基于PCA和神经网络的农残含量预测模型研究

为提高快速检测农残含量的精度,针对建模数据特征发生明显变化的实际情况,提出了一种结合主成分分析（PCA）和神经网络的分段多模型方法。提取建模数据的前2个主成分作为模型的输入,分别使用主成分回归（PCR）和BP/RBF神经网络建立单一及分段多模型。通过计算模型验证集的输出总误差和误差百分比,对比模型检测精度。试验表明：与单一模型相比,利用神经网络建立的分段多模型可以显著降低农药含量的预测误差,使用BP和RBF网络建立的低浓度段模型的输出误差百分比分别为0.8%和0.4%,RBF网络效果更好。该方法可以在待测农药的较大浓度范围内实现定量检测,具有较强的实用性。     

基于多项式拟合的压电陶瓷迟滞神经网络建模

在压电陶瓷致动器优化设计的研究中,针对压电陶瓷的迟滞非线性特性,提出了一种基于多项式拟合算法的神经网络建模方法.由于压电陶瓷驱动器的迟滞现象是一种多对多的映射关系,而传统的建模方法只能对一对一映射进行建模.为解决上述问题,在对压电陶瓷迟滞现象的形成原因和特点进行深入分析的基础上,采用多项式拟合和神经网络相结合的方法对压电陶瓷驱动器的迟滞现象进行建模.仿真结果表明,采用多项式拟合算法的神经网络建模克服了传统建模方法只能对迟滞曲线进行分段建模的局限性,且拟合精度比较高,神经网络正模型的拟合误差为1.45％,神经网络逆模型的拟合误差为1.16％.表明上述神经网络模型精确地反映了压电陶瓷的迟滞特性.     

微位移系统中压电陶瓷驱动器迟滞建模

针对超精密微位移系统中压电陶瓷驱动器的迟滞非线性问题,提出了一种基于遗传反向传播(BP)神经网络的压电陶瓷迟滞非线性建模方法.通过电涡流位移传感器获取压电陶瓷驱动器不同电压值下所对应的位移值;利用六次多项式拟合获得迟滞的数学模型,从而建立基于遗传BP神经网络的迟滞,模型.实验结果显示:该迟滞模型在神经网络测试下的最大误差为0.082 1 μm,平均绝对误差为0.0158 μm.表明,所建的迟滞模型能够较精确地反映出压电陶瓷驱动器的迟滞特性,同时为微位移控制系统设计提供了一定的理论基础.     

压电陶瓷驱动器迟滞非线性误差的建模与分析

压电陶瓷驱动器的最大迟滞非线性误差可以超过输出行程的15%,而快刀伺服系统(FTS)要求重复定位精度优于10 nm,相对线性度误差优于0.5%,压电陶瓷驱动器的误差无法满足该精度要求;首先对压电陶瓷迟滞非线性误差进行实验分析,将迟滞非线性误差分为频率无关迟滞现象和频率相关迟滞现象;接着对Bouc-Wen(BW)和Prandtl-Ishlinskii(PI)的频率无关迟滞模型进行修正和对比,确定了采用PI模型描述本文的频率无关迟滞现象,PI模型对频率无关迟滞曲线的辨识精度为0.392%;然后设计基于Hammerstein模型的频率相关迟滞模型,Hammerstein模型对频率相关迟滞曲线的辨识误差相比PI模型时,其均方根值降低了88.068%;提出了压电陶瓷驱动器迟滞非线性误差的建模方法,并分析了其有效性和准确性,给FTS伺服控制提供了一种实用的前馈控制器。     

基于径向基神经网络的压电作动器建模与控制

针对压电作动器(piezoelectric actuator,PEA)的率相关迟滞非线性特性,构建了Hammerstein模型对压电作动器建模.采用径向基(radial basis function,RBF)神经网络模型表征迟滞非线性,利用自回归历遍模型(auto-regressive exogenous,ARX)表征频率的影响,并对模型参数进行了辨识.此模型可以在信号频率在1～300 Hz范围内时,较好地描述压电作动器的迟滞特性,建模相对误差为1.99%～4.08%.采用RBF神经网络前馈逆补偿控制,结合PI反馈的复合控制策略实现跟踪控制,控制误差小于2.98%,证明了控制策略的有效性.     

