基于模糊神经网络火灾探测信号处理方法

针对火灾探测信号的特点,建立了火灾探测系统模型及用于处理火灾信号的模糊神经网络计算模型.利用神经网络构造模糊系统,用神经网络的自学习和自适应能力自动调整模糊系统参数,用改进的BP算法对网络进行学习和训练.根据国家标准试验火数据进行网络的学习和测试,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.     

改进的BP神经网络算法在水质监测中的应用

针对一类多输入多输出系统进行辨识, 以"A simulation of the western basin of Lake Erie"为例, 通过分析河流湖泊的水质特征, 针对伊利湖湖泊水质建立数学模型, 由于该环境系统为多输入多输出系统, 文章采用了一种改进的BP神经网络算法, 利用Matlab神经网络工具箱进行数据分析, 绘出实际输出与模型输出的曲线以分析相关情况, 检验建立的模型对于系统的辨识水平, 给出传统BP网络和改进BP网络对该系统辨识的结果进行分析对比. 文章还对不同噪声层次下的数据进行分析比较, 并研究白噪声对于人工神经网络模型的影响.     

基于BP网络的潜艇在海浪中运动的建模与仿真

分析了潜艇在风浪中运动的复杂性、不确定性和运动模型的严重非线性等特点,难以建立准确的数学模型,因此提出了利用神经网络的非线性映射能力,进行潜艇运动模型辨识建模的新方法,通过仿真实验验证了利用BP网络建立潜艇在风浪中运动模型的可行性。     

一种基于BP神经网络的数字识别新方法

针对标准BP神经网络收敛速度慢、易陷入局部极小点的缺点,提出了一种新的BP神经网络改进算法。该算法通过变步长法和牛顿法来改进BP算法,加快了网络的收敛速度,且收敛速度快于其他的改进算法。在此基础上将BP神经网络应用于数字识别中,为其网络建立识别模型。利用仿真实验观察BP网络的泛化能力以及识别准确性,比较BP算法及其改进方案,提出改进方案中分别需要注意的地方。     

基于粒子群算法优化BP神经网络漏钢预报的研究

针对标准BP神经网络中收敛速度慢以及易陷入局部最优解等问题,利用粒子群算法的全局搜索性,将粒子群算法应用到BP神经网络训练中建立了PSO-BP神经网络模型,结果表明改进模型不仅可以克服传统BP网络收敛速度慢和易陷入局部权值的局限问题,而且很大程度地提高了结果精度和BP网络学习能力,将此模型应用到结晶器漏钢预报系统中,并用某钢厂采集到的历史数据对该模型进行训练与测试,与标准BP神经网络测试结果进行分析与比较,实验表明PSO-BP网络模型预报更加实时、准确,具有很好的应用前景.     

基于BP神经网络的导航装备战损等级评定

新型导航装备结构功能的复杂化,使得传统方法在评定其战损等级时难度进一步增加.为更快更准确地评定战损等级,本文分析了导航装备战损等级影响因素,并利用BP网络建立了战损等级评定神经网络模型,最后采用改进的BP算法进行了网络训练.训练测试结果表明,该模型用于导航装备具有较高的准确度和可靠性,并且能够有效缩短评定时间.     

电机温度时滞耦合系统自抗扰控制仿真研究

电机温度过高会造成绝缘性能老化,电机安全性能下降;电机控制系统是典型的非线性系统,电机温度也因此具有时滞性和耦合性的特点,难以建立准确的数学模型;传统的方法对电机温度的控制精度较差,从而导致电机温度失控;为此,提出基于BP神经网络自抗扰控制算法的电机时滞耦合关系下温度控制方法;将BP神经网络与PID控制方法相结合建立电机温度网络自抗扰控制器模型,利用梯度下降法修正电机温度控制器模型的权值系数,从而实现了BP神经网络自抗扰控制器参数的实时调整;实验结果表明,利用BP神经网络自抗扰算法进行电机时滞耦合关系下温度调整,能够有效提高控制的精确度,缩短了控制过程中的时间延时。     

基于改进BP网络的网络论坛热点主题挖掘

针对BP网络收敛速度慢的问题,提出将改善学习速率和增加动量项结合起来的方法对BP网络进行改进,通过Java编程开发一个以改进BP网络为核心的热点主题挖掘原型系统.实验结果表明,该系统可以快速并准确地获取符合现实舆情的热点主题分类结果.研究成果可以帮助民众及时了解网络热点,帮助政府和企事业单位及时跟踪民意并做出相应决策.     

基于改进BP神经网络的菌体浓度软测量

提出一种改进的BP神经网络(IBPNN)用以建立发酵过程中菌体浓度软测量模型.结合菌体浓度变化范围大这一特点,将传统BP网络的误差函数进行了改进,并利用最优停止法对网络进行训练.避免了过拟合现象.最后针对诺西肽发酵过程中茵体浓度的估计问题,根据隐函数定理选取辅助变量,应用IBPNN建立菌体浓度软测量模型,实验结果验证了所提方法的有效性.     

