基于神经网络的气动肌肉迟滞建模比较研究

针对气动肌肉运动过程中产生的迟滞现象，采用神经网络方法对其位移/气压迟滞开展了建模比较研究。首先组建了气动肌肉的迟滞特性测试实验平台，采集其位移/气压迟滞实验数据。然后基于BP神经网络和RBF神经网络分别进行了迟滞环的整体和分段建模，并与经典PI模型的建模效果进行了对比。 研究表明，PI模型的建模精度比神经网络差，但计算时间短，神经网络整体建模时存在过拟合现象，而分段建模则可有效避免过拟合现象，BP神经网络的建模与预测精度均优于RBF神经网络。对于BP神经网络，分段建模的平均误差、均方差和最大误差相较于整体建模分别减小了9.07%、14.54%和24.68%，而采用RBF神经网络，其误差分别减小了8.89%、13.03%和19.49%，可见分段建模的预测精度优于整体建模。     

基于主元分析的径向基神经网络预测模型研究

结合主元分析(PCA)和径向基函数(RBF)神经网络,建立了地下水动态模拟与软测量预测模型。通过主元分析法提取主要成分,实现数据预处理;将选取的主要成分作为RBF神经网络的输入;采用k均值聚类算法确定RBF网络隐含层参数,并用递进最小二乘法确定输出层权值。仿真结果表明,该模型优化了网络结构,提高了预测精度。     

集成模型在网络入侵检测中的仿真研究

研究保证网络安全问题,针对网络入侵具有多样性和复杂性,信息冗余十分严重,传统检测方法不能很好消除冗余信息,导致检测时间长和检测正确率低的难题.为了提高检测准确性,将主成分分析和RBF神经网络相结合起来,组成一个集成的网络入侵检测模型.模型首先通过主成分析分析法对网络原始数据进行预处理,降低特征维数、消除冗余信息,将处理后特征作为神经网络的输入,网络入侵类型作为神经网络的输出,建立RBF神经网络入侵检测模型对网络数据进行检测.在Matlab平台上,采用权威网络入侵数据DARPA数据集对集成模型进行预试,仿真结果表明,集成模型的网络入侵检测正确率高于传统入侵检测模型,加快了网络入侵检测速度,为网络入侵提供了一种实时检测方法.     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

PCA-BP神经网络在降水预测中的应用研究

该文提出了一种基于主成分分析(PCA)与误差反向传播(BP)神经网络的降水预测模型。首先,通过主成分分析法对降水的主要影响因素进行主成分提取,选取贡献率大于85%的5个主成分来代替原来的14个影响因素,以消除原始输入数据的相关性,解决神经网络建模时输入变量过多、网络规模过大导致效率下降的问题;然后,以主成分分析结果为输入建立降水BP神经网络预测模型。仿真结果表明PCA-BP神经网络模型性能优于传统BP神经网络,能够满足降水预测的要求。     

PCA—RBF方法在聚丙烯熔融指数建模中的应用

针对聚丙烯的生产过程是一个大滞后、时变、非线性的复杂系统,提出了基于主成分分析(PCA)的RBF神经网络聚丙烯熔融指数建模方法。该方法用主元分析对高维输入变量进行预处理,构造反应过程信息的低维主元变量,再经径向基函数神经网络对主元变量进行建模。该方法不仅简化了神经网络的结构,而且可以借助主元分析方法对过程故障和过失误差进行侦破,避免导致模型的错误输出。理论分析和实验结果表明,基于PCA和RBF网络方法的聚丙烯熔融指数建模具有精度高、鲁棒性强的优点,有利于工业生产应用。     

