飞行器垂直尾翼的神经网络模型辨识

以某型飞行器50%的垂直尾翼模型为研究对象,针对模型结构振动主动控制系统的不确定性和非线性特性,研究了该系统的神经网络建模问题。分别采用单频信号和不同频率范围的扫频信号作为激励信号,基于外时延反馈的双BP神经网络,采用改进的非线性自回归滑动平均模型(NARMA)对模型结构振动主动控制系统进行辨识和动态建模。试验结果表明:此方法的辨识精度高,训练时间短,所建网络模型具有很好的泛化能力,辨识结果合理可靠。     

飞行器垂直尾翼的神经网络模型辩识

以某型飞行器50%的垂直尾翼模型为研究对象,针对模型结构振动主动控制系统的不确定性和非线性特性,研究了该系统的神经网络建模问题.分别采用单频信号和不同频率范围的扫频信号作为激励信号,基于外时延反馈的双BP神经网络,采用改进的非线性自回归滑动平均模型(NARMA)对模型结构振动主动控制系统进行辨识和动态建模.试验结果表明:此方法的辨识精度高,训练时间短,所建网络模型具有很好的泛化能力,辨识结果合理可靠.     

CMAC神经网络控制器与BP神经网络辨识器的系统设计

提出了一种基于CMAC神经网络控制系统,该系统由CMAC神经网络控制器和BP模型辨识网络组成。文中介绍了CMAC神经网络控制器的结构及学习算法,还给出了系统辨识的BP网络结构及学习算法。仿真结果表明了此法的可行性和有效性。     

基于神经网络的机翼振动主动控制

根据DARMA模型提出了简单易用的神经网络控制方案，该方法采用线性人工神经网络对系统动态特性进行在线辨识，并利用辨识得到的信息，采用BP神经网络对系统进行控制，将该算法应用于飞机机翼振动主动控制数值仿真。仿真结果表明，该方法能减少算法的计算量，压缩计算时间，便于提高系统采样频率，使得自由振动和调频振动的抑制成为可能。     

磁流变阻尼器的神经网络辨识

由于磁流变液的机理尚未清晰,故以其作为介质的磁流变阻尼器具有未知的非线性特性.鉴于人工神经网络具有万能逼近能力,该文应用神经网络技术研究磁流变阻尼器的模型辨识问题.首先利用BP神经网络在对磁流变阻尼器的正模型进行建模,在此基础上,利用递归神经网络对磁流变阻尼器的逆模型进行辨识.仿真结果表明,神经网络可以准确地对磁流变阻尼器模型进行建模,并且逆模型的神经网络模型可以用于振动抑制.     

基于PSO-BP算法的水下机器人运动模型辨识

将粒子群算法(PSO)与误差反传算法(BP)相结合,利用粒子群算法的全局突变性,使BP算法避免在神经网络权值寻优过程中陷入局部极小值.对Elman神经网络结构进行调整,并将PSO-BP算法用于改进后的Elman网络的权值修改.最后,对比了3种不同算法、结构的神经网络对水下机器人运动学模型的辨识结果,证明了基于PSO-BP算法的改进Elman神经网络对水下机器人运动模型,有较高的辨识精度.     

基于MATLAB的神经网络模型参考控制仿真

基于神经网络在系统辨识和动态系统控制中的成功使用,介绍了典型前向网络的BP算法,采用模型参考控制的神经网络控制结构对一简支梁进行了振动主动控制研究,并详细阐述了在MATLAB环境下的仿真过程和仿真结果,最后展望了神经网络在冶金行业板形控制中的应用。     

基于神经网络的结构振动主动控制方法

以矩形简支薄板为研究对象,设计了一种基于神经网络的结构振动主动控制系统,通过对薄板表面施加激振力,来控制其振动噪声的辐射特性,采用有辨识器和无辨识器两种反馈控制算法实施频域控制.控制系统中的控制器和辨识器的拓扑结构均采用神经网络,分别称为神经网络控制器(neural network nontroller,简称NNC)和神经网络辨识器(neural network identifier,简称NNI).仿真结果表明,两种控制策略均可实现多频点控制,前者精度高,后者易实现.构建了简支薄板振动主动控制实验系统,针对易实现的无辨识器控制算法进行实验验证.实验控制效果良好,验证了该算法的正确性和可行性.     

压电振动系统的神经网络建模和预测研究

本文应用MATALB／XPC实时仿真工具测量了贴有压电元件的复合材料薄壁结构的振动响应。并对其进行神经网络的离线建模和预测。比较了几种网络的优缺点。选择了引进外部反馈的前向BP网络作为非线性系统建模的方法，有望推广用于智能结构的健康监测和振动主动控制。     

基于CPSO-BP算法的水下机器人神经网络辨识

针对水下机器人传统运动辨识模型中使用的误差反传(BP)算法,容易在迭代寻优过程中陷入局部极小点的缺点,将合作粒子群(CPSO)算法与BP算法相结合,形成一种CPSO-BP混合算法,再通过CPSO-BP算法对BP神经网络进行权值修改,建立了CPSO-BP神经网络模型,并将模型应用到水下机器人运动辨识。通过对比3种算法的BP神经网络模型的实验结果,证明基于CPSO-BP神经网络的模型辨识效果更好。