基于NARX网络的PM_(2.5)浓度值预测模型研究

根据西安市临潼监测点的监测数据,基于非线性有源自回归网络(NARX)建立了PM_(2.5)浓度值预测模型,并从“影响因素”维度对模型的输入部分进行了寻优,确定了输入参数的最佳组合,实现了对预测模型的优化。

NARX网络在自适应逆控制动态系统辨识中的应用

针对动态神经网络的学习算法问题,提出了一种适用于带外加输入的非线性自回归 (NARX)动态网络的改进型RTRL学习算法. 该算法基于LM算法的思想,取代传统RTRL中的梯度寻优算法,以改善RTRL的学习速度, 并将该方法应用于NARX动态网络自适应逆控制的对象辨识中. 数值仿真结果表明该改进学习算法是可行而有效性的,并且也验证了NARX动态神经网络具有很强的动态描述能力.

基于NARX网络的航空发动机性能参数预测优化

航空发动机的构造复杂性使得发动机工况监测成为一项困难的任务。为了准确预测航空发动机运行时传感器数据的变化趋势,提出一种基于粒子群算法优化的NARX神经网络预测模型。通过准确预测航空发动机输出的传感器数据,达到有效监测航空发动机工况状态的目的。实验结果显示,预测模型所得性能参数——发动机工作站温度、高压转子转速、发动机工作站压力值和低压转子转速的均方误差分别为0.006 52,0.005 25,0.009 3,0.009 12。结果表明,所提出的基于粒子群算法优化NARX网络能够有效预测发动机性能参数,相较于传统NARX网络、传统BP神经网络和粒子群算法优化的BP神经网络,在预测准确度上有较大优势,为基于飞参数据进行发动机健康管理与监测提供了良好的数据支持。

基于Narx网络模型的系泊缆截断点运动计算

主动式截断混合模型试验技术是一种新兴的海洋工程试验技术,然而由于缆索运动具有较强的非线性特征,时域内系泊缆截断点处的运动往往需要采用数值方法进行迭代求解,运算量十分可观,成为实现主动式混合模型试验技术的障碍。文中提出一种基于Narx网络模型计算时域内缆索截断点处加速度方法,该方法较一般数值方法所需要的计算时间更少且能保证较好的计算精度。

基于NARX网络的人民币汇率预测研究

针对目前人民币汇率的自身特点,新的汇率预测模型既要关注汇率理论的定性研究,又要关注历史走势的定量研究,还要注重政策出台时对汇率的影响。采用非线性自回归神经网络——NARX网络,对人民币汇率进行了预测,并使用无本金交割远期外汇NDF作为NARX网络的外部输入,以此来改善预测模型在面对突发政策和消息时的预测性能。通过实证检验发现,引入了NDF的NARX网络,在推广性能上远远优于没有NDF参与的NAR网络,并且在训练数据选择时,选择更大范围、包含影响汇率变化事件的历史数值会很大程度上影响网络的推广性能。

基于EMD与NARX网络的汇率预测方法研究

探索构建对汇率进行直接预测的高精度组合预测算法.采用NARX神经网络作为基础模型,并结合经验模态分解模型进行混合预测,提高模型精度.为研究不同时间间隔对预测结果的影响,采用美元兑日元汇率的时间间隔为5分钟与1天的数据进行预测.实验结果显示,时间间隔较短时,模型的预测精度更高.此外,通过对汇率改革前后的人民币汇率的预测发现,汇率改革对EMD-NARX模型的预测结果影响不大,说明模型稳定性较高.

静电悬浮的NARX网络自适应逆控制

静电悬浮控制系统中存在建模不准确及对象扰动,传统控制器只能在动态控制精度和扰动消除性能之间折衷;为了克服其对控制器精度的影响,研究了带扰动消除的自适应逆控制算法。以非线性自回归动态神经网络进行正模型、逆模型以及扰动消除控制器的实时辨识,利用基于遗传算法的改进粒子群算法进行神经网络的更新,以提高自适应收敛速度和精度。设计了基于DSP与PC的仿真环境,分别部署静电悬浮虚拟被控对象和自适应逆控制算法,实现对控制算法的实时验证。结果表明所设计的控制结构与算法可以实现对静电悬浮的稳定控制与扰动消除。利用PC和相应的I/O接口,以及所部署的实时控制算法可以实现快速控制原型,为控制器的工程实现提供基础。