乙二醇生产过程中环氧乙烷浓度的软测量研究

环氧乙烷浓度是乙二醇生产过程中的1个重要指标,其浓度大小直接影响到后续水合反应生成乙二醇的过程。环氧乙烷浓度与多种因素之间存在着复杂的非线性关系,在软测量建模的过程中消除这些因素的相关性可以有效地降低计算复杂度。本文综合应用主元分析法,粒子群优化算法以及径向基函数神经网络建立了环氧乙烷浓度的软测量模型。首先分析了影响环氧乙烷浓度的因子,并对这些因子进行了主成分分析,得到1组新的输入因子。然后按照累积方差贡献率选取合适的输入因子,作为RBF神经网络的新的输入,有效降低了输入变量的维数,减少了输入变量之间的相关性,简化了神经网络的结构,建立了环氧乙烷浓度的软测量模型。最后利用粒子群算法来优化神经网络参数,求解RBF网络的径向基中心和输出层连接权值的最优值,减少了计算时间,提高了计算精度,获得了较好的拟合和预测效果。与只采用RBF网络建立软测量模型相比,本文采用的方法建模的误差较小,计算时间较短,计算精度较高,网络的预测效果较好。     

用于地方高校学费分析BP神经网络数学模型方法研究

主要研究分析影响地方高校学费的因素。利用主成分分析法和BP神经网络建立数学模型,对31个省、直辖市的7项数据进行了分析。分析结果表明,前3个主成分的贡献率累计达到87.39%,这表明,前3个主成分已基本能表述所有信息。为进一步提高精确度,使用前5项数据作为BP网络的输入数据,将各省的学费作为BP网络的输出。经过6次训练,输出误差可降至10-15,基本达到了完全拟合的效果,为进一步预测学费提供了一种数学途径。     

间歇制浆蒸煮终点预测方法

在分析常用蒸煮模型的基础上,提出了基于神经网络的制浆蒸煮过程建模方法,与BP神经网络相比,RBF神经网络具有最佳逼近能力、收敛速率快和不存在局部极小点等,因而选用了RBF神经网络作为建模工具。在决定RBF神经网络的输入和输出变量时,充分利用了现场可测量的物理量和制浆蒸煮过程知识、其输入变量比常用蒸煮模型增加了硫化度和木片合格率,其输出变量有用实际过程测量所需的终点H因子的对数,这样就减少了RBF神经网络的规模,提高了训练速度。对工厂的实际数据应用表明,该RBF神经网络模型的预测精度高于传统的Hatton模型。     

基于主成分的BP神经网络共享单车骑行预测

共享单车数据预测是近十年来城市交通出行大数据的重要关注点。本文建立基于主成分的BP神经网络模型，较好地预测了共享单车租借数据，并与全因素的BP神经网络模型进行对比分析。结果表明基于主成分分析的BP神经网络模型，在精度损失较小的条件下，大幅降低了输入变量的维度，提高了模型训练和预测的效率，对于多因素大数据预测分析，能兼顾效率与精度。     

炼焦生产过程综合生产指标的改进神经网络预测方法

针对炼焦生产过程综合生产指标 (焦炭质量、产量和焦炉能耗)检测的严重滞后问题,提出一种改进BP神经网络预测方法.首先基于相关过程参数的主元分析和灰色关联分析,确定出预测模型的输入输出变量;然后采用基于改进差分进化算法的BP神经网络建立预测模型,并与基本BP神经网络预测模型进行比较;最后,对改进BP神经网络预测模型进行了验证.实验结果表明,改进BP神经网络预测模型具有较快的收敛速度和较高的预测精度,模型的预测效果可以满足生产工艺要求.     

基于GWO-BP方法的加速度计动态模型研究

针对高g值加速度计动态模型问题,基于Hopkinson杆的校准系统所测的输入输出数据建立系统模型,提出了GWO-BP神经网络动态建模方法。利用灰狼种群算法优化BP神经网络建立的加速度计动态模型,对模拟输入输出信号进行仿真。最后,利用Hopkinson杆标定系统对加速度计的输入输出进行实测。结果表明,相比于BP神经网络算法,该算法经过优化改进后,求解精度提高了43.6%,证明了该方法的可行性。     

基于BP神经网络的渭河水质评价方法

讨论了BP神经网络模型的特性和建模条件,并给出建立合理BP神经网络模型的基本原则和步骤.针时实际水质评价问题,建立了渭河地面水环境质量综合评价的BP神经网络模型,并与单因子法、主成分分析法进行了分析比较.实验结果表明,BP神经网络可以较好地实现水质综合评价,且具有较高的实用性和客观性.     

