基于压电陶瓷迟滞非线性的建模方法

压电陶瓷因其具有的响应速度快,精度高等优点被广泛应用于微操作、微纳米定位等系统中,但是由于它具有迟滞特性对其应用的影响,针对压电陶瓷的迟滞特性提出了一种简单的数学建模方法,该模型建模简单,运算量比PI迟滞算子大大减小,拟合方法曲线较平滑,克服了PI迟滞算子拟合出现的毛刺问题,且拟合精度较高,拟合误差在1%左右,采用椭圆极坐标方式对迟滞特性进行建模.并通过实验验证了该建模方法的可行性和精确性.     

迟滞非线性环节的建模与逆控制

压电陶瓷器件这类复合材料在精密定位和微位移控制中得到广泛的应用，但其存在压电相互转化时寄生的难以建模的迟滞非线性现象的不足。通过采用一种和前向神经网络结构类似，以BackLash迟滞算子为激励函数的网络结构，并利用最小二乘法调整网络权值，从而无需考虑具体物理对象而实现对这类复杂迟滞非线性环节的建模，进而推导出所提出网络结构的逆模型。采用所建逆模型来对迟滞非线性环节进行补偿，仿真结果表明：提出的迟滞环建模方法及其控制算法可实现对迟滞环的线性补偿。     

基于迟滞神经网络的风速时间序列预测

为了改善风速时间序列的预测性能,提出了一种基于迟滞神经网络的预测方法.通过改变神经元激励函数的方式将迟滞特性引入神经网络中,以增强历史输入对当前响应的影响,从而提高有用信息的利用率,提高风速时间序列的预测性能;借助于相空间重构理论构造风速预测训练样本,采用梯度下降法对网络权值进行训练,利用遗传算法对迟滞参数进行优化.仿真结果表明:与传统神经网络及ARMA模型等方法相比,迟滞神经网络能够有效减小风速时间序列的预测误差,提高预测性能.     

基于Backlash描述函数的神经网络迟滞非线性模型

利用Backlash描述函数的实部和虚部构造一个函数,将其进行叠加,从而建立了一个新颖的迟滞非线性模型。以所建模型的输出作为神经网络的输入信号之一,建立了一个神经网络迟滞模型。实验结果验证了所提模型的有效性。     

基于迟滞神经网络的商品零售价格指数预测

将传统神经元的激励函数改为迟滞激励函数,将迟滞特性引入神经网络中,构造迟滞神经网络.利用迟滞特性增强神经元对原状态保持的惯性,从而减少了神经元状态的错误变化,提高了神经网络的存储和记忆能力.利用迟滞分支响应的跳变特性以抑制网络训练过程中假饱和现象的发生.借助于前向网络的结构和学习算法,构造应用于时间序列预测分析的迟滞神经网络模型,并将其应用于社会商品零售价格指数的预测分析中.预测结果表明,该网络具有良好的泛化能力,预测效果优于传统神经网络.     

基于神经网络的动态系统建模

阐述了基于神经网络动态系统建模的理论依据。将传统的系统辩识方法与神经网络的信息加工能力融合在一起，给出一类非线性动态系统建模结构和方法     

具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样复杂的动态特性,其对非线性系统具有很好的建模能力.     

基于Bouc-Wen修正模型的柔性关节驱动器迟滞建模

为了研究柔性关节驱动器输出力的迟滞影响,提高力控制精度,构建了柔性关节驱动力的迟滞实验台,提出柔性关节驱动器输出力的Bouc-Wen修正方法对力迟滞进行精确建模,并通过龙格-库塔-费尔贝格算法对BoucWen修正模型进行参数辨识.在Bouc-Wen模型的基础上,引入具有方向性的修正项,克服柔性关节驱动器的输出力-转角迟滞的非对称性.利用关节驱动器在60、80、100、120 kPa充气压力下的力迟滞实验数据,建立Bouc-Wen修正模型.在70、90、110 kPa充气压力下,将Bouc-Wen修正模型所预测的柔性关节力迟滞曲线与经典Bouc-Wen模型以及实验曲线进行对比.结果表明所提出的力迟滞Bouc-Wen修正模型,在各充气压力下的最大相对误差仅为7.75%,平均偏差小于0.45 N,模型拟合优度大于0.99.说明所提出的Bouc-Wen修正模型能够对柔性关节驱动器的力迟滞进行准确建模,为力闭环控制提供基础,也为其他超弹性材料柔性驱动器的迟滞建模提供参考方法.     

基于BP神经网络的化工过程建模研究

研究使用ＢＰ神经网络来完成化工过程的建筑。一般的化工过程建模问题是非线性的问题，很多情形下，与不相有关量的变化速率数量级相差很大，从而问题是刚性的。这时，用数值方法难于对过程的变化精确求解。由于ＢＰ网络能实现任何非线性的连续映，故适于处理复杂化工建模问题，将ＢＰ神经网络用于精细塔的温度计算，结果令人满意。     

基于神经网络的无心磨床建模及其控制系统

提出无心磨床的神经网络控制方案并通过对控制系统进行了仿真，仿真结果证明该方案是切实可行的。     

基于神经网络的过程系统动态建模

针对生产过程中参数容易受外界影响而改变,传统的系统辨识方法难以得到精确的数学模型的实际情况,提出利用神经网络的自学习、自适应功能实现动态在线建模。本文对这种方法进行了仿真研究。由计算机产生仿真输入信号：随机信号或Ｍ序列伪随机信号,输入到生产过程中普遍存在的一阶纯滞后对象。通过三层ＢＰ神经元权值的不断调整,实现离线辨识和在线辨识,直到神经网络的阶跃响应曲线几乎和实际系统的阶跃响应重叠。仿真结果表明,     

