非线性系统多步预测控制的复合神经网络实现

提出一种基于神经网络的非线性多步预测控制,采用由线性网络和动态递归神经网络构成的复合神经网络。在此基础上将线性系统的广义预测控制器扩展为非线性系统的多步预测控制器。通过对非线性过程ＣＳＴＲ的仿真表明,该方法的稳定性和鲁棒性明显优于线性ＤＭＣ预测控制。     

基于神经网络的非线性系统多步预测控制

针对离散非线性系统,利用非线性激励函数的局部线性表示,提出一种可用于非线性过程的神经网络多步预测控制方法,并给出了控制律的收敛性分析．该方法将非线性系统处理成简单的线性和非线性两部分,对复杂的非线性多步预测方程给出了直观而有效的线性形式,并用线性预测控制方法求得控制律,避免了复杂的非线性优化求解．仿真结果表明了该算法的有效性．     

基于神经网络模型的非线性多步预测学习控制器

构造出一种建模网络,通过对它的学习来辨识过程动态,通过对广义预测控制目标函数的在线优化求得控制律.仿真结果验证了该算法的有效性.     

基于RBF神经网络的非线性系统故障诊断

针对一类模型未知的非线性动态系统,提出了一种基于神经网络在线估计结构的鲁棒故障诊断检测方法.系统中,仅输入输出可测,且包含输出不确定性项.该方法通过构造神经网络在线逼近结构来拟合该非线性系统模型和系统的非线性故障特性,建立系统的状态观测器.神经网络的权重调整规律由李亚普诺夫稳定性方法获得,系统的输出不确定性部分被用于获得诊断算法的阈值.最后,用Matlab/SIMULINK对的算法予以验证,结果表明本算法的合理性.     

基于模糊神经网络的非线性系统故障诊断

研究故障观测器优化设计,针对一类非线性动态系统,在考虑系统的输入输出包含外部扰动及建模误差等不确定性项[1]的情况下,为了提高所设计观测器对系统数学模型的在线跟踪能力从而进一步提高故障诊断的鲁棒性减少系统的误报警率,提出了基于模糊神经网络的诊断方法。利用神经网络以及模糊系统对非线性函数的无限逼近能力,设计了基于T-S模糊模型[2]的神经网络自适应观测器来拟合系统的非线性模型和系统的非线性故障特性。由Lyapunov稳定性方法获得调整观测器权重的规律。对所用改进方法的收敛性进行了证明,并通过仿真实例说明了诊断方法的有效性和使用性。     

非线性系统的故障诊断技术

文中对非线性系统的故障诊断方面问题给予了归纳总结,指出了基于数学模型方法,基于信号处理方法和基于知识的方法在实现非线性系统故障诊断的基本思想,并进一步指出了各各非线性系统故障诊断方法及可能的发展方向。     

神经网络非线性多步预测逆控制方法研究*

提出了基于多步预测控制方法的多变量非线性神经网络逆控制方案。利用预测模型对系统动态特性进行预测,使用一个带有时延因子的前馈神经网络作为控制器,利用多步预测性能指标对其在线训练,实现神经网络逆系统;在多步预测过程中还对每一步的预测误差进行预测,以实现预测误差补偿。将所提出的控制算法用于锅炉这种大滞后非线性对象的控制,仿真实验证明,该控制策略具有良好的解耦和动态跟踪性能。     

一类非线性系统的神经网络预测控制

针对一类具有特殊模型的非线性系统本文提出了一种新型神经网络预测控制算法。该算法利用线性系统预测控制技术和神经网络的非线性映射及并行处理能力来求实际控制量，避免了解非线性方程和非线性预测控制所需的在线数值寻优计算，减少了计算量和计算时间。仿真结果表明了该算法的何效性。     

基于模块化模糊神经网络的非线性系统故障诊断

提出了一种基于模块化模糊神经网络的非线性系统故障诊断新方法。该方法先使用模糊c-均值聚类法对测量空间进行模块分割,再利用模糊IF－THEN规则对分割后的子空间分别采用局部BP模型进行逼近,最后,通过离线学习获得不同子空间故障输出与测量输入的非线性动力特性。试验表明该网络具有良好的泛化性能,可显著提高非线性系统故障检测的快速性、鲁棒性及准确率。     

