基于小波神经网络建立虚拟仪器非线性软校正模型

神经网络具有良好的学习特性,小波变换有良好的时频局部化性质,将二者结合在一起构成小波神经网络兼有神经网络和小波变换的优点.本文提出了解决虚拟仪器系统非线性校正问题的小波神经网络算法.最后通过一个应用实例表明,采用小波神经网络建立软校正模型,不仅可以使系统获得高精度,而且在相同的误差条件下,其收敛速度也要远远快于传统的BP神经网络.     

基于小波神经网络建立虚拟仪器非线性软校正模型

神经网络具有良好的学习特性,小波变换有良好的时频局部化性质,将二者结合在一起构成小波神经网络兼有神经网络和小波变换的优点。本文提出了解决虚拟仪器系统非线性校正问题的小波神经网络算法。最后通过一个应用实例表明,采用小波神经网络建立软校正模型,不仅可以使系统获得高精度,而且在相同的误差条件下,其收敛速度也要远远快于传统的BP神经网络。     

用神经网络估计模型误差的预测滤波算法

针对时不变非线性系统，提出一种用神经网络进行模型误差估计的预测滤波算法．该算法用寻优的方法离线获得与当前状态和下一步输出测量相对应的模型误差估值，并作为样本训练神经网络；实际滤波中，用训练好的神经网络进行模型误差估计．该方法与原预测滤波算法相比没有动态过程，不会因为滤波器初始误差太大而振荡或发散，且稳态精度与计算步长无关．通过对一个二阶非线性系统的仿真验证了神经一预测滤波器的优越性。     

采用自适应自回归小波神经网络的单步预测控制

针对非线性系统的控制问题,提出一种基于神经网络辨识的单步预测控制算法。算法在自回归小波神经网络的基础上,利用混沌机制消除了神经网络易陷入局部极值的缺点．采用自适应性学习率,提高神经网络的收敛能力和速度．以该神经网络为预测模型,引入输出反馈和偏差校正克服预测误差,以此构造一步加权预测控制性能指标。然后采用Brent一维搜索方法求取控制律,Brent法无需任何相关的导数信息,需调整的参数少,使得Brent法适合实时控制．仿真研究说明了该非线性预测控制器的有效性。     

基于并行支持向量机的多变量非线性模型预测控制

提出一种基于并行支持向量机的多变量系统非线性模型预测控制算法．首先，通过考虑输入、输出间的耦合，建立基于并行支持向量机的多步预测模型；然后，将该模型用于非线性预测控制,提出新的适用于并行预测模型的反馈校正策略，得到最优控制律．连续搅拌槽式反应器（CSTR）的控制仿真结果表明,该算法的性能优于基于并行神经网络的非线性模型预测控制和基于集成模型的非线性模型预测控制．     

基于多模型的非线性系统广义预测控制

对于复杂的离散时间非线性系统，提出一种基于多模型的广义预测控制方法．通过在平衡点附近建立线性模型，并用径向基函数神经网络来补偿匹配误差，形成了非线性系统的多模型表示，然后采用模糊识别方法作为切换法则，并结合广义预测控制构成了多模型广义预测控制器．通过对连续发酵过程的计算机仿真，表明了该方法的有效性．     

基于神经网络的传感器非线性误差校正

介绍了用神经网络校正传感器系统非线性误差的原理和方法,提出了一种基于RBF神经网络的传感器非线性校正模型及其算法,并与采用BP神经网络校正非线性误差进行了比较,并给出一个仿真实验,实验结果表明:采用RBF神经网络的传感器非线性校正精度和网络训练速度均大大优于BP神经网络,能满足实用要求.     

基于多层局部回归神经网络的多变量非线性系统预测控制

以罐式搅拌反应器为例,针对复杂多变量系统的强耦合性、非线性、时变性等问题,研究了多变量非线性系统的预测控制及改善控制性能的方法,采用多层局部回归神经网络离线建立预测模型,以偏差补偿和模型修正相结合的方式对预测模型进行误差补偿,以要线校正用于预测控制,通过对性能指标中的偏差项负指数加权,进一步改善预测控制性能,住址结果表明了控制算法的有效性。     

基于EGA的非线性预测控制器

提出一种基于Volterra模型的非线性预测控制器，采用收敛精度高，高速快的EGA算法动求解控制律，反馈校正中考虑了误差和输出变化趋势影响的双重抑制，对一类非线性系统的仿真研究表明该预测控制器影响应快，具有较强的鲁棒性，对于改善非线性预测控制策略的性能非常有益。     

基于神经网络的传感器非线性误差校正

介绍了用神经网络校正传感器系统非线性误差的原理和方法 ,提出了基于BP神经网络传感器非线性误差校正及其模型、算法与实现技术。通过计算机仿真与应用 ,显示出这种逆模型不但可实现温度补偿和非线性校正 ,而且网络结构简单 ,准确度高     

