基于随机神经网络的多步网络时延预测模型

网络时延的动态变化反映了网络路径的负载特征,对时延的精确预测是实施网络拥塞控制、路由选择的重要依据,建立了基于随机神经网络的时延预测模型,该模型克服了传统时间序列预测方法受随机干扰因素影响大、模型结构辨识过程繁琐,以及传统神经网络预测方法易于陷入局部极值、偏离全局最优的缺点.仿真实验表明,在提前单步和多步的预测中该模型比AR模型、RBF神经网络预测算法的准确度更高.     

基于神经网络的网络时延预测

本文提出了利用RBF神经网络和Elman神经网络预测网络传输时延,运用Matlab软件对其预测进行仿真,结果证明RBF神经网络和Elman神经网络都能很好的预测网络时延,通过对比仿真结果分析,得出各自进行时延预测的适用条件.     

无线网络环境下移动机器人的控制策略研究

在移动机器人控制性能优化的研究中,针对无线控制网络中存在时延的情况,进行了控制器与补偿器的研究与设计.首先建立了移动机器人动力学模型,并针对模型设计离散反演控制器使移动机器人能够对给定信号进行跟踪.引入无线网络,进而分析网络时延对无线网络控制系统性能的影响,并针对网络时延利用预测控制算法设计控制序列预测补偿器,从而完成在时延存在的情况下仍然可以对移动机器人进行准确控制的无线移动机器人控制系统.仿真结果表明,设计的控制器与补偿器为无线网络环境下移动机器人的控制性能优化提供了参考.     

基于RBF网络和AR模型的网络时延预测

分析了网络传输时延的组成和特点，提出了利用AR模型和RBF神经网络预测网络传输时1延，运用Matlab软件对其预测进行仿真．结果证明AR模型和RBF神经网络都能很好的预测网络时延，通过对比仿真结果分析，得出各自进行时延预测的适用条件。     

基于ARMA模型的NCS前向时延预测研究

网络化控制系统（Networked Control System,NCS）中固有的网络时延会降低系统性能甚至导致系统不稳定,网络时延主要包括前向时延和后向时延。考虑到前向时延在控制器设计控制律时尚未发生,采用自回归滑动平均模型对前向时延进行预测,并将其与径向基函数（RBF）神经网络预测结果进行了对比分析,验证了所给方法的有效性和优越性。     

基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。     

基于RBF神经网络PID控制的无线网络时延控制研究

针对不确定时延影响无线网络控制系统的控制性能、常规PID控制策略无法满足网络控制要求的问题,提出了一种基于RBF神经网络PID控制的无线网络时延控制方案。采用Matlab/Simulink的TrueTime工具箱建立了无线网络时延控制系统仿真模型,介绍了模型中网络模块、执行器模块、控制器模块的设计及RBF神经网络整定PID控制器参数的实现原理。仿真结果表明,与常规PID控制策略相比,RBF神经网络PID控制策略能够在一定程度上降低不确定时延对无线网络控制系统的影响,从而提高无线网络控制系统的稳定性。     

基于神经网络的时延预测算法研究

网络控制系统由于时延的存在,其稳定性通常难以保证,一般要求控制器能够准确预知系统的时延 值.网络形式的不同..时延的变化具有规律性或无序性.针对网络时延变化的不同情况,提出了利用线性神经网络和 RBF径向基函数网络技术对时延进行预测.通过对二者预测仿真结果的对比分析,得出了其各自进行时延预测的 适用条件.     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数(RBF)神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLAB R2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数（RBF）神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLABR2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

Online identification using radial basis function neural network coupled with KPCA

In this paper, we are going to propose an online radial basis function (RBF) neural network algorithm without any preprocessing step. Then a kernel principal component analysis (KPCA) is coupled with the proposed online RBF neural network algorithm. Indeed, the KPCA method is used as a preprocessing step to reduce the feature dimension which fed to the RBF neural network. Reducing memory requirements of the models makes RBF neural network training efficient and fast. These two proposed algorithms are applied, with success, for identification of a mobile robot position. The simulation results present that the used sigmoid function as a kernel, compared to other kernel functions, which gives an excellent model and a minimum mean square error.     

Neural network-based Smith predictor design for the time-delay in a tele-operated control system

This article presents a methodology for compensating for the time-delay effects in tele-operated control systems. Compensation can be carried out by a neural network. A tele-operated system consists of a master robot to give commands, and a slave robot to work with the environment. The positional command by the master robot is transferred to the slave robot, and the contact force from the environment is transferred back to the master robot. The structure of the Smith predictor is modified by replacing the linear estimator with a neural network whose structure is based on the radial basis function (RBF). The RBF network identifies the slave model to deal with the nonlinearities in the system. Simulation studies have been conducted, and experimental studies of one-directional force control were performed to confirm the simulation results.     

