基于通用学习网络的控制器设计

神经网络已经广泛地应用于控制领域,但是现有的神经网络一般不包含延迟时间,或延迟时间不能任意设置。通用学 习网络(UniversalLearningNetwork)是一种新型可设定神经网络,该网络所有节点互连,任意两节点之间可以有多重连接, 且连接上有任意的延迟时间。利用通用学习网络对典型的非线性、大滞后系统——pH中和过程进行辨识,并作为预估器应用 于控制系统。仿真研究证明该网络能有效地应用于大滞后系统。     

基于小波多分辨率分析的混沌去噪研究

基于小波多分辨率分析的思想,提出一种降低混沌信号噪声的方法.首先对一个混沌时间序列进行小波分析,得到信号在各个尺度上的不同特性;再对各个高频细节信号进行二次小波去噪;最后对二次小波去噪后的信号进行线性叠加,达到提取真实信号的目的.分别对Rossler系统产生的混沌序列和黄河年径流量混沌序列进行了仿真研究,结果表明了该方法的有效性.     

RBF网络在混凝土强度研究中的应用

本文以混凝土抗压强度建模为例,介绍一种自组织学习的RBF算法,并与广受欢迎的BP算法比较.仿真结果表明,RBF网络的学习速度显著加快,并具有较好的泛化能力,能有效地应用于混凝土领域.     

基于改进RBF神经网络的非线性时间序列预测

本文基于一种改进的径向基函数(RBF)神经网络,进行了非线性时间序列的在线预测研究.该RBF网络通过次胜者受惩算法(RPCL)根据样本信息合理调节隐层中心,通过递归正交最小二乘算法(ROLS)更新网络输出层的连接权重.算法学习速率较快,从而提高了网络的实时性能.仿真结果表明该学习算法的实用性和有效性.     

航空发动机磨损趋势变权重组合预测技术研究

由于航空发动机滑油中金属元素含量受许多复杂因素的影响,所以磨损趋势预测精度相对较低。针对这个问题提出了RBF网络变权重组合预测(RBFNN-VWCF)模型对航空发动机零部件的磨损趋势进行研究。由于输入维数对模型的预测精度影响较大,引入混沌理论中的C-C方法重构相空间确定模型最佳输入输出样本的维数,选取BP网络和SVM模型作为子预测模型对铁元素含量的变化趋势进行预测,将得到的预测值作为RBFNN-VWCF模型的输入变量进行变权重组合预测,利用正交最小二乘法训练网络模型,确定子模型不同时刻的权重,并对影响模型预测精度的参数进行讨论。仿真结果表明,RBFNN-VWCF模型充分利用了两种子预测模型的有效信息,更客观地反映了发动机零部件的磨损趋势,与单一模型相比具有较高的预测精度和很强的实用性,为发动机下一步的维修决策提供了有力支持。     

基于神经网络的红外辐射大气透过率建模及计算

基于定点测量的标准黑体温度实验数据,建立大气透过率的神经网络估计模型。在不同距离测量黑体温度后,引入BP网络自适应学习测试数据的潜在规律,建立大气透过率与当前测量距离及测试温度之间的函数关系,可以精确计算目标的实际温度。仿真结果表明,用本文方法所建的BP网络可以有效地学习样本信息,建立的非线性大气透过率模型解决了大气透过率因影响因素复杂计算难度大等问题。     

基于EEMD的滚动轴承故障特征主元分析和PNN建模

利用滚动轴承各种工作状态下测量得到的声发射信号,建立了一种基于总体平均经验模态分解(EEMD)与概率神经网络(PNN)的滚动轴承故障特征提取和诊断方法。通过EEMD对信号进行自适应时频分解,在不同频段上分析本征模态函数(IMF)分量;计算IMF的能量值并做能量贡献分析,确定主元分量以组成故障特征向量;利用PNN网络实现故障特征向量与故障模式之间的函数映射,进行故障诊断。仿真结果和试验数据的对比证明了提出方法的有效性。     

基于改进RBF网络的多变量序列建模和预测

针对复杂系统多变量序列预测研究中数据样本过多、信息冗余等问题,从学习样本选择和聚类中心优化两方面对径向基函数(RBF)网络进行改进.基于复杂系统多变量时间序列,首先采用一个线性相关函数和一个非线性相关函数分别计算多变量状态间的线性相关性和非线性相关性,确定一个包含系统有效信息的小数据集;然后基于小数据集,采用K均值聚类方法确定RBF网络的隐层聚类中心,并引入局部搜索过程,优化聚类中心结果;输入其它训练样本,确定网络权值.仿真结果表明,与常规RBF网络学习方法比较,在隐层节点数目相同情况下,改进的方法有效地确定了网络的聚类中心,达到更好的预测精度.     

基于小波变换阈值决策的混沌信号去噪研究

基于多分辨率分析的思想，提出了一种改进的小波去噪方法．通过细化小波分解信号，能够更有效地提取出非线性系统信号．同时，根据不同尺度下小波信号的信噪比灵活地选取阈值，更加符合实际情况，有利于改善去噪效果．对Lorenz混沌时间序列和黄河年径流时间序列分别进行了仿真，结果表明了所提方法的有效性．     

一种基于神经网络的材料成分模型

为研究如何利用神经网络预测材料化合物构成，建立了一个4层前向型网络，这种网络通过改变神经元非线性变换函数的参数，使连接权调整线性化，从而可提高学习速度，减少计算量，并避免了BP网络存在的易陷入局部极小和收敛速度慢的问题，以CaO-Al2O3-SiO2系统为例进行的仿真研究结果表明，该网络可成功包含材料化合物的构成信息。