利用改进的BP算法实现神经网络辨识仿真

系统辨识是控制系统设计的基础。基于多层前馈神经网络结构,采用一种改进的BP算法,利用二阶梯度变尺度模型,完成了神经网络非线性系统辨识。与传统的辨识方法比较,神经网络应用于非线性系统辨识具有泛化功能和很好的容错能力,是一种不依赖模型的自适应函数估计器。采用一种改进的BP算法有效地改善了系统收敛速度慢的问题,BP模型已成为神经网络的重要模型之一,从而为控制系统正确设计奠定理论基础。     

神经网络在系统辨识中的应用

系统辨识在工业方面应用广泛,该文从基本的智能控制技术——神经网络(NN)技术出发,提出了一种利用神经网络进行系统辨识的方法.该辨识方法显示出很强的处理问题的能力,无需辨别系统阶次.辨识结构简单,精度高.仿真结果表明这种方法的有效性和可行性.本论文共分为四部分:第一部分介绍了神经网络用于系统辨识的特征,第二部分讲述了神经网络的工作原理,包括神经网络的模型、传递函数及训练过程,第三部分讲述了神经网络进行系统辨识的仿真实例,第四部分对上述内容作了简要小结.     

基于预报误差法的神经网络辩识

针对传统系统辨识存在的缺点,提出了基于预报误差法的神经网络辨识方法,将神经网络的预报误差法应用于系统辨识中,通过调节神经网络连接权值可使网络输出逼近系统输出。神经网络作为实际系统的辨识模型,可以用于在线控制。仿真实例表明其收敛速度快于BP算法。     

基于多种群遗传神经网络的非线性系统辨识

提高非线性系统的辨识精度,本文提出利用多种群遗传算法对BP神经网络权值进行优化,并将该算法用于非线性系统辨识中,取得了良好的效果。实验证明,与单纯采用BP神经网络辨识方法相比,本文方法对非线性系统有更强的辨识能力。     

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.     

一种用于非线性复杂系统辨识的自适应模糊神经网络

该文提出一种用于复杂的非线性未知系统辨识的混合神经网络模型自适应模糊神经网络(AFNN)。AFNN网络结构简洁,具有通用逼近的特性,能够克服由于突变点的存在而对系统辨识所带来的误差,提高整个系统的辨识精度。对空空导弹攻击区辨识的仿真结果验证了AFNN网络的有效性。     

一种基于模糊神经网络的非线性系统模型辨识方法

该文提出一种非线性系统的模型辨识方法。通过结构的辨识(学习)和参数的辨识(学习),构造了一个模糊神经网络,经调整网络的权值,获得一个精确的模糊模型。对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

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RBF神经网络系统辨识研究

从神经网络系统辨识原理出发，利用Matlab神经网络工具箱中提供的一组输入输出数据对，应用RBF网络进行系统辨识，建立RBF神经网络辨识模型，模拟其输出曲线，井且对辨识结果做了对比分析，进而实现了RBF网络的最佳逼近性质。     

不确定蔡氏电路混沌系统的神经网络优化控制

该文研究了不确定非线性蔡氏电路混沌系统的动态神经网络在线辨识和跟踪控制问题.利用无源技术得出梯度下降算法调整神经网络辨识器权值的稳定性定理,然后在辨识模型基础上设计局部优化控制器,将蔡氏混沌系统镇定到期望目标轨迹,并保证跟踪误差有界.数值仿真结果表明了所提出方法的有效性.     

基于RBF神经网络的加速度传感器动态补偿研究

提出一种应用径向基函数(RBF)神经网络进行加速度传感器动态性能补偿方法.介绍动态补偿原理以及算法,并将其与BP神经网络法和系统辨识法进行比较.该方法利用加速度传感器的动态标定数据,采用RBF神经网络搜索和优化补偿模型参数.结果表明,这种补偿模型误差小,比用系统辨识法有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度.     

基于系统辨识的电路脉冲响应建模

为探索基于系统辨识的电磁脉冲效应仿真新方法,设计了以阶跃信号和方波脉冲信号为激励源、稳压电源系统为对象的脉冲注入实验,分别采用OE模型和NARX神经网络模型对该系统的脉冲能量耦合传递函数进行建模.结果表明,所建模型均能较好地预测出响应波形,且NARX模型预测能力强于OE模型,两者对阶跃、方波脉冲的预测精度分别达到93....     

