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。

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NARX和sEMG的肘关节连续运动预测

为了建立表面肌电信号(Surface Electromyography,sEMG)与人体肘关节连续运动量的精确预测模型,通过传感器记录肘关节屈伸角并采集与上肢运动相关联的肌肉表面肌电信号,经滤波处理后从中提取时域特征;在此基础上将非线性自回归(non-linear autoregressive,NARX)神经网络用于肘关节连续运动角度的预测,最终根据sEMG信号识别出的人体意图所对应的估计肘角。大量的实验结果验证了利用本文建立的模型可以精确估计人体肘关节连续运动角度,该模型可以有效用于人体假肢和辅助装置的控制,且本文方法的估计性能优于反向传播(back propagation,BP)神经网络。

基于GWO算法和NARX神经网络训练方法的高精度热电偶动态补偿模型构建与实践研究

为提升热电偶测量精度和准确度,本文基于GWO算法和NARX神经网络训练方法,构建高精度的热电偶动态补偿模型,并进行实践研究。结果表明:该模型具有较高的精度和准确性,能有效预测和补偿热电偶的温度数据,对提高热电偶测量系统的性能和稳定性具有重要意义,可广泛用于工业自动化和环境监测等领域。

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。

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PCA-NARX的锂离子电池剩余使用寿命预测

目前基于数据驱动的锂离子电池RUL预测方法不能较好地适应于同类型不同电池的RUL预测,且预测精度易受健康因子冗余或不足的影响.针对以上问题,提出一种结合主成分分析(PCA)特征融合与非线性自回归(NARX)神经网络的锂离子电池RUL间接预测框架.首先提取多个能反映电池性能退化的可测参数,并将PCA去除冗余后的结果作为预测健康因子;然后利用一组电池的全寿命数据构建基于NARX神经网络的健康因子和容量预测模型,对同类型不同电池预测时将该电池寿命前期健康因子作为输入,即可间接预测出其RUL.最后实验结果表明所提框架在同类型不同电池RUL的预测中精度较高且适应性较强.

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。

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。

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神经网络的轨道垂向不平顺估计

轨道不平顺是影响车辆平稳性和安全性的关键因素,因此及时掌握轨道不平顺的状态对保障列车运营具有重要意义。针对单个惯性量较难达到对不同波段不平顺的检测,提出一种采用非线性自回归神经网络(Nonlinear Auto-Regressive with exogenous Input Neural Networks,NARX)的轨道不平顺估计方法。以实测高铁轨道不平顺数据作为输入,通过车辆—轨道垂向耦合动力学模型仿真得到多个惯性量数据,再将归一化的多个惯性量仿真数据作为神经网络的输入,轨道不平顺作为输出,并用均方根误差和相关系数进行网络性能评价。仿真结果表明,NARX神经网络模型估计结果的均方根误差为0.028 9,相关系数为0.939 5,优于反向传播(BP)神经网络模型的均方根误差0.086 8和相关系数0.641 8,NARX神经网络拟合效果更好,表明本文所提方法能精确有效地实现轨道垂向不平顺估计。

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.

发动机怠速控制NARX模型及辨识

本文采用一类非线性自回归模型(NARX),描述怠速过程中怠速供油量、点火提前角与曲轴转速之间的关系。并结合一种逐步寻优的辨识算法,对一台改装的125发动机怠速试验数据进行处理,实测转速与模型预测输出基本吻合。

光伏并网逆变器NARX模型的系统辨识

提出了一种逆变器辨识建模方法,将单相光伏并网逆变器视为黑箱,无需逆变器内部电路、开关拓扑结构和参数及其控制系统的类型和逻辑关系,仅需采集逆变器输入输出两侧的外部数据,利用NARX模型辨识非线性系统,即可得到逆变器较准确的数学模型。采用该方法在7.68 kW光伏并网发电系统中进行了实验,验证了其正确性和有效性。

基于NARX模型的岩溶地下河日流量预测

针对传统的统计学方法难以精确刻画岩溶地下河日流量变化的非线性动态特性,引入有源自回归神经网络（NARX）技术,建立了基于NARX模型的岩溶地下河日流量预测模型,基于寨底地下河2013年1月15日~2014年6月30日的降雨量和流量数据,利用该模型对寨底地下河日流量进行了短期预测。结果表明,该模型预测效果较好,能够很好地预测岩溶地下河流量的变化趋势和极值等动态特性,另外该模型神经元个数越多,延迟阶数越大,神经网络对数据的学习能力和灵活性越强,但该模型不宜进行归一化处理。

基于NARX神经网络的轮重减载率预测

以轨检车测出的左轨和右轨轨向不平顺、左轨和右轨高低不平顺为输入,以轨检车测出的轮重减载率为输出,采用贝叶斯正则化算法构建了NARX神经网络。仿真试验结果及与BP神经网络输出结果的对比表明,采用NARX神经网络实现轮重减载率预测是可行的,NARX神经网络比BP神经网络更适用于减载率预测。

EMD与NARX神经网络的风电场总功率组合预测

探索构建对风电场总功率进行直接预测的高精度组合预测算法。考虑到风速的非平稳性导致风电总功率表现为非平稳时间序列,采用NARX神经网络作为初步预测模型,提出了经验模态分解与NARX神经网络相结合的混合预测模型。对风电场总功率非平稳时间序列进行经验模态分解,得到不同频带本征模式分量的平稳序列。对不同频带的平稳分量建立相应的NARX神经网络预测模型,并将各分量模型的预测值进行等权求和得到最终预测值。此外,为研究不同时间间隔对预测结果的影响,采用某大型风电场时间间隔为5 min与15 min的数据进行实验。预测结果表明,提出的组合预测模型适合于总功率预测,其预测效果比传统模型的效果更佳,且时间间隔为5 min的数据比时间间隔为15 min的数据预测精度更高。