层次化神经网络模型下的释义识别方法

释义识别技术（Paraphrase Identification, PI）被广泛用于问答系统、抄袭检测、个性化推荐等领域.针对已有释义识别方法缺乏有效的特征提取机制问题,提出了一种新的释义识别模型.与传统“编码-匹配”模式不同,采用“编码-匹配-提取”模式,通过添加特征提取层进一步提取分类信息.所提出模型由6层组成:输入层、嵌入层、编码层、匹配层、特征提取层、输出层.在编码层,采用基于注意力机制的上下文双向长短期记忆网络对文本上下文进行编码,充分利用句子的前向和逆向两个方向的上下文信息;在匹配层,通过多种矩阵运算,从不同角度获得句子对匹配信息;在特征提取层,利用Xception网络以便更有效地从匹配结果中提取分类信息.此外,本文采用多特征融合的方法,将GloVe预训练的词向量、字符向量和附加特征向量的连接作为最终的词向量,较普通的词向量携带更丰富的语义信息.实验结果表明,所构建的模型在Quora和SemEval-2015 PIT两个公开数据集上（分别作为大型数据集和中小型数据集的代表）都达到了竞争性效果.     

基于模糊神经网络的系统模糊建模方法

提出了一种基于模糊聚类和模糊神经网络的模糊建模方法,该方法首先利用模糊聚类技术来确定系统的模糊空间和模糊规则数,然后利用模糊神经来调整模型的前件参数和后件参数,给出了详细的算法,并对仿真实例进行了研究,仿真实例表明,采用聚类技术能够获得好的初始值,使得计算加快,能够取得满意的结果。     

基于模糊神经网络的目标识别

提出了一种用于常规雷达目标识别的模糊神经网络．先将目标回波用树状小波变换进行特征抽取，然后用该网络进行识别．最后，给出了５类空中目标的识别实验结果     

基于神经网络的硬币识别研究

人工神经网络图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新型图像识别技术,通过对国内几种常用硬币图像的深入研究,提取能够全面表述其特征的6个特征函数,作为输入,应用改进的BP神经网络,实现识别各种硬币图像的面值,识别方法准确、快速、简便.     

一种基于混合神经网络的说话人识别系统

目前说话人识别系统的识别率已经达到较高的水平,但是在应用系统的整合方面还存在一定的问题,比如其算法的复杂度高,不易于低成本的硬件实现等都限制其达到普及化.针对这样的问题,提出一种高性能、结构简单的基于自组织映射(SOFMNN)和概率神经网络(PNN)的混合神经网络分类器以取代目前常用的高斯混合模型(GMM)分类器.实验结果表明,混合神经网络分类器在识别率、识别速度和存储量上都优于高斯混合模型分类器.混合神经网络模型是一种高性能、高效率的说话人识别系统,该系统在说话人识别中将会有很好实用价值.     

基于协同神经网络算法的红树林物种识别

为解决采用遥感技术监测红树林群落存在的识别率较低的问题,提出了一种基于协同神经网络算法的红树林图像识别方法.首先,采用协同神经网络算法中的平衡网络参数方法对红树林图像进行识别.其次,利用微粒群算法对平衡参数方法进行改进.实验结果显示,该方法对红树林图像识别效率达到88.0%,显著优于传统的协同神经网络算法的识别率(78.0%),因此该方法具有良好的应用价值.     

基于改进Elman神经网络的石膏纤维板厚度控制建模

针对石膏纤维板厚度控制系统的非线性、时变性及不确定性,采用改进的Elman神经网络对其建立动态模型,介绍了改进Elman网络的结构及学习算法;分析了影响石膏纤维板厚度控制精度的主要因素,并根据实际情况确定了输入层和中间隐层的维数,从而确定了模型的结构.由于改进的Elman网络具有适应时变特性的能力,而且学习精度高、学习速度快,与传统的BP网络相比,收敛速度有明显提高.通过对现场采集的数据进行仿真,得到了令人满意的结果.     

基于复合神经网络的GIS局放故障类型识别

气体绝缘金属封闭开关设备(GIS)局部放电故障类型识别是故障预警和制定检修计划的重要基础,对维护电力设备的安全稳定运行意义重大.在此背景下,首先分析常见的几种GIS故障类型;然后,在超高频传感器采集到的图谱信号处理和分类上,由于卷积神经网络(CNN)和深度置信网络(DBN)融合而成的复合神经网络模型可以快速实现有效特征信号的提取和故障类型准确分类,因此该文融合CNN和DBN,建立复合神经网络的主体结构,并利用该网络进行GIS局部放电故障类型识别;最后进行实验验证.结果表明该复合神经网络模型识别故障的准确性最高可达99％.     

基于神经网络与遗传算法的地应力识别优化研究

针对井下存在地应力测点相对较少,量测结果离散,计算非线性等问题,研究将神经网络与遗传算法应用于地应力测量中。利用BP神经网络代表矿井水压致裂的压力值和地应力参数之间的非线性关系,通过实际工程样本对神经网络进行训练,从而保证了网络预测的准确性。结合万福矿区工程实例,利用遗传算法识别出该矿井井下的地应力,通过与理论计算结果对比,验证了该方法应用于地应力识别是可行的、可靠的和方便的,在类似工程中具有一定的实用价值。