布路径比较。实验结果表明,递归模糊神经网络算法可以实现电子商务物流分布路径的优化,与群体智能算法和布谷鸟搜索算法相比,递归神经网络算法的最优路径长度分别减少3.7 km和3.5 km,并且在迭代200次数的条件下,递归神经网络算法可以获得最短配送路径。

改进的Elman模型与递归反传控制神经网络

在Elman网络的基础上提出了两种改进网络:输出-输入反馈Elman网络和输出-隐层反馈Elman网络模型,并以前者作为误差反传的通道,建立了递归反向传播控制神经网络模型.在Lyapunov稳定性意义下分别给出了改进网络的稳定性证明,得到了保证网络稳定收敛的最佳自适应学习速率.分别用Elman网络及其改进网络对超声马达进行了模拟.利用改进的Elman网络模型,除了可以较好地模拟马达速度以外,还得到了一些有意义的结果,据此可以根据现场数据采样的情况,选用不同的网络模型.模拟实验结果表明,递归反向传播控制神经网络对多种形式的超声马达参考速度都有很好的控制效果.

短期光伏功率模糊Elman-DIOC神经网络预测分析

为了提高短期光伏功率预测效率,设计了一种基于Elman神经网络的短期光伏功率预测方法。在确定网络结构与各项参数的基础上实现准确预测,该方法受到训练后表现出很高的准确率和合理性。研究结果表明:类簇数据表达到了较大相似度,类簇间数据表现出了明显差异特征。采用优化方法开展发电功率预测,建立预测值和实测值的关系,预测日达到了与实测值相近的预测结果,采用优化聚类算法获得了更精确预测结果。通过该算法优化后,预测误差均值明显下降,IMSE均值下降幅度约80%,获得更有效的聚类结果,采用优化聚类处理可以促进短期预测精度的有效提升。该研究可以拓宽到其它的同类领域中,具有很好的实际推广价值。

基于K-Means^(++)和Elman神经网络的低压台区线损计算方法

为了解决低压台区线损计算在理论上因线路复杂、用户众多以及数据获取困难等带来计算难度与精度不足的问题,提出了一种结合改进K-Means^(++)算法与Elman神经网络的创新计算方法。深入分析了低压台区线损的决定因素,并依据相关性分析构建了线损的关键特征指标集。采纳主成分分析方法实施数据降维,简化数据结构。通过改进的K-Means^(++)算法对数据集进行有效聚类,优化模型训练过程。同时,整合粒子群优化算法进一步提升Elman神经网络的性能。通过对实际数据进行仿真验证,结果证实所提出的方法在训练效率和计算精度方面表现优异。

基于改进Elman神经网络的CFRP补强钢板界面脱粘预测研究

针对碳纤维复合材料(carbon fiber reinforced polymer, CFRP)补强钢结构出现内部界面脱粘损伤后难以观测的问题,结合Lamb波检测方法和神经网络提出了一种界面脱粘预测方法。搭建了基于Lamb波的CFRP补强钢板信号分析试验平台,利用ABAQUS软件建立了CFRP补强钢板的机电耦合有限元模型,并通过试验验证了有限元模型的准确性。将长方形和圆形两种脱粘形状的信号在时域和频域内进行分析,基于自适应遗传算法改进的Elman神经网络建立了CFRP补强钢板脱粘预测模型,并将与脱粘面积相关性较高的信号特征数据作为预测模型的特征数据。对预测模型进行性能测试,脱粘形状为长方形和圆形预测值的平均绝对百分比误差分别为3.03%和8.06%,结果表明改进的Elman网络对于脱粘损伤具有较好的预测精度。

Elman动态递归神经网络在陀螺仪系统建模中的应用

本文针对Ｅｌｍａｎ 动态递归神经网络的特点，提出了一种基于Ｅｌｍａｎ 动态递归神经网络建立陀螺仪系统模型的方法。文中给出了Ｅｌｍａｎ 网络的网络结构和学习方法，并对建立起的网络模型进行了仿真，仿真结果表明，该方法是可行的。

基于递归图和BP神经网络的桥梁损伤识别研究

为研究递归图和多层前馈(BP)神经网络在桥梁损伤识别方面的应用,以某大跨斜拉桥为例,采用ABAQUS有限元软件建立其三维模型,通过动力分析提取该三维模型的加速度曲线并进行递归图处理和BP神经网络分析。研究结果表明:递归图方法能够初步地识别主梁的损伤位置和损伤程度;BP神经网络分析能够精确识别主梁损伤的具体位置和损伤程度值,且识别准确率均大于85.0%。该方法可为类似桥梁工程的损伤识别提供借鉴。

递归神经网络下多属性信息模糊推荐仿真

由于海量信息资源的搜索需要较高的时间成本,因此信息推荐已经成为解决当前网络资源交互环境信息过载问题的关键方法。但是多属性信息数据结构复杂,单属性数据推荐算法难以取得理想的精度和结果。考虑用户信任信息形式和传播路径,提出基于递归神经网络的多属性信息模糊推荐算法。利用递归神经网络结构,存储用户历史兴趣信息。通过用户对项目的感兴趣程度建立评分矩阵,利用余弦相似性的思想计算项目属性相似性、综合相似性以及用户相似性。引入权值因子,将综合相似性与用户相似性的预测评分线性整合,得到多属性信息推荐列表,选取top-N推荐给用户。实验测试结果显示,提出方法下列表内相似性指标值ILS始终小于0.3,推荐精准度高于90%,平均绝对误差可控制在0.2以下。以上所得数据均可证明所提方法可综合考虑目标的多属性特征,为用户推荐感兴趣程度最高的对象。

基于SCKF的Elman递归神经网络在软测量建模中的应用

针对具有强非线性、复杂的化工过程软测量建模,提出一种基于平方根容积卡尔曼滤波(SCKF)的递归神经网络方法.基于Elman递归神经网络,首先构建状态空间模型,然后应用SCKF算法进行训练,所有网络的权值将作为系统的状态进行更新.容积卡尔曼滤波(CKF)通过三阶Spherical-Radial容积准则生成容积点,利用容积点逼近状态的后验分布,使得高维非线性滤波中的多变量积分数值求解成为可能.在CKF的基础上,SCKF采用预测及后验误差协方差矩阵的平方根因子进行递推运算,进一步改进了算法的数值稳定性.将该方法应用于脱丁烷塔底部丁烷组分含量以及硫回收装置尾气中SO2和H2S含量的软测量动态建模实例中,在同等条件下,还与基于EKF、SCKF的前馈神经网络,基于EKF的递归神经网络等其它方法对比.结果表明,本文的方法能够获得很好的建模精度,显示出其有效性.

基于EMD-GM-Elman神经网络组合模型的新型电力系统新能源发电量及负荷需求量预测

针对新能源发电量预测中单一模型精度不足的问题,提出了一种EMD-GM-Elman(empirical mode decompositiongrey model-elman)神经网络组合模型。该模型通过经验模态分解(empirical mode decomposition,EMD)预处理数据,提取局部特征;利用灰色预测模型预测各本征模态函数(intrinsic mode functions,IMF),结果输入Elman神经网络捕捉动态特征;最终通过数据重构得出预测结果。仿真结果显示,该模型预测精度从传统模型的58.1%提高到65.14%。