对角递归神经网络永磁同步电机的无传感器控制

分析了基于对角递归神经网络观测器控制系统的动态性能和鲁棒性能.基于对角递归神经网络观测器将实际测得的电压和电流经过坐标变换后估测出电流和角速度,用估测值与实际值的差值调节神经网络观测器连接权值,直到预测误差达到设定值.该控制器具有不依赖被控对象的精确数学模型、对外界环境变化具有学习性、自适应性及鲁棒性等特点.仿真表明,该方法具有较好的转子位置和速度跟踪特性,系统具有较强的抗负载扰动性能和控制性能,能够满足精度高、反应快、鲁棒性好的要求.     

时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机（PMSM）中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。     

时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机(PMSM)中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。     

基于EM-DRNN的风电功率预测模型

提出基于类电磁机制算法的对角递归神经网络的风电功率预测模型.对角递归神经网络属于动态递归神经网络,具有较好的动态性能;类电磁机制算法模拟电磁场中带电粒子间吸引与排斥机制,可进行全局优化,具有好的收敛性能.模型采用类电磁机制算法对对角递归神经网络进行优化,可避免使神经网络训练陷入局部最小点,提高模型的预测精度.仿真结果表明,模型可有效降低预测误差,获得满意的预测精度.     

动态T-S递归神经网络及其应用

基于递归神经网络和模糊系统,给出了一种动态T-S递归模糊神经网络(DTRFNN)。该神经网络用BP算法进行网络权值的学习,并在权值学习的基础上采用改进的BP算法克服局部极小。以动态系统的辨识为例进行仿真实验研究,并与一般的模糊神经网络进行了比较。结果表明,DTRFNN的辨识误差较小,取得了很好的辨识效果。该神经网络应用于某金属温度软测量时,能很好地实现温度的在线检测。     

基于GA-PSO-BP 的大坝变形监测模型

提出了一种基于GA-PSO 混合优化BP 神经网络的大坝变形监测模型, 将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合, 利用GA 算法的全局性和PSO 算法收敛速度快的特点,通过迭代选取最优的粒子作为BP神经网络的连接权值和阈值,以减小网络输出误差, 提高其收敛速度和加强网络泛化能力。运用GA-PSO-BP 模型对大坝自动监测数据进行预测分析, 实验结果表明GA-PSO-BP 模型优化了BP 神经网络的连接权值和阈值, 能有效提高网络训练精度与收敛速度, 有效避免早熟收敛, 使模型的整体预测效果得到提高。     

基于分布估计算法的对角递归神经网络短期负荷预测模型研究

针对传统的BP算法易陷入局部极小点,收敛速度慢,编程复杂等缺点,本文提出基于分布估计算法的对角递归神经网络的短期负荷预测模型。该模型采用分布估计算法对对角递归神经网络进行优化,仿真结果表明,该预测模型平均绝对误差降低1.097%,最大相对误差降低2.55%,该模型获得较满意的预测精度,具有较高的预测稳定性和较好的适应能力。     

对角递归神经网络在非线性内模控制中的应用

提出一种基于对角递归神经网络的非线性内模控制方案,其内部模型和内模控制器的建立均由对角递归神经网络来实现,同时改进神经网络控制器的训练函数。仿真结果表明,改进的内模控制系统与基本BP神经网络内模控制系统相比,具有跟踪速度快,超调量小,以及对对象参数摄动具有较好的适应性。     

对角递归神经网络在非线性内模控制中的应用

提出一种基于对角递归神经网络的非线性内模控制方案，其内部模型和内模控制器的建立均由对角递归神经网络来实现，同时改进神经网络控制器的训练函数。仿真结果表明，改进的内模控制系统与基本BP神经网络内模控制系统相比。具有跟踪速度快，超调量小，以及对对象参数摄动具有较好的适应性。     

基于SCAGOA优化BP神经网络和极大似然算法的DOA估计研究

利用BP神经网络和极大似然(ML)算法对阵列信号波达方向(DOA)进行估计,结合了混沌映射和群智能优化算法的优势,设计了一种正余混沌双弦蝗虫优化算法(SCAGOA),不仅解决了因神经网络的权值和阈值选取不当导致陷入局部最优的问题,而且解决了ML算法中多维搜索导致运算负荷大、效率低的问题.通过仿真实验对双信号源的输出效果...     

