基于BP神经网络的结构系统跟踪辨识方法

针对人工神经网络在结构系统辨识中存在的问题,提出一种基于BP神经网络的跟踪辨识方法.通过将实际结构模型分为一个机理模型和一个实时误差模型,前者基于常规的BP神经网路通过离线训练而成,而后者通过小型的BP神经网络实时辨识系统误差,进而使这种经过改进的系统识别网络能够具有动态递阶识别系统的能力.计算机仿真分析表明,这种方法可有效地减小由于不同外荷载作用引起的结构系统辨识误差,提高人工神经网络在系统辨识中的精度和可靠度.     

精密机械热动态误差模糊神经网络建模研究

结合模糊逻辑与人工神经网络的优点,提出精密机械热动态误差的模糊神经网络模型,并在多变量模糊模型后件结构与参数辨识中提出了主分量分析建模的新方法.基于语言控制规则的模糊模型,采用模糊推理方法,建模的关键在于结构辨识和参数辨识. 采用主分量分析方法可有效地辨识模型后件的结构与参数.为克服建模用的有效数据量少于后件参数,而无法建立相应的模糊模型这一问题,采用一种多变量系统的模糊神经网络建模方法,利用神经网络具有学习的能力,通过使用适当数量的具有充分激励信息的优选数据组作为学习样本对神经网络进行训练,从而建立起模糊神经网络模型.当辨识的模型精度达不到要求时,可应用模糊神经网络的多次训练获取更高的模型精度.实测数据建模表明,模糊神经网络模型能有效地描述热动态误差.     

基于神经网络参数自整定PID控制的应用

本文基于BP神经网络PID控制器控制校园的热水供应系统,利用神经网络的自学习能力进行PID控制参数的在线整定。对于热水供应类型的大时滞系统,BP神经网络参数自整定PID控制具有较好的控制性,并能实现较好的鲁棒性。针对该特性本文对BP网络的构造进行了大量的网络训练,获得了较好的网络权值参数与训练时间,缩短了以往BP神经网络参数自整定PID控制系统的响应时间与扰动调节时间,从而提高了该控制系统的控制精度。     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过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。     

构架式空间可展开天线结构优化参数预测模型

为了得到构架式空间可展开天线结构优化中目标函数与设计变量的解析表达式,基于BP神经网络建立一种天线结构优化参数的预测模型．根据天线背架的结构及神经网络的训练原理,构建对优化参数进行预测的网络模型;应用有限元软件ANSYS对优化参数进行数值计算,通过正交试验设计,得到BP神经网络的训练样本;调整传递函数、隐层节点数及训练...     

基于BP神经网络的舰载导弹垂直发射系统建模与仿真研究

建立了舰载导弹垂直发射的基于BP网络的辨识模型,讨论了网络的学习算法,结合舰载导弹垂直发射的实际情况,给出了基于BP网络的改进算法.并通过对动力学模型和BP模型的对比研究,讨论了神经网络建模的可行性.     

基于神经网络的三容水箱液位控制系统辨识

针对三容水箱液位控制系统的滞后、非线性特性,难以用传统的机理方法进行辨识,提出了用BP网络辨识该系统的方法.采用并联型辩识结构,训练网络采用Levenberg-Mararquardt算法和BFGS拟牛顿算法,仿真结果表明,这两种算法用于BP网络辨识该系统效果较好.     

Elman神经网络在ECT系统流型辨识中的应用

针对电容层析成像系统ECT(electrical capacitance tomography)流型辨识问题,在对ECT系统工作原理和流型的辨识方法分析的基础上,提出了一种基于Elman神经网络的ECT系统流型辨识方法,该方法通过对ECT系统采集的电容值特征值提取与处理,将提取的特征值作为Elman神经网络的输入进行训练,经训练后达到流型辨识的目的.经仿真实验验证,与传统的BP神经网络相比,该方法具有结构简单,收敛速度快,不会因阶次未知而出现网络结构膨胀的问题,为ECT系统流型辨识的提供一种的有效方法.     

一种递归型模糊神经网络用于动态系统辨识的研究

针对静态模糊神经网络对动态系统辨识精度低的特点,在T-S模糊神经网络标准结构基础上,通过在输入层与状态层间加入可以记忆暂态信息的递归层,一种新的T-S递归型模糊神经网络(TSRFNN)被提出,来提高对动态系统的辨识能力.同时,给出了参数的动态BP学习算法.通过仿真实验,证明提出的TSRFNN对动态非线性系统的辨识比传统静态模糊神经网络(TFNN),具有更快的网络收敛速度,更高的辨识精度,更适合于动态系统的辨识.     

基于神经网络的ERT系统流型辨识的研究

在两相流测量问题的研究中,流型的准确识别是其他流动参数准确测量的基础,因此,得到比较高的流型辨识率是研究目的.本文在12电极电阻成像的基础上,采用模糊聚类对ERT系统中的测量电压数据进行模糊化,然后以模糊化后的数据作为BP神经网络的输入,在BP神经网络中,对该模糊化后的测量电压数据进行反复学习训练,来实现对两相流四种流型的辨识.通过实验仿真,四种流型的平均识别率达到了89.4%,提高了流型识别的准确率.     

