基于T-S模糊模型的高速动车组网络控制方法研究

文章首先根据高速动车组网络控制系统的结构建立前向通道时延及反馈通道时延的多功能车辆总线网络控制系统。然后基于T-S模糊模型建立非线性网络控制系统模型,设计各子系统基于状态空间滚动优化的广义预测控制(Generalized Predictive Control,GPC)算法,但传统的GPC算法在线计算量大,不能保证高速动车组网络控制的实时性,故文章提出了一种改进的GPC算法,利用GPC算法与动态矩阵控制律的等价性直接求解最优控制,可极大地减少计算量。最后分别采用不考虑时延的基于T-S模糊模型GPC控制方法、基于T-S模糊模型GPC时延控制方法及基于T-S模糊模型改进的GPC时延控制方法进行实验仿真。实验结果表明:采用基于T-S模糊模型改进的GPC时延控制方法优于其它两种控制方法,该方法可精确地跟踪参考方波信号,也能较好地抑制时延对控制性能的影响且动车组制动开始时速度输出的滞后时间非常短、无剧烈的震荡输出,故保证了高速动车组网络控制的实时性。     

基于BP神经网络的高速动车组网络控制系统时延研究

当前,高速动车组的控制系统迅速向网络化与智能化方向发展,网络控制系统已被大规模地应用于高速动车组的控制系统之中,网络控制系统可实时地传输高速动车组中各个设备的数据并监控高速动车组的运行状态,以保证高速动车组安全地运行。但高速动车组的通信网络控制端口和变量数目非常多且各端口的长度与特征周期也各异。故高速动车组的网络控制系统在输出数据的时候,不可避免地出现网络时延现象,该现象严重地威胁着高速动车组网络控制系统的实时性和稳定性。由于高速动车组的网络控制系统是一种非线性系统,故文章针对带有时延问题的高速动车组非线性网络控制系统,提出一种有效的优化方法,即将BP神经网络递推预测与广义预测控制结合起来,先根据BP神经网络递推预测的方法对网络控制系统未来的输出进行预测,然后利用递推最小二乘法对网络控制系统未来时刻的系统参数进行辨识,将非线性网络控制系统在每一时刻进行线性化处理,最后由广义预测控制算法补偿非线性网络控制系统的时延且对所提出的方法进行实验仿真,实验结果表明:该方法可有效地消除高速动车组网络控制系统的时延,同时具有实时性高、计算速度快及鲁棒性强等优点,显著地优化了带有时延问题的高速动车组非线性网络控制系统。     

基于模拟退火算法改进遗传算法的织物智能配色

为提高传统配色方法及现有配色算法的配色精度、效率及泛化能力,构建了基于BP神经网络的遗传算法和模拟退火算法相结合的织物智能配色模型,利用BP神经网络预测颜色,将训练好的BP神经网络与CIEDE2000色差公式结合作为遗传算法的适应度函数,用模拟退火算法改进的基于BP神经网络的遗传算法预测颜色配方,并根据预测的配方对涤纶织物进行染色实验,计算实验色差。结果表明:模拟退火算法优化的基于BP神经网络的遗传算法配色模型只需经过80次迭代即可收敛,预测颜色的理论色差均值为0.165,染色实验色差均值为0.289,配方绝对误差平均值为0.010 7;验证样本的理论色差均值为0.240,染色实验色差均值为0.437。该算法可实现织物的智能配色。     

基于模拟退火遗传算法优化的BP网络在质量预测中的应用

翘曲量预测精度是注塑成形优化的难点。文章以某零件翘曲量为对象,选取注射温度、模具温度、保压压力、保压时间、注射速度等参数,进行数值模拟实验,建立BP神经网络的翘曲量预测模型。针对BP神经网络易陷入局部最优解的缺陷,设计一种基于模拟退火遗传算法优化的BP网络模型,与BP网络的预测精度对比。结果表明,基于模拟退火遗传算法优化的BP网络模型预测精度高于BP网络模型,同时加快收敛速度,增强全局搜索能力。     

基于人工神经网络的室内定位算法研究

传统的UWB室内定位技术采用几何算法对标签进行解析定位,但复杂的室内环境和测距误差,可能导致方程组无解从而无法实现定位.针对上述问题,提出一种基于改进BP神经网络的UWB室内定位算法.将输出层输出的标签坐标与真实坐标的差值作为误差信号,利用梯度下降法修正网络的各个权值,使误差达到最小.以BP算法为基础,通过网络训练误差的变化趋势自适应调整学习率,提高收敛速率.通过与传统的定位技术和基于BP神经网络的定位算法进行对比实验,仿真实验结果表明,该算法的迭代次数和定位误差明显较小,输出轨迹与实际运动轨迹基本吻合,具有较高的定位精度.     