循环神经网络前馈补偿的压电驱动器跟踪控制

压电驱动器固有的迟滞特性,以及其他动态特性严重地影响其跟踪性能.循环神经网络能够准确拟合非线性系统,并且具有记忆存储能力,本文设计了一种循环神经网络对压电驱动器的迟滞特性进行建模,进而得到能够准确模拟输出位移和输入电压之间关系的逆模型,并据此对压电驱动器进行前馈补偿.此外,考虑到建模误差以及其他扰动对驱动器跟踪精度的影...     

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神经网络的压电位移台迟滞非线性建模研究

针对压电陶瓷微位移台固有的率相关迟滞非线性特性,以基于play算子的改进PPI模型构建迟滞算子,结合径向基(Radial Basis Function,RBF)神经网络模型,建立描述压电陶瓷微位移台迟滞特性的率相关模型.研究结果表明,在输入信号频率在10 Hz～90 Hz范围内时,模型输出的最大位移误差为0.399 0 μm～0.932 1 μm,均方根误差为0.259 4 μm～0.565 2 μm,相对误差为0.95％～2.48％.验证了基于PI迟滞算子和RBF神经网络的仿真模型能够准确有效的描述压电微位移台的率相关动态迟滞特性,具有较高的频率泛化能力.该方法易于实现,工程适用性强,具有较好的实用价值.     

基于改进BP神经网络的中央空调冷负荷预测研究

针对中央空调系统冷负荷预测中BP神经网络预测收敛慢,易陷入局部最优,精度相对低的缺点,采用了收敛速度快,全部搜索能力强的粒子群优化算法进行改进,同时对BP结构中的输入参数,添加控制误差反馈参数,形成了基于粒子群与控制误差回馈的BP神经网络预测技术;其预测精度较BP神经网络和粒子群BP神经网络分别提高5.94%和0.82%。     

压电陶瓷迟滞神经网络建模与线性补偿控制

针对压电陶瓷的迟滞非线性,本文首先进行实验测量得到压电陶瓷的位移迟滞数据;通过分析实验数据,引入线性方程实现压电陶瓷输入电压与输出位移关系的线性化,并建立了基于多项式拟合算法的神经网络迟滞模型;根据迟滞模型设计前馈控制器,分别采用了前馈开环和前馈结合PID的方法对压电陶瓷迟滞非线性进行补偿控制实验.实验结果表明,采用前馈开环控制,压电陶瓷位移主环迟滞减小了91.84%,位移次环迟滞减小了85.67%,位移跟踪的平均相对误差为2.97%;采用前馈结合PID控制,压电陶瓷位移主环迟滞减小了96.42%,位移次环迟滞减小了88.44%,位移跟踪的平均相对误差为2.04%.证明了该控制方法能有效地抑制压电陶瓷的迟滞非线性.     

基于BP与RBF神经网络经济预测模型的研究

该文结合经济预测理论和BP神经网络算法和RBF神经网络的特点,研究浙江省基于BP神经网络算法和RBF神经网络算法的人工神经网络的经济增长预测.实证研究数据结果表明,人工神经网络具有较好的预测精度,但是各种神经网络进行经济增长预测的数据不一样,有些误差非常大.人工神经网络可以为宏观经济部门决策提供很好的参考依据.     

基于径向基的瓦斯涌出量灰色预测模型

为了进一步预防煤层瓦斯突出,实现准确、快速预测煤矿瓦斯涌出量的大小,首先采用1-AGO对样本数据进行处理,建立灰色(GM)预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;采用阜新煤矿某工作面瓦斯涌出量的历史数据进行建模,实验结果表明,GM-RBF组合模型在预测精度及训练误差方面均优于单一的GM模型和RBF神经网络预测模型;算法计算简便,减弱了数据的随机性及模型误差,煤矿瓦斯涌出量的预测平均误差减小到1.57%。     

