加工过程的复合递归神经网络建模

针对BP神经网络的缺陷,在对角递归网络结构的基础上,提出了一种复合递归神经网络.BP算法收敛速度慢、产生局部极小点的原因之一是该算法采用了均方误差准则,为克服BP算法的不足,采用了一种广义熵方误差准则.把基于广义熵方误差准则的复合递归神经网络应用于加工过程的建模.仿真试验结果表明,复合递归神经网络建模具有比BP神经网络更快的收敛速度和更好的逼近效果.     

基于神经网络模型的传感器非线性校正

讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行不同的测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法(PRE)训练神经网络,具有收敛速度快、收敛精度高的特点.以距离传感器为例,将基于BP神经网络的校正方法应用于减少距离传感器的非线性输出误差.实验结果表明,将训练后的神经网络接入距离传感器可以得到线性的输入-输出关系,增加神经网络隐层节点的数目可以提高校正精度.当隐层节点数取为40时,用于距离传感器非线性校正的神经网络模型在训练100步后的误差指数(EI)为9.6×10-6.结果表明:本文提出的基于神经网络模型的传感器非线性校正方法是行之有效的.     

基于遗传神经网络的加速度传感器动态建模方法

提出了利用遗传神经网络实现加速度传感器动态建模的新方法，介绍动态建模原理以及算法，给出用遗传神经网络建立的加速度传感器动态数学模型。该方法利用加速度传感器的动态标定数据，采用遗传神经网络搜索和优化动态模型参数。这样，既保留遗传算法的全局搜索能力，克服神经网络容易陷入局部极小的缺陷，又具有神经网络局部搜索能力强的特点。结果表明：以上提出的动态建模方法具有建模精度高、鲁棒性好等优点。     

对角递归神经网络的LM算法及建模应用

针对递归神经网络传统BP学习算法收敛慢的缺陷,将Levenberg—Marquardt（LM）算法引入到对角递归神经网络权值的训练,这种算法提供了快速性与收敛性之间的一个折衷。仿真结果表明,该算法比传统BP算法具有更快的收敛速度,用于非线性动态系统的建模是有效的。     

基于RBF神经网络的VAV空调系统

变风量空调系统具有非线性和动态特性.目前,在VAV空调控制领域应用最广泛的神经网络是静态前馈Bp神经网络,而RBF是在Bp人工神经网络基本结构的基础上,通过存储内部状态使其具备映射动态特征的功能,从而使系统具有适应时变特性的能力.文中分别采用Bp神经网络与RBF神经网络建立模型,对VAV空调系统的少量参数的数据进行仿真预测,经比较分析,证明后者具有收敛速度快、预测精度高的特点.这表明利用RBF回归神经网络建模是可行的,其在VAV空调控制系统的研究领域有着较好的应用前景.     

传感器动态建模FLANN方法改进研究

提出一种改进的函数连接型神经网络(FLANN),并将其应用于传感器动态建模.首先,将单输入单输出(SISO)的传感器系统表达为动态差分方程模型;再充分考虑动态模型输出的历史值与参数之间的关系,对模型输出与参数的偏导数进行重新推导,得到了对权值参数偏导数的更高精度估计;最后,利用该模型梯度进行迭代训练,加快了网络收敛速度并提高了收敛的稳定性.实验结果表明,改进FLANN具有更快的收敛速度和更强的鲁棒性,十分适合传感器动态系统的建模.     

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.     

基于CMAC的非线性逆滤波器补偿热敏电阻的测量误差

热敏电阻传感器存在着严重的非线性静态特性和响应滞后的动态特性,当被测量的温度变化率高于传感器的响应速度时,测量结果与真值之间存在较大的误差。为了补偿这个测量误差,采用了一个由无限响应的IIR滤波器和静态非线性环节构成的非线性滤波器去减小误差。IIR滤波器的系数通过实验数据得到,它是传感器的动态逆模型;非线性静态环节采用单输入/单输出小脑神经网络(S ISO CM AC)实现,S ISO CM AC具有学习简单、收敛速度快、函数逼近精度高等优点。采用此方法改善热敏电阻的动态特性具有不依赖传感器模型的特点,并通过实验对该方法的有效性进行了验证。     

传感器标定的神经网络杂交建模方法

传感器标定是工程测试中的一个重要环节,直接影响测试结果的精度及可靠性.当被测物理量与传感器输出信号间的关系包含复杂、未知的非线性特性时,传统的标定方法难以达到满意的精度.引入神经网络杂交建模的思想,提出传感器标定的神经网络杂交建模方法,阐明建模过程和步骤.分别以单输入单输出和多输入多输出传感器为例,进行杂交建模标定的仿真研究, 并对一个6维力传感器样机完成了神经网络杂交建模试验标定.仿真与试验结果表明,与传统的标定方法相比,神经网络杂交建模方法能够显著提高传感器的标定精度,同时比神经网络黑箱建模方法具有更小的网络规模和更快的收敛速度,且精度高,泛化推广能力强.     

基于双隐层动态递归神经网络的航煤比重软测量

针对原油蒸馏装置常压塔航煤比重模型具有动态特性的特点，提出采用隐层动态递归神经网络（DRNN）实现比重的软测量，推导了双隐层DRNN的权值学习算法，并利用在线比重分析仪构成了航煤比重软测量模型的在线校正，在某炼油厂常压塔装置实际投用表明，基于双隐层DRNN比重软测量模型具有较高的测量精度。     

Adaptive prediction of forest fire behavior on the basis of recurrent neural networks

A method of modeling a dynamic process on the Earth surface, for instance, a forest fire, with the use of a recurrent neural network is proposed. The learning process of the neural network, similar to the process of data assimilation in GIS technologies, is described. A method of acceleration of neural network learning by using the Kalman filtration is proposed. The efficiency of its application is analyzed, and the neural network parameters at which it is reasonable to use the Kalman filter are determined.     