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KPCA和T-S模糊神经网络的煤与瓦斯突出的预测

应用核主成分分析（KPCA）和T-S模糊神经网络方法对煤与瓦斯突出进行快速、精准预测。利用KPCA对实验样本数据中的多种煤与瓦斯致突因素进行降维,简化问题的复杂度,将选取的累计贡献率大于 90%的4个主成分作为T-S模糊神经网络的输入参数,煤与瓦斯突出强度作为输出参数。利用实测数据进行验证,并与BP神经网络预测模型、T-S模糊神经网络预测模型的预测结果进行比较。结果表明,该方法建立的预测模型准确性、有效性更高,收敛时间短,适用于煤与瓦斯突出预测。     

基于神经网络和模糊补偿的水下机械臂控制

针对水下机械臂动力学模型建模复杂且滑模控制的抖振问题,利用Lagrange法和Morison方程精准建立二连杆串联水下机械臂的动力学模型,对模型中参数的不确定项使用4个RBF神经网络分别进行逼近,并且对摩擦项使用模糊控制进行补偿的方法,精准迅速地实现了对水下机械臂控制系统跟踪控制。通过进行仿真分析,基于神经网络和模糊补偿控制的方法与滑模控制、整体RBF神经网络控制和分块RBF神经网络控制相比,控制系统的平均误差分别降低了85.5%、71.8%、93.1%。结果表明,此方法有效降低了控制系统的跟踪误差,并同时提高了稳态性和抗干扰性。     

基于Kalman滤波和神经网络的MEMS陀螺温度漂移补偿

MEMS陀螺温度漂移严重影响系统的测量精度。传统的BP神经网络建模补偿容易使权值和阈值陷入局部极小值,导致网络训练失败。陀螺输出信号中的高频噪声也会影响模型精度。针对上述问题,该文提出一种Kalman滤波结合粒子群算法(PSO)优化BP神经网络的MEMS陀螺温度漂移补偿方法。首先对陀螺进行了温度漂移测试实验,然后采用Kalman滤波对实验数据进行降噪,最后建立陀螺温度漂移模型,从而实现温度漂移的补偿。实验结果表明,采用该方法补偿后MEMS陀螺在不同温度下的输出方差降低了65.09%,与传统的BP神经网络相比补偿精度明显提高。     

基于卡尔曼滤波的陀螺仪降噪处理

针对MEMS陀螺仪输出信号随机漂移误差造成测量精度低的问题,提出了一种基于BP神经网络的卡尔曼滤波降噪模型.基于BP神经网络的基本原理,首先利用BP神经网络对系统进行学习,获得系统状态方程,然后建立了基于BP神经网络的滤波模型,最后应用于卡尔曼滤波对MEMS陀螺仪信号进行降噪.半实物模拟仿真实验表明:基于BP神经网络的卡尔曼滤波后的数据的速率随机游走等系数比原始数据下降6.89倍,验证了本方法的降噪性能优于基本卡尔曼模型,在MEMS陀螺仪的数据处理方面具有一定的应用价值.     

基于核方法的移动机器人远程控制时延预测与分析

构建了基于Internet的移动机器人控制平台,针对该平台中网络时延的非线性特性,提出了利用线性核和RBF核方法对网络时延序列样本进行回归建模和预测。比较了核方法、BP神经网络和RBF神经网络算法预测误差,表明在移动机器人远程控制中,核方法对网络时延序列预测具有更好的函数逼近能力和较高的预测精度,从而可根据预测时延调节移动机器人控制指令和状态信息的网络传输,保证系统的可靠性,提高移动机器人的控制性能。     

粒子群优化RBF神经网络光伏电池建模研究

本文研究神经网络在光伏电池建模优化问题。由于光伏电池具有高度非线性特性,其输出功率受到外界自然因素的影响,使得传统方法不能满足光伏控制系统动态要求。针对上述问题,本文提出一种粒子群优化的神经网络光伏电池建模算法。改进的方法以日照、温度和负载电压作为提出的RBF神经网络模型的输入值,把光伏电池的输出功率作为神经网络的输出,采用RBF神经网络对光伏电池进行建模,同时利用粒子群算法对神经网络参数进行优化,最后建立光伏电池的动态响应模型。仿真实验结果证明,所提模型更好地克服传统方法的缺点,收敛速度快,具有较高的预测精度和适合能力。