基于 RBF 神经网络的钢构件质量追溯系统研究

提出一种基于RBF神经网络的数据挖掘方法,将RBF神经网络应用于数据挖掘的分类和预测中,解决钢构件过程中的性能预测问题。其中用黄金分割法确定基于RBF神经网络的隐层节点数,减少该算法的计算复杂度,最终将其应用于某钢铁企业质量控制系统。构建对钢构件质量检测的数据挖掘及质量追溯平台,该平台是基于RBF神经网络的数据挖掘技术的。实际应用证明,产品的质量合格率可达到96.27%,符合国家相关的标准和技术指标。     

3RPS/UPS并联机器人神经网络观测器反演控制

为了增强4D互动立体游戏仿真模拟平台的刚度和运动性能，将带冗余结构的3RPS/UPS并联机器人应用其中。首先对其结构进行介绍及逆运动学分析，然后针对传统PID控制在控制精度方面的不足，提出了一种基于神经网络观测器的反演控制方法。最后利用MATLAB对其进行建模以及系统仿真实验，并与传统PID控制以及一般的RBF神经网络自适应控制进行对比。由仿真结果可以看出，根据RBF神经网络观测器估计系统状态值，并应用反演控制理论设计控制器，能实现很好的状态观测，从而实现无需速度信号的位置跟踪。该方法也能够在一定程度上提高精度，且其整体控制效果优于传统PID控制器，相比于一般的RBF神经网络自适应控制也有了一定的改进。     

基于径向基函数神经网络的航向角精确测量

针对移动机器人定位中航向角精确测量问题,设计了径向基函数 (RBF)神经网络来实时获取精确的航向角。使用正交最小平方 (OLS)算法训练神经网络,确定构建RBF网络所需的相关参数。基于RBF神经网络的组合传感器测量系统不仅能消除测量误差,使机器人工作过程中的定位精度提高近 8倍,且具有一定的工程实用性。实验结果表明:构建的RBF神经网络能够实时获取精确航向角,保证移动机器人在户外工作环境中完成指定任务。     

基于模糊模型和神经网络的多时滞不确定非线性系统的鲁棒H∞控制

针对一类具有多时滞的不确定非线性系统,提出了一种基于模糊模型和神经网络的组合控制方法.利用具有多时滞的模糊T-S模型对系统进行近似建模并给出基于线性矩阵不等式(LMI)的模糊H∞控制律.提出完全自适应RBF神经网络控制方法,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,来对消系统的未知不确定性和模糊建模误差的影响,不要求系统的不确定项和模糊建模误差满足任何匹配条件或约束,并证明了闭环系统的稳定性.最后,将所提出的方法应用到一具有多时滞的非线性混沌系统,仿真结果表明了该方法的有效性.     

基于在线减法聚类的RBF神经网络结构设计

以设计最小径向基函数（RBF）神经网络结构为着眼点,提出一种在线RBF网络结构设计算法.该算法将在线减法聚类能实时跟踪工况的特性与RBF网络参数学习过程相结合,使得网络既能在线适应实时对象的变化又能维持紧凑的结构,有效地解决了RBF神经网络结构自组织问题.该算法只调整欧氏距离距实时工况最近的核函数,大大提高了网络的学习速度.通过对典型非线性函数逼近和混沌时间序列预测的仿真,表明所提出的算法具有良好的动态特性响应能力和逼近能力.     

两级传感器信息融合的移动机器人避障研究

针对移动机器人的避障问题,以AS-R移动机器人为研究平台,提出了一种将神经网络和模糊神经网络相结合的两级融合方法。采用BP神经网络对多超声波传感器信息进行融合,以减少传感器信息的不确定,提高对障碍物识别的准确率;采用模糊神经网络实现移动机器人的避障决策控制,使之更适合系统的避障要求。该方法使移动机器人在避障中具有较好的灵活性和鲁棒性。机器人避障实验验证了所提方法的有效性。     

Neural network MBPC for mobile robot path tracking

This paper presents a way of implementing a model-based predictive controller (MBPC) for mobile robot path tracking. The method uses a non-linear model of mobile robot dynamics and thus allows an accurate prediction of the future trajectories. Constraints on the maximum attainable speeds are also considered by the algorithm. A multilayer perceptron is used to implement the MBPC. The perceptron has been trained to reproduce the MBPC bahaviour in a supervised way. Experimental results obtained when applying the neural network controller to a TRC labmate mobile platform are given in the paper.     

基于RBF神经网络的多关节机器人固定时间滑模控制

针对具有典型非线性特性的多关节机器人轨迹跟踪控制问题,提出一种基于径向基函数(RBF)神经网络的固定时间滑模控制方法.首先,基于凯恩方法建立包括系统模型不确定性以及外部干扰在内的多关节机器人动力学模型;然后,根据机器人动力学模型设计一种固定时间收敛的滑模控制器, RBF神经网络用来逼近系统模型中的不确定性项,并利用Lyapunov理论证明该系统跟踪误差能在固定时间内收敛;最后,对特定型号的多关节机器人虚拟样机进行仿真分析,结果表明:与基于RBF神经网络的有限时间滑模控制器相比,所提出控制器具有良好的跟踪性能且能保证系统状态在固定时间内收敛.