改进型BP神经网络的非线性多模型自适应控制

针对一类参数未知的非线性离散系统,提出一种基于改进型BP神经网络的多模型控制方法.首先将非线性系统表示为线性部分和非线性部分.当非线性部分对系统影响较小时,则直接采用基于固定模型和自适应模型而设计的鲁棒控制器对系统进行控制;而当非线性部分对系统影响较大时,则采用基于改进的BP神经网络的自适应控制.其次,利用切换准则对控...     

基于SSA-Elman的非线性系统辨识

为提高非线性系统的辨识能力,利用神经网络具有逼近任意非线性函数的优点,提出了基于SSA-Elman非线性系统辨识方法.首先利用系统输入和输出数据作为Elman神经网络的输入和输出进行网络训练;其次针对Elman神经网络易出现局部极小化、收敛速度慢以及难以正确选取网络权值和阈值的初始值的缺点,选用了麻雀搜索算法对其进行优...     

闭环非线性对象辨识的模糊和神经网络方法

闭环系统的辨识是近年来国内很受重视的研究课题。本文基于闭环对象的历史数据，采用模糊方法构造系统的初始模型，以克服闭环数据稀疏给系统辩识带来的困难，并基于现场数据，采用ＯＬＳ算法对初始模型进行了修正，以提高系统的辨识精度。将这种方法应用于某合成氨过程的实际数据，得到了良好的辨识效果。     

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。     

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。     

基于BP神经网络对非线性函数拟合

不确定性、非线性常存在于控制领域系统中,难以控制和分析。本文基于BP神经网络对非线性函数拟合进行研究。通过仿真验证了该方法对非线性函数拟合具有良好效果和适用性。     

非线性滤波的遗传神经网络寻优方法

针对非线性滤波中存在的"实时"问题,提出了用神经网络实现非线性滤波的解决方案.为了提高神经网络学习速度,利用遗传算法全局搜索能力强的特点,对神经网络的结构和权阵进行优化,构成了遗传神经网络,实现了全局最佳逼近.仿真结果验证了遗传神经网络实现最优非线性滤波的有效性,并说明了该方法精度高,收敛性好.     

基于遗传神经网络的入侵检测方法研究

首先介绍了人工神经网络和遗传算法的基本原理，进行分析后将这两种方法相结合提出一种GABP遗传神经网络算法及其实现过程，并将其应用于入侵检测中，和传统的BP神经网络相比具有较好的效果。     

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.     

基于自适应Volterra滤波器的非线性系统辨识

为了识别非线性系统的参数,本文提出了一种基于自适应Volterra滤波器的非线性系统辨识方法。给出了自适应Volterra滤波器的LMS和RLS算法。数值仿真结果表明,该方法对于非线性定常和时变系统都有效。     

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。     

基于神经网络的输电线路覆冰模型辨识

本文介绍了覆冰的产生机理、危害、防除冰方法,其次介绍了输电线路覆冰在线监测系统,接着深入研究了神经网络的模型建立问题,并给出了较为适用的建模方法和应遵循的原则。在研究了大量文献资料的基础上,通过分析影响覆冰量的气象因素,构建了一个三层的BP神经网络,建立了神原I回线109杆塔处输电线路的覆冰辨识模型。辨识结果满足设计要求。     

基于遗传神经网络的氧化铝浓度预测

为了精确地对铝电解过程中氧化铝浓度进行控制,通过分析槽电阻与氧化铝浓度的关系,结合铝电解工艺的特点构建基于BP神经网络的氧化铝浓度预测模型。同时,提出利用遗传算法来优化BP神经网络的结构和网络参数,然后利用优化后的网络进行氧化铝浓度进行预测。仿真结果显示,该模型能很好地对氧化铝浓度进行预测,且误差较小。利用遗传神经网络对氧化铝浓度进行预测快速、有效,对实现铝电解过程氧化铝精确控制有着重要意义。     

基于神经网络的Volterra频域核辨识方法

针对目前Volterra频域核辨识方法复杂、精度不高等问题,提出一种基于神经网络的Volterra频域核辨识方法。首先选择多组频率基准确测量各阶Volterra频域核的幅值,利用BP神经网络可以任意逼近非线性函数的特点,针对不同阶Volterra频域核设计不同的神经网络模型,进行分阶辨识,最后通过一个非线性电路进行仿真验证。仿真结果表明,该方法可直接辨识频率范围内任意频率对应的Volterra频域核,过程简单、准确度高,易于工程实现。     

基于遗传神经网络的芯片图像分割

芯片图像分割是上芯机机器视觉系统进行图像处理的重要环节,分割效果直接影响下一步芯片信息的提取。采用遗传算法对BP神经网络的权值和阈值进行优化,避免网络陷入局部最优,使其在全局范围内获得最优解。通过选择实数编码和遗传算子算法控制参数,利用优化后的神经网络对芯片图像进行分割;并用模板匹配法得到分割图像的匹配度,计算其平均值和方差。最后,将该算法与传统分割算法的进行比较,该算法的分割效果优于传统分割效果。     

一种用于非线性复杂系统辨识的自适应模糊神经网络

该文提出一种用于复杂的非线性未知系统辨识的混合神经网络模型自适应模糊神经网络(AFNN)。AFNN网络结构简洁,具有通用逼近的特性,能够克服由于突变点的存在而对系统辨识所带来的误差,提高整个系统的辨识精度。对空空导弹攻击区辨识的仿真结果验证了AFNN网络的有效性。     

基于小波神经网络非线性预测方法的研究

针对非线性预测问题,提出了小波神经网络算法．该算法采用权重贡献率分析法和关键神经节点法分析权重,精进模型,利用具有优良渐进性的递推预报误差法训练小波的尺度因子和平移因子,并提出了一种网络的改进算法．通过对导航设备的仿真预测,该算法优于同等规模的BP神经网络,其收敛速度快,预测精度高．     

基于遗传神经网络的电力机车主变流器故障诊断

在变流器的故障诊断系统中,针对BP算法存在收敛速度慢、容易陷入局部极小值的问题,文章采用了遗传算法的选择、交叉、变异过程代替班,神经网络的反向传播过程的遗传神经网络算法。通过仿真试验证明,这种算法具有收敛速度快、推广性强的特点,极大提高了变流器的故障诊断系统的效率和准确性。     

基于多种群遗传算法的模板匹配研究

模板匹配是图像处理中的重要应用,本文提出将多种遗传算法与模板匹配想结合,解决传统模板匹配中计算量大、效率低等问题,并且避免了单种群遗传算法中出现的收敛缓慢和早熟收敛以及容易丢失优良基因等现象。     

应用粒子群优化的非线性系统辨识

提出了一种应用粒子群优化的非线性系统辨识方法。首先将非线性系统的辨识问题转化为参数空间上的优化问题,然后利用粒子群优化算法对整个参数空间进行高效并行搜索以获得系统参数的最优估计。以Hammerstein模型的辨识为例说明了本方法的可行性。