基于自组织模糊神经网络的污水处理出水水质预测建模

提出了一种新的自组织模糊神经网络算法,该算法能够基于输入数据自动进行神经网络结构辨识和参数辨识。首先采用一种自组织聚类方法得到神经网络的结构和网络参数初值,然后采用监督学习来优化网络参数。以某污水处理厂的运行数据为对象,应用该自组织模糊神经网络建立了活性污泥污水处理系统出水水质预测模型。仿真结果表明,该模型能够对污水处理系统出水水质进行较好的预测。     

一种基于模糊神经网络的非线性系统模型辨识方法

该文提出一种非线性系统的模型辨识方法。通过结构的辨识(学习)和参数的辨识(学习),构造了一个模糊神经网络,经调整网络的权值,获得一个精确的模糊模型。对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

系统辨识研究的现状

综述了系统辨识问题的研究进展,介绍了经典的系统辨识方法及其缺点,引出了将集员、多层递阶、神经网络、遗传算法、模糊逻辑、小波网络等知识应用于系统辨识得到的一些现代系统辨识方法,最后总结了系统辨识今后的发展方向。     

基于预报误差法的神经网络辩识

针对传统系统辨识存在的缺点,提出了基于预报误差法的神经网络辨识方法,将神经网络的预报误差法应用于系统辨识中,通过调节神经网络连接权值可使网络输出逼近系统输出。神经网络作为实际系统的辨识模型,可以用于在线控制。仿真实例表明其收敛速度快于BP算法。     

神经网络在系统辨识中的应用研究

系统辨识在工业方面应用广泛，用神经网络进行系统辨识适用于线性系统和非线性系统。对系统辨识及神经网络均作了较为详细的介绍，并以BP网络为例介绍了网络的初始化、训练和仿真函数，给出了网络结构的设计和辨识结果的输出。     

基于神经网络改进的系统辨识方法

本文介绍了系统辨识的内容和步骤,通过对神经网络中有噪声干扰的二阶系统模型辨识的问题,提出了改进的神经网络MBP模型辨识方法,并仿真验证,证明了BP网络具有较全面的系统辨识能力,功能强大,适用面广,泛化能力优良。     

基于RBF神经网络系统辨识研究

从神经网络系统辨识原理出发，利用Matlab神经网络工具箱中提供的一组输入输出数据对，应用RBF网络进行系统辨识，建立RBF神经网络辨识模型，模拟其输出曲线，井且对辨识结果做了对比分析，进而实现了RBF网络的最佳逼近性质。     

雷达目标辨识网络的对抗性样本分析

为了验证雷达目标辨识网络存在风险,提升基于辨识网络的雷达目标辨识效果,文中研究了不同雷达目标辨识网络的对抗性样本。针对雷达目标辨识网络中的卷积神经网络和分解卷积神经网络,建立对抗性样本生成模型,按照该模型生成对抗性样本,并对生成的结果进行分析总结。实测数据处理结果表明,雷达目标辨识网络存在潜在风险。     

一种递归模糊神经网络自适应控制方法

构造了一种递归模糊神经网络(RFNN),该RFNN利用递归神经网络实现模糊推理,并通过在网络的第一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性.     

神经网络在系统辨识中的应用

系统辨识在工业方面应用广泛,该文从基本的智能控制技术——神经网络(NN)技术出发,提出了一种利用神经网络进行系统辨识的方法.该辨识方法显示出很强的处理问题的能力,无需辨别系统阶次.辨识结构简单,精度高.仿真结果表明这种方法的有效性和可行性.本论文共分为四部分:第一部分介绍了神经网络用于系统辨识的特征,第二部分讲述了神经网络的工作原理,包括神经网络的模型、传递函数及训练过程,第三部分讲述了神经网络进行系统辨识的仿真实例,第四部分对上述内容作了简要小结.     

