基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。     

动态递归神经网络在柴油机系统辨识中的应用

对所提出的动态递归神经网络进行了分析,以及如何利用它们来进行系统辨识。设计了用于辨识柴油机的实验,最后在此基础上对柴油机的模型进行了辨识,取得了较好的效果。     

动态递归神经网络在柴油机系统辨识中的应用

对所提出的动态递归神经网络进行了分析,以及如何利用它们来进行系统辨识.设计了用于辨识柴油机的实验,最后在此基础上对柴油机的模型进行了辨识,取得了较好的效果.     

基于改进微粒群算法的Elman网络在非线性动态系统辨识中的应用

针对反向传播算法优化ELMAN神经网络权值时存在的收敛速度慢,求解精度低等问题,提出了改进微粒群算法修正网络权值的学习算法.仿真结果验证了基于改进微粒群算法的Elman神经网络在非线性系统中进行辨识的可行性。     

基于Elman网络的主动磁轴承辨识研究

论文首先简述了主动磁轴承的工作原理及数学模型,比较了基于BP前馈网络和Elman递归网络的非线性辨识,并提出了一种加快神经网络收敛速度的辨识方案.通过对某单自由度磁轴承的仿真表明,该方案具有收敛速度快,模型精度高等优点.     

基于Elman网络的时延预测及其改进

分析了网络传输时延的组成和特点,提出了利用Elman神经网络预测网络传输时延,运用Matlab软件对其预测进行仿真,结果证明Elman神经网络能很好地预测网络时延,为了进一步提高神经网络的逼近能力和动态特性,提出了一种改进的基于输入层、隐藏层、输出层神经元的动态递归神经网络。实验证明,改进的Elman神经网络比原来的网络具有更好的动态性能。     

基于Elman神经网络系统辨识柴油机调速算法研究

为了提高柴油机的瞬态调速性能,基于Elman神经网络辨识理论,提出了一种新的柴油机自适应调速算法,即Elman-PID控制算法.该算法运用神经网络提取柴油机转速的雅可比信息,通过转速的雅可比信息反映负载扭矩变化的大小,在线调整PID控制参数,使调速控制能更好地适应柴油机外部负载突变的情况,增加神经网络收敛速度,减小网络...     

PID神经网络及其非线性动态系统辨识能力分析

PID神经网络具有在线自学习能力,通过无教师的自学习方式,PID神经网络成功现了不同的系统辨识,本文在介绍PID神经网络的基础上,论述了PID神经网络进行系统辨识的理论依据,给出了PID神经网络通过自学习进行非线性动态系统的辨识的结果。     

Elman型回归神经网络在裂解深度软测量系统中的研究与应用

本文提出了运用Elman型回归神经网络来建立裂解深度先进控制中深度模型的软测量方法,解决控制参数测量中在线分析表的滞后问题.通过仿真结果表明,该方法能取得非常良好的效果.     

Elman人工神经网络的收敛性分析

应用Lyapunov稳定性理论分析了Elman人工神经网络的收敛性,讨论了基本的Elman人工神经网络收敛的充分条件,以及改进的Elman人工神经网络收敛的充分条件。     

引入惩罚收益因素OIF Elman神经网络及其应用*

通过在OIF Elman (Output-Input Feedback Elman)神经网络模型中引入惩罚收益因素,提出了一种基于OIF Elman神经网络的改进模型,并将其用于大气质量的预测和评价.实验模拟结果证明,引入惩罚收益因素OIF Elman模型能够明显提高网络的预测精度,具有极佳的逼近性能,所得预测数据和评价结果与实际结果基本吻合.利用该模型对大气质量进行预测和评价是可行而有效的,具有较好的应用潜能;并为大气环境整治规划提供了一种新的技术和方法.     

改进的OHF Elman神经网络应用研究

为提高Elman神经网络的诊断效率,对OHF Elman神经网络进行研究。在OHF Elman网络基础上引入收益因素,提出改进的OHFElman神经网络,并将其应用于齿轮箱的故障诊断。建立了改进OHFElman神经网络和OHF Elman神经网络两种模型,并对这两种模型进行了仿真。一系列训练与测试结果表明,基于改进OHF Elman网络的齿轮箱故障诊断系统能够提高故障诊断的准确率和效率,可以应用在实际工程故障诊断中,为故障诊断技术提供了一种更有效的方法。     

基于改进的Elman神经网络的网络流量预测

在Elman神经网络的基础上提出了改进的网络,根据实际网络中测量的网络流量数据,建立了基于Elman神经网络的流量模型,分别用Elman神经网络和改进的Elman神经网络对实际网络流量进行预测,仿真实验结果表明,改进的Elman神经网络具有良好的预测效果,改进的Elman神经网络具有更高的预测精度和更好的动态性能.     

文化基因算法优化PID神经网络系统辨识

PID神经网络(PIDNN)是一种融合比例、微分、积分环节,结构简单固定,且具备动态网络特点的神经网络模型,适合于非线性系统辨识。但是网络对初始权值和样本质量敏感,参数难以选定,导致网络收敛速度慢,容易陷入局部极小。提出一种采用文化基因算法(Memetic Algorithm)优化网络权值的方法。在差分进化(DE)算法全局寻优结果基础上,通过混沌局部搜索算法,进一步优化网络权值;根据PIDNN特性,在优化过程中加入先验知识,采用L1正则项,对目标函数正则化,避免算法搜索到无潜力解,保证网络模型泛化能力。对一杂非线性系统进行辨识仿真,仿真结果表明优化后的神经网络辨识精度高,有良好的泛化能力。     

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。     

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp, ki, kd参数。将算法运用到电机控制系统的PID参数寻优中,仿真结果表明基于此算法设计的PID控制器改善了电机控制系统的动态性能和稳定性。     

基于Elman神经网络的燃气轮机功率预测方法研究

预测燃气轮机未来的功率变化趋势对故障预测非常重要。针对燃气轮机故障预测的问题,提出了一种基于Elman神经网络的功率预测方法。以某电厂燃气轮机的实际数据为例,选取与功率变化最相关的属性。通过对比实验,采取合适的预处理方法,确定神经网络模型的输入,设置合适的隐含层神经元个数,从而建立了基于Elman神经网络的燃气轮机功率预测模型。最后通过与反向传播(back propagation,BP)网络、径向基函数(radial basis function,RBF)网络进行比较,验证了该方法的有效性。