The experimental identification of magnetorheological dampers and evaluation of their controllers

Magnetorheological (MR) fluid dampers are semi-active control devices that have been applied over a wide range of practical vibration control applications. This paper concerns the experimental identification of the dynamic behaviour of an MR damper and the use of the identified parameters in the control of such a damper. Feed-forward and recurrent neural networks are used to model both the direct and inverse dynamics of the damper. Training and validation of the proposed neural networks are achieved by using the data generated through dynamic tests with the damper mounted on a tensile testing machine. The validation test results clearly show that the proposed neural networks can reliably represent both the direct and inverse dynamic behaviours of an MR damper. The effect of the cylinder's surface temperature on both the direct and inverse dynamics of the damper is studied, and the neural network model is shown to be reasonably robust against significant temperature variation. The inverse recurrent neural network model is introduced as a damper controller and experimentally evaluated against alternative controllers proposed in the literature. The results reveal that the neural-based damper controller offers superior damper control. This observation and the added advantages of low-power requirement, extended service life of the damper and the minimal use of sensors, indicate that a neural-based damper controller potentially offers the most cost-effective vibration control solution among the controllers investigated.     

寄生式时栅传感器动态测量误差的贝叶斯建模

为了提高寄生式时栅传感器的测量精度,分析了它的工作原理和动态误差组成,得到其主要误差分量为常值误差、周期误差和随机误差等。针对寄生式时栅误差特点,建立了寄生式时栅动态误差高精度预测模型,并与其他建模方法进行了比较。选用插入标准值的贝叶斯预测模型,以实际测量的传感器第一个对极动态误差数据进行建模,在后续对极特定位置插入部分实际误差测量数据,建立误差预测模型,预测了传感器后83个对极的动态误差。另选用三次样条插值和BP神经网络建模方法对寄生式时栅整圈动态误差建模,并与建立的误差模型进行了对比。验证实验表明,三次样条插值建模时间最短(0.62s),但其建模精度不高(16.050 0″);贝叶斯动态模型建模时间(0.86s)略长于三次样条插值,但建模精度最高(0.415 3″);BP神经网络建模时间最长(32min),但建模精度最低(19.680 2″)。同时贝叶斯插入标准值建模方法所需数据点(69395个)远少于三次样条和BP神经网络建模数据点(235526个),节省了大量的标定时间和建模数据量,因此可用于寄生式时栅传感器的动态测量误差高精度建模修正。     

EKF神经网络算法在疏浚作业建模中的应用

提出了基于EKF神经网络的疏浚作业过程动态演化建模方法。在神经网络建模过程中引入卡尔曼滤波思想,利用扩展卡尔曼滤波实时更新神经网络模型的权重,从而获得能有效跟踪挖泥船疏浚过程工况变化的模型。     

基于神经网络技术的快速称重传感器研究

本文着重阐述了基于神经网络理论,设计出称重传感器神经网络动态补偿器。通过实际模型及其分析提出了快速称重方法和提高传感器性能的原理,将先进控制理论应用于实际传感器系统中,为提高传感器性能开辟了新途径。     

Temporally local recurrent radial basis function network for modeling and adaptive control of nonlinear systems

In this paper, a novel temporally local recurrent radial basis function network for modeling and adaptive control of nonlinear systems is proposed. The proposed structure consists of recurrent hidden neurons having weighted self-feedback loops and a weighted linear feed-through from the input layer directly to the output layer neuron(s). The dynamic back-propagation algorithm is developed and used for updating the parameters of the proposed structure. To improve the performance of learning algorithm, discrete Lyapunov stability method is used to develop an adaptive learning rate scheme. This scheme ensures the faster convergence of the parameters and maintains the stability of the system. A total of 5 complex nonlinear systems are used to test and compare the performance of the proposed network with other neural network structures. The disturbance rejection tests are also carried out to check whether the proposed scheme is able to handle the external disturbance/noise signals effects or not. The obtained results show the efficacy of the proposed method.     

IEEE 1451网络化智能传感器的通用建模方法及应用

为提高网络化智能传感器的互操作性,在分析IEEE 1451标准传感器的定义和功能需求的基础上,利用统一建模语言(UML),分别从静态用例建模、动态顺序描述和系统部署3个层面构建了一系列面向网络化测控的通用型智能传感器系统模型,搭建了一款可用于在线检测绝缘子污秽状况的网络化智能传感器。相对于从传感器原型开始开发,该方法减少了60%以上的开发时间。实验结果表明,利用UML统一建模方法可以有效描述基于IEEE 1451标准的网络化智能传感器的简化模型,为后续研制及优化高性能的智能传感器提供理论参考和模型基础。建立的传感器模型具有通用性和可扩展性,能关联不同的物理接口;结合实际需求,可在该模型的基础上快速扩展构建所需的网络化智能传感器,能实现传感器的"即插即用"和实现良好的网络互操作性。     

基于DRNN动态整定PMSM的SVPWM控制

为解决传统的永磁同步电机控制系统中存在的低速转矩脉动大以及由此引起的高频噪声、动态响应慢等问题,提出了一种基于对角神经网络动态自整定的永磁同步电机矢量控制系统的实施方案.给出了基于对角递归神经网络的PID动态自整定控制器的结构,以及PID参数动态自整定的学习控制算法,并将这种综合控制策略引入永磁同步电机空间电压矢量PWM控制中.仿真结果表明,系统低速性能好,转矩脉动小,谐波含量少,当电机参数改变或者受到外部扰动时,系统具有良好的动态特性.