催青室温湿度的广义预测控制设计与仿真

以催青室的温湿度为研究对象,构建温湿度数学模型,研究基于广义预测PID算法的控制方案。由于催青室的温湿度是一个非线性、滞后的系统,而传统的PID算法具有结构简单,控制精度不高等缺点,所以本文在此提出基于广义预测算法的控制方案并成功应用到催青室的温湿度控制系统上,仿真实验表明,这种方法不仅可以提高系统的动态性能,比传统的PID算法具有更好的控制品质,提高了蚕种的孵化率。     

基于BP神经网络的机采原棉品质指标预测模型

为了对脱籽后的机采原棉品质指标进行预测并实现优化控制,设计了用于机采原棉品质指标预测的BP神经网络模型。以南疆地区机采棉为研究对象,以影响原棉品质的主控因素籽棉回潮率和轧花速度为BP神经网络模型的基本特征量,建立了机采原棉品质指标的BP神经网络预测模型。结果表明:该BP神经网络模型能较好表达机采原棉各品质指标与主控因素之间的非线性关系,预测结果与实测值之间误差小,测试样本的网络输出值与网络目标值的相关系数均接近1,模型预测效果较佳。认为:该BP神经网络模型可作为机采原棉品质预测与调控的新方法,也可应用于机采籽棉轧花在线原棉品质监控。     

基于BP神经网络的棉花颜色级预测

为了方便快捷检验棉花颜色级,采用BP神经网络算法构建了基于棉纤维色度参数的棉花颜色级预测模型。模型以棉纤维的色度参数明度值和黄度值为输入变量,以棉花颜色级为输出变量,采用三层网络,网络的拓扑结构为2-12-1。通过对280份棉花试样的颜色级进行测试和BP神经网络模型预测,结果表明:BP神经网络预测值与实测值的平均相对误差为3.203%,所建立的回归方程拟合优度达到99%。认为:所建立BP神经网络模型具有较好的预测效果。     

网络控制系统时延分布分析与建模

针对网络控制系统中随机时延的建模问题,在对网络时延产生原因和构成进行分析的基础上,通过搭建网络时延采集平台获得真实网络系统的随机时延数据,根据试验结果建立了网络时延数学模型.该模型能够更加准确地描述网络时延的特征,可用于网络时延预测和高性能时延补偿控制研究.     

基于BP神经网络算法的可见光图像热目标自动识别技术

BP算法即误差逆向传播学习算法,按照BP算法进行训练的多层神经网络被称为误差逆传播神经网络,即BP神经网络。BP神经网络按有人管理示范的方式进行学习,学习期间网络误差由后向前传递修正各权值和阈值。本文将主要探讨基于BP神经网络算法的可见光图像热目标自动识别技术。     

基于BP神经网络算法的航空用纳米级薄膜材料制备及性能分析

文章基于BP神经网络算法,研究了航空用纳米级薄膜材料的制备及性能分析。对纳米级薄膜材料在航空领域的应用现状进行了综述,介绍了BP神经网络算法的原理和结构以及在材料科学中的应用;阐述了纳米级薄膜材料的制备方法,包括材料的选择和特性分析、制备工艺流程以及制备参数的优化;通过实验数据的收集和处理,进行了纳米级薄膜材料的性能分析,并将BP神经网络算法的预测结果与实验数据进行对比分析,展望了进一步的研究方向。     

连续平压机热压板升降系统预测控制的应用仿真

为了实现热压板升降系统的精确位置跟踪控制,本文针对系统的强耦合、非线性等特点,提出了一种基于广义预测控制(GPC)的位置跟踪控制方法。首先给出了热压板升降系统的数学模型,并推导出其传递函数,在此基础上设计出基于广义预测控制算法的位置跟踪控制器,然后对系统中油缸的位置跟踪问题进行了仿真实验研究。结果表明,基于GPC算法的位置跟踪控制相对于常规PID控制,其调节过程平稳快速、稳态误差小、鲁棒性好,具有更好的跟踪性能,可以满足热压板升降系统精确位置跟踪控制要求。     

基于非线性BP算法的中密度纤维板（MDF）调施胶系统辨识

利用三层前馈神经网络作为被辨识对象的模型,对中密度纤维板(MDF)调施胶控制系统进行建模与仿真,并给出基于非线性BP算法的调施胶系统辨识计算步骤,实现了对中密度纤维板调施胶非线性动态系统的辨识.实验结果表明,文中建立的中密度纤维板调施胶系统模型是有效的,将其系统模型嵌入调施胶控制系统中可使系统响应时间变快并获得较好的控制效果.     

