基于径向基函数神经网络的地下水数值模拟模型的替代模型研究

近年来提出的替代模型方法是一种连接数值模拟模型与优化模型的有效途径,替代模型质量的好坏取决于采样方法和替代模型种类。以金泉工业园区地下水水源地为研究区,基于拉丁超立方抽样方法,结合研究区地下水数值模拟模型,获取输入(抽水量)输出(水位降深)数据集,运用人工神经网络方法,建立径向基函数神经网络模型,作为地下水数值模拟模型的近似替代模型。经验证,径向基函数神经网络模型输出得到的水位降深均值与模拟模型计算结果的拟合平均相对误差为0.038;水位降深剩余标准差的拟合平均相对误差为0.042。拟合平均相对误差较小,表明径向基函数神经网络模型能够有效地替代地下水数值模拟模型,为日后替代模型的深入研究提供了科学依据。

基于小波包—灰色神经网络的机电作动系统故障预测

针对健康状态难以预测的机电作动系统,提出一种基于小波包—灰色神经网络的机电作动系统故障预测方法;该方法利用小波包分解对机电作动系统的故障特征进行提取,利用灰色GM(1,1)模型对提取出的12种不同故障模式下的频带值进行预测,并作为神经网络的输入,采用BP三层结构,通过验证取隐含层数为10进行训练,预测结果相对误差只有-0.014 6,取得了较好的预测效果;仿真结果表明:小波包—灰色神经网络方法在机电作动系统故障预测中具有一定的有效性。

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制(GPC)相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络"黑箱"的功能达到对非线性系统的预测控制。以机器人为控制对象进行仿真,取得了较好的控制效果。

基于BP神经网络PID算法的水箱液位控制系统设计

针对水箱液位这样一个多干扰、大惯性、高度非线性系统控制性能优化较困难,传统的控制策略在控制精度、灵敏度以及系统稳定性均存在缺陷,充分利用神经网络具有非线性函数逼近能力,构造神经网络PID自整定控制器,在解决高度非线性和严重不确定系统方面具有较好控制能力。解决了传统PID控制算法难以保证系统在任何工况条件下始终具有最佳控制性能的难题。仿真结果表明,该控制能使系统达到较好的控制效果。

烟叶分类的神经网络方法

为实现烟叶nic-ts-rs-k-cl含量分布的自组织分类,用SOM神经网络技术,以山东中烟公司提供的129种烟叶为学习和测试样本,训练和检测神经网络对烟叶nic-ts-rs-k-cl含量分布的自组织分类。实验显示:经过1000步的训练,SOM神经网络矩阵映射重复操作归类相同率,在剔除特异结果后达到80%以上。这一结果证实,利用SOM神经网络技术,可以对烟叶参数组合取值分布进行客观分类,为烟叶质量评级、属性预测、缺陷诊断、状态预测和种类识别提供依据。

人工神经网络法测定安钠咖注射液两组分含量

运用误差反向传递（BP）人工神经网络法同时测定安钠咖注射液两组分含量，测得苯甲酸钠与咖啡国的平均回收率和相对标准差分别为99.7％，0．83％，100．9％，0．59％，而偏最小二乘法（PLS）所测得苯甲酸钠与咖啡因的平均回收率和相对标准差分别为99．1％，0．98％，99．4％，1．2％。文中输入层、隐蔽层、输出层分别取34个、5个、2个节点，学习速率和动量项分别选定0．50，0．70。

基于模糊神经网络的太阳能热水器控制系统设计

根据太阳能热水器控制系统的设计要求,针对热水器温度的不确定性以及无法建立准确数学模型的特点,采用模糊神经网络的控制算法对其进行控制;基于实验数据利用ANFIS工具箱离线训练出模糊神经网络,编写出了基于C语言程序,并在此基础上建立了基于STC90C52RC单片机的太阳能热水器控制系统。

基于HMM和PNN的语音情感识别研究

语音情感识别是从语音的角度赋予计算机理解情感特征的能力,最终使计算机能像人一样进行自然、亲切和生动的交互。提出了一种融合隐马尔科夫模型(hidden mark-ov model,HMM)和概率神经网络(probabilistic neural network,PNN)的语音情感识别方法。在所设计情感识别系统中,提取出基本的韵律参数和频谱参数,利用PNN处理声学参数的统计特征,利用HMM处理声学参数的时序特征,运用加法规则和乘法规则融合了统计特征和时序特征的识别结果。实验结果显示,所提出的算法在语音情感识别中具有有效的识别能力。

基于BP神经网络的超声振动钻削钻头磨损状态监测试验研究

搭建了超声轴向振动钻削钻头磨损状态的钻削力和声发射信号采集系统,采集不同磨损状态下钻中区域的钻削力和声发射信号进行小波分解,得到与钻头磨损状态相关的特征量作为识别钻头磨损状态的特征参数,输入到建立的6-13-3的三层BP神经网络模型中进行融合,识别钻头磨损状态。试验结果表明,通过BP神经网络技术将钻削力和声发射信号融合识别钻头磨损的准确率约88.9%,能够有效监测钻头磨损状态。