Widrow-Hoff神经网络学习规则的应用研究

基于线性神经网络原理,提出线性神经网络的模型,并利用Matlab实现Widrow-Hoff神经网络算法。分析Matlab人工神经网络工具箱中有关线性神经网络的工具函数,最后给出线性神经网络在系统辨识中的实际应用。通过对线性神经网络的训练,进一步验证Widrow-Hoff神经网络算法的有效性,以及用其进行系统辨识的高精度拟合性。     

利用改进的BP算法实现神经网络辨识仿真

系统辨识是控制系统设计的基础。基于多层前馈神经网络结构,采用一种改进的BP算法,利用二阶梯度变尺度模型,完成了神经网络非线性系统辨识。与传统的辨识方法比较,神经网络应用于非线性系统辨识具有泛化功能和很好的容错能力,是一种不依赖模型的自适应函数估计器。采用一种改进的BP算法有效地改善了系统收敛速度慢的问题,BP模型已成为神经网络的重要模型之一,从而为控制系统正确设计奠定理论基础。     

基于Matlab的BP神经网络结构与函数逼近能力的关系分析

人工神经网络是一种非线性动态数学模型,广泛应用于非线性系统建模、系统辨识、函数逼近等方面。介绍BP网络的结构和学习过程,并介绍利用Matlab人工神经网络工具箱设计BP网络的步骤,在此基础上设计了BP网络以验证其函数逼近能力,仿真结果说明了BP网络具有很强的函数逼近能力。并分析BP网络结构和函数逼近能力的关系,得出网络的结构直接影响网络对函数的逼近能力和效果。     

Linear and nonlinear ARMA model parameter estimation using anartificial neural network

Addresses parametric system identification of linear and nonlinear dynamic systems by analysis of the input and output signals. Specifically, the authors investigate the relationship between estimation of the system using a feedforward neural network model and estimation of the system by use of linear and nonlinear autoregressive moving-average (ARMA) models. By utilizing a neural network model incorporating a polynomial activation function, the authors show the equivalence of the artificial neural network to the linear and nonlinear ARMA models. They compare the parameterization of the estimated system using the neural network and ARMA approaches by utilizing data generated by means of computer simulations. Specifically, the authors show that the parameters of a simulated ARMA system can be obtained from the neural network analysis of the simulated data or by conventional least squares ARMA analysis. The feasibility of applying neural networks with polynomial activation functions to the analysis of experimental data is explored by application to measurements of heart rate (HR) and instantaneous lung volume (ILV) fluctuations     

Statistical analysis of neural network modeling and identificationof nonlinear systems with memory

The paper presents a statistical analysis of neural network modeling and identification of nonlinear systems with memory. The nonlinear system model is comprised of a discrete-time linear filter H followed by a zero-memory nonlinear function g(.). The system is corrupted by input and output independent Gaussian noise. The neural network is used to identify and model the unknown linear filter H and the unknown nonlinearity g(.). The network architecture is composed of a linear adaptive filter and a two-layer nonlinear neural network (with an arbitrary number of neurons). The network is trained using the backpropagation algorithm. The paper studies the MSE surface and the stationary points of the adaptive system. Recursions are derived for the mean transient behavior of the adaptive filter coefficients and neural network weights for slow learning. It is shown that the Wiener solution for the adaptive filter is a scaled version of the unknown filter H. Computer simulations show good agreement between theory and Monte Carlo estimations     

A fully automated recurrent neural network for unknown dynamic system identification and control

This paper presents a fully automated recurrent neural network (FARNN) that is capable of self-structuring its network in a minimal representation with satisfactory performance for unknown dynamic system identification and control. A novel recurrent network, consisting of a fully-connected single-layer neural network and a feedback interconnected dynamic network, was developed to describe an unknown dynamic system as a state-space representation. Next, a fully automated construction algorithm was devised to construct a minimal state-space representation with the essential dynamics captured from the input-output measurements of the unknown system. The construction algorithm integrates the methods of minimal model determination, parameter initialization and performance optimization into a systematic framework that totally exempt trial-and-error processes on the selections of network sizes and parameters. Computer simulations on benchmark examples of unknown nonlinear dynamic system identification and control have successfully validated the effectiveness of the proposed FARNN in constructing a parsimonious network with superior performance.     

涡流检测中的组合神经网络模型

针对使用单一神经网络在缺陷识别中存在的输入矢量维数高,结构复杂及训练时间长等问题,本文提出了组合神经网络模型,这一模型采用逐级判别的方法,每级判断均采用独立的神经网络子模块,各模块采用随机学习算法分别进行训练.裂缝识别的计算实例表明,这一组合模型使神经网络输入变量的维数从N²降低到N,网络结构大为简化,训练速度很快,同时具有较高的缺陷识别率,可推广应用于实时涡流检测中.