用于非线性时间序列预测的POD-RBF神经网络

基于正规正交分解(Proper Orthogonal Decomposition,POD)提出一种适用于非线性时间序列预测的径向基函数(Radial Basis Function,RBF)神经网络模型-POD-RBF神经网络模型.该模型在选取中心时考虑了时间序列数据之间的时序关系,并且使得中心的选取具有并行性.股票价格预测问题的模拟结果表明,POD-RBF神经网络可以有效地用于非线性时间序列预测问题.与基于硬C均值(Hard C-means,HCM)聚类的RBF神经网络(HCM-RBF)和基于正交最小二乘(Orthogonal LestSquare,OLS)的RBF神经网络(OLS-PBF)相比,POD-RBF神经网络不仅具有更好的训练、预测精度,而且具有更好的收敛稳定性、更好的泛化能力和抵抗噪声干扰的能力.     

电机调速系统的最优PID控制参数方法

基于电机调速系统中PID控制器参数优化问题,提出了一种采用MATLAB最优化工具箱来优化PID控制器参数的有效的方法.在选定直流电机为控制对象的情况下,根据最优化工具箱的主要特点,给出在约束条件下的优化算法.针对控制对象和控制过程,进行了电机调速系统的仿真实验.实验结果证明:采用单纯形法的调节参数自寻优方法具有良好的收敛性,计算工作量小、简单实用.