神经元网络用于动态系统辨识

神经网络是一个非线性动力学系统,具有自适应、自组织、自学习能力。本文先介绍了神经元网络的基本概念和优点,然后从系统辨识问题出发,阐述了如何应用神经元网络进行系统辨识。最后介绍了几种典型神经元的学习算法。     

基于增加动量项的神经网络左逆张力辨识策略

以两电机张力控制系统为研究对象,为实现两电机张力控制系统的高性能控制及无传感器运行,张力的准确检测是其中的关键。文中提出了基于人工神经网络和左逆系统理论的两电机张力系统的一个新的识别方法。考虑到系统的参数是时变的和张力易受负载变化影响。神经网络左逆辨识被用在该系统中中,这是很容易实现的左逆模型。针对运用中传统BP网络的收敛速度慢,易陷入极小值的缺点,提出了增加动量项的改进神经网络左逆辨识策略,通过仿真模型对在负载扰动下两电机的张力进行辨识。仿真结果表明,辨识准确,策略可行。     

基于自组织模糊神经网络的污水处理出水水质预测建模

提出了一种新的自组织模糊神经网络算法,该算法能够基于输入数据自动进行神经网络结构辨识和参数辨识。首先采用一种自组织聚类方法得到神经网络的结构和网络参数初值,然后采用监督学习来优化网络参数。以某污水处理厂的运行数据为对象,应用该自组织模糊神经网络建立了活性污泥污水处理系统出水水质预测模型。仿真结果表明,该模型能够对污水处理系统出水水质进行较好的预测。     

基于子空间跟踪的状态空间系统辨识方法及其在时变系统辨识中的应用

基于系统状态空间模型的系统辨识方法的一个困难在于算法具有较大的运算量和存储量。本文将基于APEX算法的子空间跟踪方法引入辨识算法。APEX算法的神经网络实现可以有效地减少辨识算法的运算量和存储量。本文将得到的算法应用于时变系统的辨识，仿真结果和应用于实际数据的结果验证了方法的有效性。     

一种基于加权LS-SVM的复合辨识方法

针对采用含随机噪声的数据进行非线性动态系统建模无法获得准确模型参数的问题,提出了一种基于加权最小二乘支持向量机(LS-SVM)数据预处理的复合辨识方案.复合辨识方案根据数据的分布信息,利用加权LS-SVM对异常数据的鲁棒性,通过回归计算消除数据的异常性;再利用预处理后的数据训练补偿模糊神经网络参数,得到系统模型.结果表明,采用加权LS-SVM预处理的复合辨识方案运用在普遍存在随机噪声的系统中,能获得更加准确的辨识模型.     

雷达目标辨识网络的对抗性样本分析

为了验证雷达目标辨识网络存在风险,提升基于辨识网络的雷达目标辨识效果,文中研究了不同雷达目标辨识网络的对抗性样本。针对雷达目标辨识网络中的卷积神经网络和分解卷积神经网络,建立对抗性样本生成模型,按照该模型生成对抗性样本,并对生成的结果进行分析总结。实测数据处理结果表明,雷达目标辨识网络存在潜在风险。     

神经网络在系统辨识中的应用研究

系统辨识在工业方面应用广泛，用神经网络进行系统辨识适用于线性系统和非线性系统。对系统辨识及神经网络均作了较为详细的介绍，并以BP网络为例介绍了网络的初始化、训练和仿真函数，给出了网络结构的设计和辨识结果的输出。     

基于动态神经网络在线辨识的PID控制

针对工业控制领域中复杂非线性时变系统和传统RBF神经网络辨识PID控制的不足,提出了一种基于聚类结合算法的动态RBF神经网络在线辨识PID自适应控制方法.通过优化的动态RBF辨识神经网络更好地描述了控制对象的动态行为,获得PID参数在线调整信息,实现系统的智能控制.仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比该方法具有较高的控制精度,较快的系统响应,较强的适应性和鲁棒性.