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于核方法的移动机器人远程控制时延预测与分析

构建了基于Internet的移动机器人控制平台,针对该平台中网络时延的非线性特性,提出了利用线性核和RBF核方法对网络时延序列样本进行回归建模和预测。比较了核方法、BP神经网络和RBF神经网络算法预测误差,表明在移动机器人远程控制中,核方法对网络时延序列预测具有更好的函数逼近能力和较高的预测精度,从而可根据预测时延调节移动机器人控制指令和状态信息的网络传输,保证系统的可靠性,提高移动机器人的控制性能。     

基于阵列测量与数据融合的高精度硅压阻式气压变送器的研制

气压是评价大气环境变化的关键性参数。为提高传统硅压阻式气压测量系统的精度,研究并实现了一种基于MEMS气压传感器阵列式测量和粒子群优化（PSO）反向传播（BP）神经网络数据融合处理的高精度数字气压变送器,给出了相应的硬件结构和软件设计,并通过STM32平台对μC/OS-II与μC/GUI进行了整合移植和显示优化。结合实验测量数据,从非线性误差、迟滞误差、重复性误差及其整体精度等方面对PSO-BP神经网络算法在硅压阻式气压测量系统中应用的性能进行了研究————————————与分析。研究结果表明,在-20℃~60℃的温度范围内,本文研制的低成本嵌入式硅压阻气压变送器的整体测量精度约为±0.095%FS,基本满足大气探测应用的要求。     

一种优化的RBF神经网络模型用于网络流量预测

采用径向基RBF神经网络对网络流量数据的时间序列进行建模与预测。采用传统的学习算法对RBF网络训练时,对网络流量数据容易出现过拟合现象,提出了自适应量子粒子群优化AQPSO算法,用于训练RBF神经网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改善了RBF神经网络的泛化能力。实验结果表明,采用AQPSO算法获得的RBF神经网络模型具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

采用BP神经网络拟合光纤位移传感器特性曲线

采用BP神经网络对光纤位移传感器特性曲线进行拟合。通过实验获得光纤位移传感器的实验数据,引入BP神经网络对光纤位移传感器的输入输出特性曲线和迟滞特性曲线进行拟合。Matlab仿真结果表明,该方法取得了较好的曲线拟合效果。     

基于改进RBF算法的蓄电池荷电状态估计研究

针对径向基神经网络在SOC预测过程中随机产生基函数中心和宽度的不稳定性导致预测精度不佳的问题，提出一种改进RBF的蓄电池SOC估计方法，以麻雀搜索算法优化RBF网络参数以提高网络预测精度。在DST工况仿真验证SSA参数优化的有效性，在US06和FUDS工况下，分别利用改进径向基神经网络、RBF、极限学习机与BP神经网络对SOC进行预测。对比分析结果表明，SSA-RBF在SOC估计精度方面表现更优，将估计误差降低到2%以内，能够完成高精度的SOC估计，具有一定的理论研究意义与应用价值。     

基于神经网络的交通事故仿真预测方法

通过对道路交通事故影响因素的分析,建立了关于道路交通事故影响因素的层次结构模型,并根据此模型建立基于RBF神经网络的道路交通事故计算机仿真预测方法.结合我国1978～2007年道路交通事故次数对RBF神经网络进行训练、检验和预测,同时与BP神经网络预测方法进行比较.结果表明RBF神经网络的平均误差和收敛次数分别为1.19%和701次,而BP神经网络则为9.8%和2401次,可见RBF神经网络具有更快的运算速度和更高的精度.     

基于RBF神经网络的全姿态磁航向误差建模与补偿

对磁罗盘系统误差和目前多数文献所提出的全姿态磁航向误差补偿方法的不足进行了分析.针对具有一定俯仰角或横滚角的磁罗盘系统磁航向误差建模和补偿问题,提出了基于径向基函数(RBF)神经网络的修正方法,并与BP神经网络方法进行了比较.在分析算法原理的基础上进行了实验仿真,结果表明:采用RBF神经网络在明显提高网络收敛速度的基础上,大大减小了全姿态磁航向误差,校正效果优于BP神经网络.