基于K-means聚类算法和BP神经网络的稻米品种鉴别

BP神经网络是利用误差逆向传播训练的前馈网络,具有自适应、实时学习的特点,在分类中广泛应用。但当样本类别过多,BP神经网络的分类精度显著降低。基于此,本研究提出了一种K-means聚类算法和BP神经网络相结合的方法作稻米品种鉴别。利用图像处理方法提取出11种稻米样品的灰度平均值、长宽比和圆形度三项特征参数,利用K-means聚类算法对所得数据进行聚类,聚类的结果作为BP神经网络的输入,训练得到分类器。实验结果表明,这种算法的分类效果要优于单一使用BP神经网络和K-means算法,且分类准确率达到80%,可见本实验的方法用于稻米品种鉴别是可行的。     

基于PSO-GA-BP神经网络的大米水分含量预测

为保障大米质量安全，提出一种基于BP神经网络的大米品质检测方法。方法以大米水分含量作为大米品质指标，通过结合粒子群优化算法(PSO)和遗传算法(GA)优化BP神经网络的阈值和权值，实现了BP神经网络的改进，提高BP神经网络的收敛速度，解决BP神经网络容易陷入局部最优的问题。然后，将改进的BP神经网络应用于大米水分含量预测中，实现了大米水分含量的准确预测。仿真结果表明，所提的改进BP神经网络模型相较于标准BP神经网络模型和LSTM-BP神经网络模型，在预测集和验证集上的均方根误差更小，分别为0.007和0.005,其大米水分含量预测值与真实值接近，可准确检测大米水分含量，为大米品质检测奠定了理论基础。     

改进的BP神经网络在机械故障诊断中的应用

介绍了BP神经网络的结构和学习方法,针对BP网络存在局部极小值和收敛速度慢等问题,提出采用一种基于Levenberg-Marquardt算法(LM算法)的改进BP网络,最后通过汽轮机故障诊断实例的仿真研究,结果表明改进算法的性能明显优于常规BP算法,经改进算法训练的网络能大大提高故障的在线诊断能力,具有广泛的应用前景和应用价值。     

纱线卷绕系统恒张力先进控制策略

针对纱线卷绕系统内外部扰动较多，系统具有时变性和不确定性，纱线张力值波动较大，控制精度不高导致纱线断头等问题，提出了学习速率自适应与蚁群算法联合改进的BP神经网络PID控制策略。通过学习速率自适应提高网络学习速率，并利用蚁群算法调整网络初始参数。分别测试PID算法、BP神经网络PID算法与改进BP神经网络PID算法。结果表明：基于改进BP神经网络的无刷直流电机PID控制器鲁棒性更强，性能良好，纱线卷绕系统张力波动较小，断头率降低。     

基于BP神经网络的变形监测数据处理

变形监测是大型建筑物、构筑物安全运营的保障性工作,从而避免灾害的发生,则需要进行相应的预测预警。本文通过基于BP网络模型的变形监测与基于遗传算法的BP网络模型的变形监测的对比,表明所建立的GA-BP模型预测输出的误差要优于单一的BP神经网络模型,能更加有效、可靠地预测相关变形。     

基于神经网络算法的造纸生产线废水处理水质预测

考虑到传统方法在预测造纸生产线废水处理水质时存在预测误差大的问题,提出了基于神经网络算法的造纸生产线废水处理水质预测研究。根据造纸生产废水处理水质样本数据压缩的比例,计算出神经网络算法的输出误差,通过更新造纸生产废水处理水质样本数据的权重参数,获取神经网络传递能力的极小值,利用数据压缩的数据差,建立神经网络传递函数,利用数据传递网络,获取造纸生产线废水处理水质检测参数,完成造纸生产线废水处理水质的污染程度检测,利用神经网络算法构建了造纸生产线废水处理水质预测模型,实现了造纸生产线废水处理水质的预测。实验结果表明,文中方法在预测造纸生产线废水处理水质时,可以减小水质预测的均方根误差,满足造纸生产线废水处理水质标准要求。     

基于GA-BP神经网络异纤分拣机检测参数优化

探讨基于遗传算法(GA)优化BP神经网络预测模型、提高异纤分拣机检出率的方法。针对BP神经网络收敛速度慢和易于陷入极小值等缺点,建立基于GA-BP神经网络的异纤分拣机检测参数预测模型,对改进前后的预测和检出结果进行对比分析。结果表明:GA-BP神经网络在准确输出预测值的同时,收敛速度也比传统BP神经网络预测模型快;且GA-BP神经网络比传统BP神经网络的实际检出率高出5%。认为:基于GA-BP神经网络的算法具有更高的准确性和可行性。