基于神经网络非线性系统的广义预测

为了对复杂的非线性系统进行广义预测控制 ,避免较长的离线训练 ,采用受控自回归积分滑动平均模型来描述线性子系统 ,用神经网络来逼近非线性子系统 ,利用递推最小二乘法和 Davidon最小二乘法分别作为线性子系统和非线性子系统的在线学习算法 ,建立了一种适合于广义预测控制的非线性系统控制模型。仿真结果证明 ,该模型在非线性系统的广义预测中的有效性 ,在实时控制中具有极其广阔的应用前景。     

基于神经网络的非线性时间序列故障预报

对模型未知非线性系统, 将系统输出组成时间序列并通过空间嵌入的方法转化为一个离散动态系统. 利用线性 AR 模型拟合时间序列的线性部分, 用神经网络拟合时间序列的非线性部分并补偿外界未知的扰动, 提出了通过对状态的观测实现时间序列一步预测的方法. 利用滚动优化的思想将一步预测推广, 提出了时间序列的 N 步预测方法, 证明了时间序列预测误差有界. 通过对预测误差进行概率密度估计和检验, 提出了故障的预报方法. 对 F-16 歼击机的结构故障预报结果表明了方法的有效性.     

基于RBF神经网络的时间序列预测

前馈神经网络在时间序列预测中的应用已得到充分地认可,一些模型已经提出,例如多层感知器(MLP),误差反向传播(BP)和径向基函数(RBF)网络等等。相对于其他前馈神经网络,RBF网络学习速度快,函数逼近能力强,因而在时间序列预测方面具有很好的应用前景。     

时间序列预测的动态神经网络方法

时间序列的预测在经济和工程领域具有十分重要的意义.文中利用动态神经网络的特性,提出对时间序列进行预测的动态神经网络方法,并利用设计的动态神经网络对杜芬(Duffing)方程的响应时间序列进行预测,结果表明动态神经网络可以较好地对动态系统的响应时间序列进行预测.     

时间序列预测的动态神经网络方法

时间序列的预测在经济和工程领域具有十分重要的意义。文中利用动态神经网络的特性,提出对时间序列进行预测的动态神经网络方法,并利用设计的动态神经网络对杜芬(Duffing)方程的响应时间序列进行预测,结果表明动态神经网络可以较好地对动态系统的响应时间序列进行预测。     

基于未知输入观测器的非线性时间序列故障预报

将未知非线性系统的输出作为时间序列并进行空间重构,针对得到的离散线性时变系统,提出了基于未知输入观测器的预测新方法.以实时拟合时间序列的线性AR模型作为时变系统的已知线性部分,将拟合误差作为时变系统的未知输入,实现了对非线性时间序列的一步预测.再利用递推预测的方法,将一步预测推广到N步预测,同时证明了该方法的预测误差有界.通过未知输入的预测值和状态的预测误差的变化可以方便地判断故障的发生,实现故障预报.仿真结果证明了方法的有效性.     

用于非线性时间序列预测的POD-RBF神经网络

基于正规正交分解(Proper Orthogonal Decomposition,POD)提出一种适用于非线性时间序列预测的径向基函数(Radial Basis Function,RBF)神经网络模型-POD-RBF神经网络模型.该模型在选取中心时考虑了时间序列数据之间的时序关系,并且使得中心的选取具有并行性.股票价格预测问题的模拟结果表明,POD-RBF神经网络可以有效地用于非线性时间序列预测问题.与基于硬C均值(Hard C-means,HCM)聚类的RBF神经网络(HCM-RBF)和基于正交最小二乘(Orthogonal LestSquare,OLS)的RBF神经网络(OLS-PBF)相比,POD-RBF神经网络不仅具有更好的训练、预测精度,而且具有更好的收敛稳定性、更好的泛化能力和抵抗噪声干扰的能力.     

基于神经网络的动态响应时间序列预测

The purpose of the research is to establish complicated nonlinear parameters time series prediction model.Considered in-fluence of friction and flexibleness,the characters of flexible mechanism are highly nonlinear.The dynamical responses of mechanism become more uncertain because of those influence.It is more difficult to control the mechanism at the real time.Via improved El-man dynamical artificial neural network,the prediction model was established to forecast kinetic parameters.A flexible mechanism example was applied to test this method.The results proved that the calculate speed of the model was fast and the precision was high.The method provided an available way on controlling at the real time for complicated large systems.     

基于神经网络的时间序列鲁棒预测

为了实现神经网络预测模型的便棒预测,提出一种基于非线性偏自相关的一般化预测模型辨识方法。该方法通过考察待预测时间序列的当前序列值对各阶历史序列的不可约自依赖,确定神经网络这类非线性自回归模型的自回归阶数。实现表明,该方法可有效地提高神经网络预测模型的鲁棒预测能力。