基于Elman神经网络半主动控制的磁流变起落架仿真分析

半主动控制起落架的被控对象是磁流变阻尼器,控制磁流变阻尼器输出阻尼力的大小。建立了被动式起落架的仿真模型、BP神经网络控制仿真模型以及Elman神经网络控制仿真模型。神经网络训练样本均由最优控制算法得到。BP神经网络控制、Elman神经网络控制和被动控制仿真模型进行对比,两种神经网络控制均起到了良好的控制作用,Elman神经网络的训练过程远远长于BP神经网络,但精度高于BP神经网络,Elman神经网络在复杂控制系统中比BP神经网络有较大优势。     

基于BP神经网络的球头铣刀铣削力建模与仿真

将BP神经网络的理论和算法应用于球头刀具铣削力建模的研究中.采用LM算法建立了铣削力预测的神经网络模型,模型中考虑了影响铣削力的加工参数,选取铣削力试验数据对神经网络模型进行训练,用训练好的神经网络模型对铣削力进行仿真.仿真结果表明,用BP神经网络方法建立的铣削力模型能够对铣削力进行准确的预测.     

基于遗传算法优化BP神经网络的数控机床热误差补偿

以提高数控机床加工精度为主要目的,针对减少热误差而提出一种基于遗传算法优化BP神经网络的数控机床热误差补偿方法.首先,分析遗传算法优化的BP神经网络学习算法.然后,建立神经网络模型对三轴联动卧式加工中心进行实时补偿.实验仿真结果表明遗传优化BP神经网络模型具有预测补偿能力强、补偿精度高、拟合性能优、实时性好等特点.     

基于BP网络的工程数据处理

基于BP神经网络的高度非线性映射特性,提出一种改进的BP神经网络及其算法,将其应用于工程图的数据处理,并通过建立渐开线齿轮齿廓线的BP神经网络模型后进行齿轮轮廓线拟合,由仿真曲线可验证此方法的有效性.     

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.     

关于电厂水位控制的动态仿真研究

简要介绍MATLAB的神经网络工具箱和BP神经网络的有关理论，然后对电厂水位的控制建立BP模型并进行仿真，从而得出最优参数和相关图表。仿真结果表明，采用MATLAB仿真是高效的。     

基于神经网络智能结构振动控制中的辨识

以智能结构振动控制为对象,采用BP神经网络进行辨识研究。分析了神经网络系统辨识的原理及BP神经网络的算法。仿真结果表明,神经网络是建立智能结构振动控制系统模型的一种有效的方法。     

基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.     

基于PCA-改进算法BP神经网络的软测量技术

本文在利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并与主元分析相结合,形成了PCA-改进算法的BP神经网络.通过在塑料缠绕过程塑料张力预测中的仿真实验结果表明PCA-改进算法后的BP神经网络不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

BP神经网络在非接触测量路径规划中的应用

建立了基于BP神经网络的路径规划模型,首先介绍了非接触测量路径规划中的常用方法,包括多项式法和三次样条插值法等及其优缺点,然后构造了1×30×1的BP神经网络模型,说明了模型的原理,阐明了模型具体参数的设置和训练步骤的设计。最后用Matlab实现了神经网络,并用实例对网络模型进行了仿真,同时和三次样条插值的仿真结果对比,仿真结果表明,此网络模型很好的提高了路径拟合和预测的准确性和效率。     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。     

基于BP和RBF神经网络的滚动轴承故障诊断比较

通过仿真实例,应用BP和RBF神经网络对滚动轴承的故障诊断进行了比较研究,结果表明,BP网络和RBF网络仿真效果都比较理想,但RBF网络构建简单,训练速度快且比较稳定,体现了RBF神经网络的优越性。     

基于改进遗传算法的模糊RBF神经网络控制在液压伺服系统中的应用研究

针对电液伺服系统普遍存在非线性、时变性和不确定性的情况,提出一种基于改进遗传算法的模糊RBF神经网络控制方法。该方法采用模糊RBF神经网络控制实现对液压伺服系统的自适应模糊控制,并将GA的全局寻优及BP局部寻优相结合,克服了单独应用GA算法或BP算法调节模糊RBF神经网络控制器参数存在的缺陷。仿真结果表明,该方法具有很强的自适应性和鲁棒性。     

多几何要素影响下液压阀件特性的混合神经网络预测模型

液压阀件系统是一个具有多几何要素影响的多系统特性复杂系统,建立液压阀件特性预测模型,以系统多几何要素作为输入,实现系统特性的预测,将对实际生产具有重要的意义。在深入分析反向传播(Back propagation,BP)神经网络与径向基函数(Radial basis function,RBF)神经网络的基础上,结合两类神经网络的特点,提出基于BP神经网络与RBF神经网络的混合神经网络预测模型。利用生产实际中实测的某具体液压阀件特性值及影响该特性的各几何要素值作为预测模型的数据来源,对所提出的混合神经网络进行训练,并进行仿真。实例计算表明混合神经网络预测模型可提高单项神经网络预测模型的预测精度,预测平均相对误差为0.0461。可见,所提出的混合神经网络预测模型能够很好地满足工程实践中液压阀件特性预测要求。     

RBF神经网络在传感器校正中的应用

提出了一种基于RBF神经网络的传感器非线性校正方法,传感器的输出及待测物理量的实际数值用于训练RBF神经网络,以得到非线性校正用的逆模型,只需较少的神经元就可构成上述逆模型,便于单片机软件实现或“因化”在硬件中,通过一个二维位移传感器的例子表明,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。     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于PSO-RBF神经网络的锂离子电池健康状态预测

针对传统方法估计锂离子电池健康状态(SOH)时内部参数测量困难等问题,提出一种基于粒子群优化径向基函数神经网络的锂离子电池SOH预测方法。通过对锂离子等效模型的研究,结合充放电过程的实验数据,确定了影响锂离子电池SOH特性的几个关键参数。将试验数据输入仿真模型进行网络训练和校验。仿真证明,相比BP神经网络和普通RBF神经网络,该算法的预测精度可提高20%,节省66.7%以上的优化时间。     

神经网络在SnO_2气敏元件浓度测量中的应用

气体传感器属于传感器技术领域,在传感器行业中占有重要的地位.然而气体传感器阵列的交叉敏感性严重影响气体传感器对混合气体的测量.基于Matlab平台的神经网络工具箱,分别构建BP神经网络和RBF(径向基)神经网络,对由涂敷不同敏感材料的声表面波振荡器组成的阵列在4种混合气体灵敏度响应数据进行定量识别研究,结果表明RBF神经网络在气体定量识别方面更具优势.     

基于径向基函数神经网络的铣刀磨损监控技术的研究

提出一种基于径向基函数神经网络的铣刀磨损监控方法,径向基函数神经网络的输出是刀具磨损的具体值,这样有利于对刀具磨损进行各种实时补偿。实验表明,利用径向基函数神经网络进行状态识别可对小型立铣刀的磨损进行监控,能够取得良好的效果,同时证明RBF网络的训练速度优于BP网络。     

BP神经网络与广义RBF神经网络在产品寿命分布模型识别中的应用研究

通过分析BP神经网络和广义径向基神经网络(RBF神经网络)的基本结构和算法,建立了应用于机械产品的寿命分布类型智能识别的BP神经网络和RBF神经网络模型,通过仿真实验对比分析了BP神经网络和RBF神经网络识别效能。结果表明,RBF神经网络参数调整简单、训练时间短,且逼近能力与BP神经网络相当,但是推广能力较差;BP神经网络收敛缓慢、训练时间长,但推广能力较强,更适合分布参数变化范围大的寿命分布模型的识别。