一种基于NARX神经网络的振动主动控制方法

针对主被动混合隔振系统中次级通道的非线性因素和时变特性,设计一种基于有源非线性自回归神经网络(Nonlinear Auto-regressive With Exogenous Inputs Neural Network,NARX-NN)的次级通道系统辨识的方法,并成功应用于振动主动控制系统中。首先,使用NARX神经网络对次级通道进行辨识得到准确的次级通道模型;其次,采用FIR滤波器重构初级通道的输出,从而获得作动器的输出信号,基于重构得到数据对辨识的网络进行在线学习,可以避免由白噪声激励在系统中带来的随机振动对控制效果的影响;最后搭建仿真模型以及实验平台,仿真结果表明,该控制算法可以克服次级通道的时变性导致的次级通道失真问题;实验结果表明,该算法对15、20 Hz的线谱分别取得30.1、40.4 dB的能量衰减效果,能够有效地实现振动主动控制。

基于多层次滤波降噪的IGA-NARX混凝土坝变形预测模型

针对混凝土坝变形数据中存在非高斯分布噪声污染,难以描述混凝土坝变形数据自身的趋势性、季节性的问题,采用CEEMD与粒子滤波法相结合的方法对锦屏一级大坝径向位移进行分析。先将CEEMD分解后的高频和低频分量进行区分,仅对高频分量进行粒子滤波降噪,再进行分量重构;通过多层次滤波降噪处理的位移数据驱动IGA-NARX神经网络构建预测模型,并使用R_(RMSE)、M_(MSE)等指标进行评价。工程实例验证表明,所提模型相较于对比模型在评价指标上均有一定提升,具有较好的实用价值。

基于NARX神经网络的系泊系统传递函数识别方法

提出一种基于NARX(Nonlinear Auto-Regressive Model with Exogenous Inputs)神经网络和谐波探测法的非线性系统传递函数识别方法。该方法可基于实测响应数据,采用NARX神经网络方法对结构响应模型进行训练。在此基础上采用谐波探测法得到系统响应传递函数。选取深海半潜浮式平台及系泊系统为研究对象,计算平台及其系泊系统在不同波浪工况作用下的时域耦合响应,以波高和系泊缆张力时程作为数据集,利用NARX神经网络结合谐波探测法辨识此系泊系统的响应传递函数。采用识别的传递函数预测系泊缆在不同海况下的张力响应,并与数值计算结果进行对比,证明NARX神经网络结合谐波探测法可较好地识别系泊浮体系统的非线性响应传递函数,并能够对系泊系统的张力响应进行准确预测。

基于NARX神经网络的电池健康状态预测

动力电池作为电动汽车的核心,其健康状态(SOH)为表征电池能否正常工作的重要指标,表示电池当前的使用寿命及其可靠性,并直接影响电池的性能。准确估计电池的SOH能够预知锂离子电池的整体寿命,完善充放电策略,以避免电池滥用等故障的发生。为确保对动力电池的健康状态进行准确预测,文章选择与电池健康状态具备极强相关性的特征参数作为健康状态预测的健康因子,设计并训练NARX非线性自回归神经网络,通过建立不同的训练集和输入特征参数的对照组去分析对比训练集和输入参数带给预测结果的影响,获取精确的电池健康状态值,能够提高电动汽车的动力性。

基于NARX神经网络航空发动机参数动态辨识模型

针对航空发动机参数非线性动态特性,提出一种基于外部输入非线性自回归(NARX)神经网络的发动机参数动态辨识模型。主要思路是根据NARX网络的非线性时序预测特性,结合发动机参数的稳态和动态参数,提出一种基于偏稳态差值预测的NARX参数动态模型结构。设计了SP-P辨识结构,整定了模型内部结构参数并建立N1(低压转子转速)、N2(高压转子转速)、EGT(涡轮后排气温度)参数非线性差分预测模型。最后依据某发动机试车样本,对推杆加减速时N1、N2、EGT动态辨模型进行仿真。仿真结果表明,N2相对误差小于0.2%,N1相对误差小于0.3%,EGT相对误差小于1℃,满足发动机试车仿真需要。最后,将所建模型应用于某A320机务维修训练器的发动机仿真系统。

基于NARX神经网络的极端风暴潮事件预报研究

通过构建采用外部输入的非线性自回归神经网络(NARX),利用1979年1月1日00时—2003年12月25日23时逐时的实测潮位数据和再分析气象数据结合调和分析预报结果搭建模型,对库克斯(Cuxhaven)港口2004—2018年中增水最大的两次风暴潮极端事件潮位进行预报和验证,同时对影响模型性能的参数进行量化分析。结果表明:在NARX神经网络延迟数为24 h时模型的精度最高,两次极端风暴潮验证下的R2分别为0.94和0.95,且在最高潮位时的误差分别为57.78 cm和26.55 cm。实验中模型在延迟数方面存在阈值,当延迟数为24 h时模型效果最佳,在延迟数达到阈值前模型的精度逐渐上升,超过该阈值后模型精度下降;输入时间数据序列的长短会影响模型的精度,序列越长模型精度越高,但影响效果会逐渐降低。

