基于Widrow-Hoff学习算法的液压协调加载控制策略研究

针对多点动态加载系统中多路液压伺服系统特性不一致造成的响应不同步问题,提出一种基于W idrow-Hoff学习算法的液压伺服系统协调加载控制策略,通过迅速地调整伺服系统输入正弦信号的幅值和相位,使多路系统的响应在短时间内与设定信号相一致并协调动作。将此算法应用于实际加载系统,试验证明能够有效地控制多路液压伺服系统的协调动作,从而达到多点协调加载的目的。

Widrow-Hoff神经网络学习规则的应用研究

基于线性神经网络原理,提出线性神经网络的模型,并利用Matlab实现Widrow-Hoff神经网络算法。分析Matlab人工神经网络工具箱中有关线性神经网络的工具函数,最后给出线性神经网络在系统辨识中的实际应用。通过对线性神经网络的训练,进一步验证Widrow-Hoff神经网络算法的有效性,以及用其进行系统辨识的高精度拟合性。

基于Widrow-Hoff学习算法的液压系统同步控制策略研究

针对多点动态加载系统中多路液压伺服系统特性不一致造成响应不同步的问题,提出一种基于Widrow-Hoff神经网络学习算法的液压缸同步控制策略,即通过迅速地调整控制系统输入正弦信号的幅值和相位,使多路系统的响应在短时间内达到同步。讨论了算法的稳定性并将此算法应用于实际加载系统。仿真和试验表明,此控制策略能够有效地协调多路液压伺服系统工作,从而达到同步加载的目的。

基于最优拉丁Widrow-Hoff网络的变负载机械臂自适应鲁棒控制

为了进一步提高机械臂在变负载下控制精度,设计了一种基于最优拉丁Widrow-Hoff网络的变负载机械臂自适应鲁棒控制方法。采用模态分解法创建关于机械臂的动力学状态方程,再以最优拉丁神经网络为基础提出具备自适应性能的鲁棒控制器,有利于加强机械臂在变负载情况下的系统鲁棒性以及控制精准度。仿真结果表明,利用最优拉丁Widrow-Hoff网络针对系统非线性实施估计,通过观测器系统总干扰实施补偿与估计,可以适应各种负载工况。试验验证文中所设计控制器具备较强的鲁棒性;可以全面考虑系统干扰以及系统非线性等各类因素,更契合控制的现实应用场景,具有更高的跟踪精准度。该研究有助于提高机器人的动作精度,为后续的特种环境的是适应性起到一定的推进作用。

基于Widrow-Hoff神经网络的多指标推荐算法

为解决传统的协同过滤推荐算法不能综合运用多个指标进行推荐的问题,通过引入多指标评分的概念对标准的协同过滤推荐算法进行扩展,提出一种基于Widrow-Hoff神经网络的多指标推荐算法.利用Widrow-Hoff最小二乘法自适应算法在进行系统辨识时的高精度拟合特性,提出一种基于Widrow-Hoff最小二乘法算法的用户偏好特征向量计算方法.利用用户偏好特征向量和空间距离矩阵度量用户相似度,以定位邻居集并为用户推荐最优项目.实验结果表明,本文算法可提高推荐精度,改进推荐质量.

幅相控制策略在六自由度运动模拟器中的应用

由于六自由度运动模拟器自身的闭环频率特性及非线性等因素,对于正弦输入信号存在幅值衰减和相位滞后,很难实现对高频正弦信号的精确跟踪,针对这一问题采用基于Widrow-Hoff学习算法的幅相控制策略.利用运动学正解间接得到的运动模拟器上平台位姿的反馈信号,通过该控制策略迅速地调整系统输入正弦信号的幅值和相位,使系统输出在短时间内对设定信号进行精确跟踪.仿真和实验表明,该方法在实现六自由度运动模拟器对正弦信号的精确跟踪问题上明显优于常规的经典控制,对于其他正弦运动的精确跟踪系统同样具有普遍意义.

化学主题网络爬虫的设计和实现

由于通用搜索引擎检索返回的结果过多、主题相关性不强以及随着人们对提供的各项信息服务的要求越来越高,基于整个Web的信息采集越来越力不从心。同时它无法及时地采集到足够的最新的Web信息,也不能满足人们日益增长的个性化需求。本文通过把Internet化学资源导航系统所积累的化学知识与搜索引擎的自动采集技术相结合展开了对化学主题网络爬虫开发的研究。结果表明,基于Widrow-Hoff分类器的化学主题网络爬虫能有效的采集化学相关的网页。

一种自适应PID控制系统

本文根据Ｗｉｄｒｏｗ－ＨｏｆｆＬＭＳ算法，对数字ＰＩＤ增量型控制算法进行分析，导出一种具有自学功能的自适应ＰＩＤ控制系统，使其能自动调整最佳控制参数．

一种有监督学习证据理论分类器

经典的证据理论不包括从实例中学习基本信度分配的机制,因此应用范围受到一定限制。通过在证据理论中引入神经网络的学习机制,该文提出了一种有监督学习证据理论分类器。该分类器使用一种经过修改的Widrow-Hoff学习规则从训练实例中学习基本信度分配信息。新实例到来后,该分类器在所学基本信度分配的基础上,使用证据理论合成公式对新实例作分类。新分类器拓展了证据理论的应用领域。实验结果表明该分类器是有效的。

用自适应神经网络辨识异步电机转速

根据观测异步电机磁链的电压模型和电流模型 ,利用电机易于检测到的定子电压和电流 ,通过Simulink模块和S函数建立了自适应神经网络模型对异步电机转速进行辨识。该方法简单直观 ,仿真结果表明 ,观测模型可达到 1%的精度 ,可为无速度传感器矢量控制系统提供一种速度观测方法。

一种自适应PID控制及其在发电机性能测试装置中的应用

针对经典PID控制参数整定困难且受时变、非线性等因素影响不能达到预期控制效果的实际情况,设计了一种具有自学习能力的自适应PID控制器,利用Widrow-Hoff学习算法实现系统在线自动调整最佳控制参数,从而提高系统的自适应能力、改善系统的动态性能,并成功地将其应用到发电机性能自动化测试装置中。

基于广义模糊基函数的多变量模糊模型及其辨识方法

利用模糊穴映射理论,提出一种有效描述复杂多变量系统的模糊模型——广义模糊基函数展开式。它可方便地处理步输入多输出系统的语言和系统信息,并可逼近任意非线性函数,是一种通用的多变量模糊逻辑系统模型.利用语言信息,提出一种新的自适应参数辨识方法——改进的Widrow—Hogg学习规则,仿真结果验证了它的有效性。

线性神经网络在系统辨识中的应用研究

神经网络用于系统辨识最为常用的模型为BP模型,它能辨识线性和非线性系统,但BP网络存在收敛速度慢和易陷入局部极小值的缺点,影响系统辨识的速度和精度。线性神经网络结构简单,它采用Widrow-Hoff学习规则,收敛速度快,且不存在局部极小值问题,因此,对于线性系统,考虑用线性神经网络进行辨识,实验仿真结果表明,基于线性神经网络的系统辨识具有很高的辨识速度和精度。

用Scilab实现基于人工神经网络的数据分类

运用人工神经网络中的简单感知器模型和Widrow-Hoff学习法则,借助Scilab具体实现数据分类。通过对数据挖掘中数据分类的一个重要分类方法———人工神经网络方法的研究,证明了人工神经网络在数据分类中具有很大的潜力和优越性。