改进的BP神经网络对飞机换热器结垢厚度预测

为了节约飞机维修成本,准确预测换热器结垢厚度,通过利用改进的BP神经网络预测模型,利用25组数据,建立了换热器结垢厚度与四个因素(环境温度、空调系统进口压力、初级换热器出口温度、次级换热器出口温度)之间的网络预测模型。模型包括4个输入神经元,9个隐含层神经元和1个输出层神经元。训练结果表明,改进之后的BP神经网络模型不仅克服了原始BP神经网络收敛速度慢,稳定性差的特点,还可以以较高的精度预测换热器的结垢厚度。     

基于GWO-BP方法的加速度计动态模型研究

针对高g值加速度计动态模型问题,基于Hopkinson杆的校准系统所测的输入输出数据建立系统模型,提出了GWO-BP神经网络动态建模方法。利用灰狼种群算法优化BP神经网络建立的加速度计动态模型,对模拟输入输出信号进行仿真。最后,利用Hopkinson杆标定系统对加速度计的输入输出进行实测。结果表明,相比于BP神经网络算法,该算法经过优化改进后,求解精度提高了43.6%,证明了该方法的可行性。     

基于改进型BP神经网络的信用评估系统研究

通过研究企业信用评估中的模型问题,为企业经营活动和决策过程提供信息支持。介绍了几种常用的信用评估模型,通过分析它们在评估中的缺陷,提出基于改进型BP神经网络的信用评估模型。在建立指标体系和输出机制的基础上,讨论了基于信用评估模型的评估系统的设计与实现。对模型和评估系统的不足进行了分析,并提出了改进建议。     

微位移系统中压电陶瓷驱动器迟滞建模

针对超精密微位移系统中压电陶瓷驱动器的迟滞非线性问题,提出了一种基于遗传反向传播(BP)神经网络的压电陶瓷迟滞非线性建模方法.通过电涡流位移传感器获取压电陶瓷驱动器不同电压值下所对应的位移值;利用六次多项式拟合获得迟滞的数学模型,从而建立基于遗传BP神经网络的迟滞,模型.实验结果显示:该迟滞模型在神经网络测试下的最大误差为0.082 1 μm,平均绝对误差为0.0158 μm.表明,所建的迟滞模型能够较精确地反映出压电陶瓷驱动器的迟滞特性,同时为微位移控制系统设计提供了一定的理论基础.     

Modeling and control of a feed drive with multiple mechanically coupled ball screws

This paper presents the modeling and control of a single‐axis feed drive that is jointly driven by three ball screw/motor units. These ball screws are bridged by a mechanical coupling, via which a joint thrust can be produced from the three drive units for high‐power output (e.g., injection molding machines). Synchronous positioning of these drive units can also be applied to the handling of large workpieces. For such a coupled system, a mathematical model is first derived and constructed using a system identification technique developed in this paper. A control scheme based on the master–slave control is then designed to improve the system performance with the mechanical coupling. To ensure synchronization of the three drive units, a synchronous compensator is also designed using the genetic algorithm. Finally, the performance of the entire control system is experimentally verified. Copyright © 2011 John Wiley and Sons Asia Pte Ltd and Chinese Automatic Control Society     

基于粗糙集和遗传算法的神经网络模型研究

提出一种基于粗糙集理论和遗传算法的神经网络模型和它的构造方法.该模型先利用粗糙集理论进行属性约简;利用遗传算法优化BP网络参数;用约简结果和优化的BP网络参数进行网络训练.仿真实验结果表明,该模型能简化网络训练样本,优化神经网络结构,提高系统的学习效率和精度.此方法是有效可行的,具有理论意义和实用价值.     

Adaptive control of a nonlinear dc motor drive using recurrent neural networks

A model-following adaptive control structure is proposed for the speed control of a nonlinear motor drive system and the compensation of the nonlinearities. A recurrent artificial neural network is used for the online modeling and control of the nonlinear motor drive system with high static and Coulomb friction. The neural network is first trained off-line to learn the inverse dynamics of the motor drive system using a modified form of the decoupled extended Kalman filter algorithm. It is shown that the recurrent neural network structure combined with the inverse model control approach allows an effective direct adaptive control of the motor drive system. The performance of this method is validated experimentally on a dc motor drive system using a standard personal computer. The results obtained confirm the excellent disturbance rejection and tracking performance properties of the system.     

基于BP神经网络PID控制的PMLSM调速系统设计

针对永磁直线同步电动机提升系统的非线性、时变性、易受扰动等特性,在所建立的永磁直线同步电动机d-q轴动态数学模型的基础上,设计了一种改进型BP神经网络PID控制的PMLSM调速系统。该系统将BP神经网络算法中固定的学习速率改为自适应可调,同时添加动量项以减小学习过程中的振荡趋势,极大地改善了算法的收敛速度,避免了网络落入局部最小值的结果。仿真结果表明,使用改进的BP神经网络PID控制器可使PMLSM调速系统的调节时间和超调量大幅减小,响应速度加快,使提升系统具备较好的动态性能和较强的鲁棒性。     

城市单路口两级加权神经网络控制系统设计

城市交通系统是一个非常复杂的非线性系统,很难建立精确的数学模型,而BP神经网络具有较强的自学习、自适应的特点,适合复杂的大系统。针对单交叉路口红绿灯控制问题,基于改进的BP神经网络算法,同时考虑关键车流和非关键车流信息,提出并设计了两级加权神经网络控制器来进行实时控制。仿真结果表明,本方法优于传统控制方法。     

人工神经网络在汽轮发电机组故障诊断中的应用

基于ＢＰ神经网络，结合船舶汽轮发电机组故障诊断问题，提出了一个适合于复杂、非线性系统的块层化神经网络诊断模型，并开发了一个诊断系统。通过实验优化了网络参数，经在某船舶汽轮发电机组进行的运行实验，验证了诊断模型高效的自组织、自学习能力。初步试验结果表明诊断系统是有效和可行的。