基于时序NARX自适应神经网络的油浸式变压器绕组温度预测

变压器绕组热点温度过高会导致绝缘老化速度变快,剩余寿命变短。为此提出了一种基于时序性外因非线性自回归(NARX)的自适应神经网络模型以获得更精准的绕组热点温度预测数据。首先,确定影响变压器绕组温度的外部特征因子种类;然后,对变压器绕组热点数据和其他数据进行预处理;最后,将处理后的数据输入时序NARX自适应神经网络模型进行训练和调参,完成模型的构建。经实例验证,提出的外因NARX自适应神经网络绕组热点温度预测模型能对不同类型变压器数据进行特定的预处理,并且与支持向量机回归、回归树、高斯核回归方法相比,预测误差更小,在提高精度上具有更大优势。

基于BFGS-NARX神经网络的农产品价格预测方法

文章提出了基于BFGS前馈方式的NARX神经网络农产品价格时间序列预测方法。方法有效利用BFGS拟牛顿法的全局收敛性和NARX神经网络良好的非线性性能,并通过构造历史数据间的映射关系,来建立神经网络训练模型,进而对农产品价格进行预测。

基于NARX神经网络的日光温室湿度预测模型研究

在日光温室湿度预测模型建模中,由于输入因子间存在复杂耦合关系以及冗余的条件属性,导致网络训练难以收敛且精度不高。选用影响日光温室湿度的环境因子组成数据样本,采用主成分分析方法对样本集进行解耦降维处理,以采用主成分分析后的数据样本作为输入,以日光温室内湿度作为输出,采用贝叶斯正则化算法构建NARX神经网络模型,对日光温室湿度进行预测。仿真结果表明,基于NARX神经网络建立的预测模型具有很强的非线性动态描述能力,能够对室内湿度值做出准确的预测。

基于NARX神经网络预测及模糊控制的互联电网CPS鲁棒控制策略研究

对于传统CPS控制策略难以满足互联电力系统对鲁棒性和适应性的要求,提出了一种将NARX神经网络预测算法和模糊逻辑控制器相结合的控制方法。配合CPS下的传统PI控制器,根据CPS控制参数的预测值与当前值之间的偏差值,实现对AGC机组的预控制。利用Matlab的Simulink仿真软件建立了一个双区域电力系统的控制模型。仿真结果表明,新的控制方法不仅达到了改善CPS控制效果的目的,并且提高了CPS1,CPS2指标的考核率,减少了机组的调节次数,降低了运行费用,取得了一定的经济效益。

基于NARX神经网络的电子电路电磁脉冲响应建模

针对内部结构不详、器件参数未知的复杂电子电路电磁脉冲响应建模这一难点问题,笔者采用NARX神经网络建立动力学模型,并提出了采用正弦波扫频信号及其电路响应作为训练数据的方法,同时给出了NARX神经网络建模的理论基础及设计步骤,证明了集总参数电路响应模型可用NARX神经网络所建立的动力学模型替代,从而得到了基于数据的电子电路电磁脉冲响应建模方法。运用ADS软件完成滤波器电路及射频放大电路的设计与仿真,建立NARX神经网络模型并得到了较好的预测效果,验证了该方法适用于集总参数电路的电磁脉冲响应预测。对NARX神经网络的缺陷进行简要分析,并提出使用遗传算法优化网络参数和使用支持向量机或极限学习机替代NARX神经网络中前馈神经网络部分的改进方法,为后续研究工作指引方向。

一种改进的NARX回归神经网络

经典 NARX 回归神经网络在应用时需要确定输入和输出的延时阶数、隐层神经元数目等三个结构参数,给神经网络的设计造成了很大的困难。为了克服这一缺陷,根据生物神经元机能提出了一种新的动态神经元模型,并将其用于经典 NARX 回归神经网络中,形成了一种改进的 NARX 回归神经网络。新的神经网络在应用时只需确定隐层神经元数目,从而简化了神经网络的结构设计。本文还进一步从理论上分析了该神经网络与经典 NARX 回归神经网络的等效关系,并用李雅普诺夫(Lyapunov)稳定性原理证明了该网络的稳定性。仿真试验表明,新的神经网络不仅辨识能力优于经典 NARX 回归神经网络,而且泛化能力得到了明显提高。

基于NARX神经网络的港口集装箱吞吐量预测

为对港口集装箱吞吐量进行科学预测,采用带外生变量的非线性自回归(NARX)模型对上海港的集装箱吞吐量进行预测.通过主成分分析法对港口吞吐量影响因子进行相关性分析,将筛选出的GDP作为外部输入因子引入NARX模型.实证分析发现,引入GDP的NARX神经网络模型对具有非线性特征的集装箱吞吐量数据有良好的映射逼近性.训练后的网络误差小且拟合度高,具有良好的泛化能力,预测性能较好.