一种基于小波神经网络故障检测方法的仿真研究

文中提出了一种基于小波神经网络一性观测器的故障检测方法。它是一种把信号分析和模型相结合的故障检测方法,通过小波对信号的去噪和神经的神经网络的自学习功能,来获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判疡,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法是可行的。     

基于MEC优化BP神经网络的PSD非线性校正

光电位置敏感传感器(PSD),特别是其B区存在非线性误差大、测量精度低的问题.针对现有神经网络校正方法的不足,提出一种基于思维进化计算(MEC)算法优化的神经网络校正模型.该方法首先应用MEC算法搜索最优神经网络初始权值和阈值,再利用LM算法训练BP神经网络,最后将训练好的神经网络用于PSD非线性校正.仿真实验结果表明,所提出的方法校正精度高,收敛速度快,泛化能力强,测试数据的平均误差被控制在0.005 mm以下.经过校正后的PSD在非线性区表现出与线性区相似的线性程度,提高了PSD的测量精度.     

一种基于超限学习机的电子磁罗盘非线性误差补偿方法

针对磁罗盘传感器非线性校正中现有方法的不足,提出采用小波函数和双曲正弦函数作为超限学习机(ELM)的激活函数,并将此改进超限学习机用于磁罗盘的校正.同时,阐述了传感器的非线性校正原理,磁罗盘航向误差模型及改进超限学习机的实现过程,并分别采用BP神经网络法和传统ELM对磁罗盘进行非线性校正.实验结果表明,改进ELM算法补偿后最大误差为0.103°,均方根误差为0.0596°,优于BP神经网络算法(补偿后最大误差为0.5°,均方根误差为0.1805°)和传统ELM神经网络(补偿后最大误差为0.21°,均方根误差为0.1056°).     

基于L-M算法的反向传播网络的湿度传感器输出误差补偿研究

针对湿度传感器的输出非线性问题,提出了基于L-M算法建立BP神经网络进行补偿校正,实现电阻型湿度传感器的输入与输出非线性补偿,并与共轭梯度算法、拟牛顿算法所建立的神经网路模型进行对比,重点比较了模型迭代性能、标准偏差;最后发现当神经网络用L-M算法进行训练模拟时在迭代性能、标准偏差等方面具有更优异的表现,更适合湿度传感器的非线性特性的补偿校正。     

路灯节能调控系统矢量传感器误差修正方法

针对路灯节能调控系统中传感器的固有误差和系统误差,使其测量值易受非线性干扰而引起矢量误差问题,提出一种路灯节能控制系统矢量传感器误差修正方法。利用BP神经网络的非线性映射能力,建立补偿逆模型,为传感器提供理想的线性特性,同时根据网络层次间取值结果,引入梯度下降法,依据结果调整权值和阈值取值,令其无限接近非线性函数,考虑到实际建模过程中误差,增加误差惩罚因子,明确样本高于线性中间模型的精度级别,转化为Lagrange方程,最后利用SVM算法辨识中间模型系数,并应用参数矩阵间的关系来完成矢量传感器误差修正。仿真结果表明,上述方法能有效地减小非线性误差对传感器测量值的影响,提高传感器的测量精度。     

微分改进RBF网络线性预测控制算法的研究

针对现有非线性系统辨识超调较大和预测控制计算量繁琐等问题,提出了改进的RBF神经网络线性预测控制算法.该方法通过在传统性能指标函数中增加误差微分项,以优化跟踪效果;利用辨识模型作为预测模型,对输出设定值进行线性逼近的反向优化,并实时给出优化控制量.该方法简化了传统预测控制算法,在加快寻优速度的同时,有效地抑制了超调.通过非线性系统仿真实例,验证了该方法的可行性和有效性.     

Predictive Coding in the Visual Cortex by a Recurrent Network with Gabor Receptive Fields

We derive a recurrent neural network architecture of single cells in the primary visual cortex that dynamically improves a 2D-Gabor wavelet based representation of an image by minimizing the corresponding reconstruction error via feedback connections. Furthermore, we demonstrate that the reconstruction error is a Lyapunov function of the herein proposed recurrent network. Our model of the primary visual cortex combines a modulatory feedforward strategy and a feedback subtractive correction for obtaining an optimal coding. The fed back error is used in our system for a dynamical improvement of the feedforward Gabor representation of the images, in the sense that the feedforward redundant representation due to the non-orthogonality of the Gabor wavelets is dynamically corrected. The redundancy of the Gabor feature representation is therefore dynamically eliminated by improving the reconstruction capability of the internal representation. The dynamics therefore introduce a nonlinear correction to the standard linear representation of Gabor filters that generates a more efficient predictive coding.     

基于ARIMA和神经网络模型的城市燃气负荷预测

城市燃气负荷预测是城市天然气调配的重要环节。在对燃气负荷时间序列进行小波周期分析的基础上,建立燃气负荷的基于ARIMA的神经网络温度矫正模型,ARIMA模型对年周期数据进行平滑,有效去除了过去的短期影响;将大气温度作为神经网络的输入对ARIMA模型预测值进行修正。经过检验,该模型很好地揭示了燃气负荷时间序列的特征,预测效果较好。