人工神经网络在电力变压器故障诊断中的应用及仿真

研究了径向基函数 ( RBF)神经网络的模型结构及其在电力变压器故障诊断中的实现方法。通过仿真实验 ,将 RBF神经网络与 BP神经网络的性能进行比较。结果表明 ,RBF神经网络训练速度快 ,逼近误差小 ,能够更有效地解决电力变压器故障诊断问题     

Modeling and Simulation of Time Series Prediction Based on Dynic Neural Network

Molding and simulation of time series prediction based on dynic neural network(NN) are studied. Prediction model for non-linear and time-varying system is proposed based on dynic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward. The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multi-step. A practical exple is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

遗传神经网络在模拟电路故障诊断中的应用

对模拟电路的故障诊断,本文采用一种将遗传算法和BP神经网络结合的智能诊断方法-GA-BP算法,实现了模拟电路的故障诊断.该方法采用遗传算法优化神经网络的权值和阈值,代替了原来BP网络随机设定的初始权值和阈值,然后再用改进BP算法进行训练.通过仿真结果比较分析,经过遗传算法优化过的神经网络的训练步教大大减少.克服了传统BP算法的收敛速度慢,容易陷入局部极小值的缺点.     

Modeling and Simulation of Time Series Prediction Based on Dynamic Neural Network

Molding and simulation of time series prediction based on dynamic neural network(NN) are studied.Prediction model for non-linear and time-varying system is proposed based on dynamic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward.The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multistep. A practical example is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

OFDM系统的神经网络功放预失真

针对非线性高功率放大器导致正交频分多址系统传输性能下降问题,采用两个类似结构的单输入单输出反向传播神经网络串联后级联高功率放大器实现其预失真．前一网络是基于改进的非直接学习方法训练得到的高功率放大器的幅度预失真器,克服了非直接学习的缺陷;后一网络是高功率放大器的相位特性模型,回避了逆向模型的弊端．仿真结果显示了在输入回退低至2.93dB时,该方法仍能使高功率放大器输出信号的带外谱扩散降低约15dB,而其他方法此时不能起任何作用,且前者网络规模小于后者,表明了该方法结构简单,能够更加高效地实现正交频分多址系统中非线性高功率放大器的自适应预失真．     

ERP系统实施效果的BP神经网络评价研究

神经网络具有自学习、自适应能力和容错性强等特点,本文应用BP神经网络模型建立综合评价系统,应用人工神经网络方法对ERP系统实施效果进行评价作了一定的探索。     

基于特征根聚类的电力系统时滞稳定域研究

为了研究广域测量系统（WAMS）中的信号延迟对电力系统稳定性的影响,引入了一种分析时滞系统稳定性的直接法.该方法通过Rekasius变换消去特征方程中的指数项,解决了考虑时滞的超越方程的求解难题.对系统特征根进行了两步聚类处理,利用Routh判据求解系统特征方程的纯虚根,研究了特征根穿越虚轴的情况,得到了系统不稳定特征根个数在整个时滞空间内的分布.对装设晶闸管可控串补（TCSC）控制器的单机无穷大系统和四机两区域系统进行了时滞稳定域研究,结果表明,该方法计算过程简单,能够有效求解单时滞电力系统的时滞稳定域,最终得到了系统在时滞空间内的准确稳定域.对原系统进行的时域仿真结果验证了该方法的有效性.     

基于BP神经网络模型的遥感图像道路分割处理方法研究

图像分割是军事目标识别的主要处理方法.由于神经网络对于解决目标识别问题具有适合用于高速并行处理系统、可以实现特征空间较为复杂的划分等优势,采用神经网络模型在复杂的遥感图像背景中,识别出宽度很小的道路是较为理想的.在简单介绍BP神经网络模型的基础上,论述了BP神经网络模型在目标识别中关于道路分割问题的处理方法,并以实例证明了采用BP神经网络模型对遥感图像进行分割,得到的结果图像能够从复杂的背景图像中分割出道路,并能清楚地反映道路的方向和分叉,对于遥感图像的目标识别有重要的实用价值.     

基于PSO—SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法（PSO—SVM）的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络（BP—NN）和支持向量机方法（SVM）对该实例进行了预测,进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO—SVM为87．5％、BP—NN为50％、SVM为62．5％。可见,PSO—SVM方法的预测效果要好于BP—NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义。     

BP神经网络的量子学习及应用

在神经网络的训练过程当中,引入量子遗传算法,结合BP梯度下降反传训练方法构造神经网络的量子优化算法。利用量子运算的高效并行性,对神经网络实行量子编码,用量子门旋转来代替网络进化时交叉、变异等更新操作,使得网络训练收敛精度高、收敛速度快、同时避免陷入局部最优的缺点。最后提出了一种基于量子神经网络的预测方法,仿真结果表明,基于量子遗传算法的神经网络,训练次数,误差精度以及预测能力都明显优于BP神经网络。