混合粒子群优化算法及其在预测控制中的应用

在时变加速因子的自组织粒子群算法、中值粒子群算法、混沌粒子群算法的基础上,提出了一种新的混合粒子群优化算法( MPSO),并利用这种新的算法来训练径向基函数(RBF)神经网络的参数(连接权、隐节点中心和宽度),验证了所提方法的有效性.进一步,提出了基于神经网络的非线性系统直接预测控制方案,实现非线性系统的实时控制.通过...     

前馈神经网络混合学习算法研究

提出了一种前馈神经网络混合学习算法。该算法综合考虑了影响神经网络性能的３个主要因素：权值、激励函数和拓扑结构。该算法以参数神经网络和结构学习为基础,并采用了学习速率矩阵。对双螺旋问题的仿真实验结果表明,该算法具有较快的收敛速度。     

一种基于遗传操作的神经网络混合训练算法

介绍了一种改进遗传算法的基本操作,并讨论了综合应用遗传算法及ＢＰ算法进行神经网络的权值训练。通过实例比较和分析了这种混合算法与ＢＰ算法的实验效果。     

基于混合混沌优化法的BP神经网络算法

运用混合混沌优化法训练BP神经网络，构造了基于混合混沌优化法的BP神经网络训练算法，实例说明具有较高非线性逼近能力和应用价值。     

基于动态递归模糊神经网络的动态系统辨识

模糊系统和神经网络由于具有逼近任意连续非线性映射的特性而广泛应用于系统的辨识和控制，但是传统的模糊神经网络是一种静态映射，不适用于动态系统的辨识，而现实工程中的控制对象反映的是系统的动态行为．为了提高动态系统的辨识精度，提出了一种新型的动态递归模糊神经网络，并根据动态递归神经网络的数学模型推导其动态反向传播学习算法及其改进算法．仿真结果表明：由于动态模糊神经网络的辨识过程同时利用了系统的当前数据和历史数据，对动态系统的辨识，特别是对具有纯时间延迟动态系统的辨识，较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果．同时，确定网络权值和隶属函数参数初始值的方法可使动态系统的辨识过程具有更快的收敛速度．     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.     

采用AKF神经网络的直扩系统抗干扰技术

为了消除扩频系统中的窄带干扰信号,提出了一种新的基于自适应卡尔曼滤波(AKF)学习算法的递归神经网络预测器(RNNP),其中自适应卡尔曼滤波被用于反馈修改递归神经网络的权值系数,从而准确地估计干扰信号,具有收敛速度快、预测精度高和数值鲁棒性较好的优点.仿真实验表明:基于AKF学习算法的RNNP相对于自适应线性最小均方差(LMS)干扰预测器、自适应近似条件均值(ACM)干扰预测器和基于实时递推学习(RTRL)算法的RNNP,在预测误差的均方误差、收敛速度、干噪比改善量和信噪比损失量方面上有不同程度改进.     

遗传神经网络在邮件过滤器中的应用

针对目前反垃圾邮件技术的缺点,提出一种基于遗传优化神经网络的垃圾邮件过滤器模型,利用遗传算法全局搜索能力优化神经网络连接权值,克服神经网络局部极小值点问题,提高神经网络的学习速度和识别能力。通过对遗传算法和人工神经网络算法的实现,证明它们在垃圾邮件过滤器中有很好的应用效果。     

递归神经网络的进化机器人路径规划方法

针对机器人递归神经网络控制器在进化优化过程中存在的问题,利用改进的进化算法对递归神经网络控制器进行优化设计,提出了一种基于递归神经网络的进化机器人路径规划算法,该算法利用高斯变异和柯西变异相结合的方式进行变异操作,利用个体适应度和种群多样性指标使交叉概率和变异概率进行自适应调整.给出了算法的具体步骤,并与基于标准前馈网络的路径规划方法进行了比较.仿真结果表明递归神经网络控制器对动态未知环境具有更好的适应性.     

动态递归模糊神经网络及其BP学习算法

提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法,仿真结果表明对于动态系统的辨识,动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.