智能内模控制器的研究

提出了一种基于前馈神经网络的智能ＩＭＣ,其设计过程分为两步进行：第一步,训练一个神经网描述对象响应;第二步,训练一个网络描述对象的逆,并将此网络作为ＩＭＣ控制器．经仿真实验表明,本智能控制系统鲁棒性强,优于常规ＩＭＣ系统,这类智能控制器适合于对象参数变化、模型不确定和非线性的控制．     

基于神经网络内模的逆变系统控制器设计

针对逆变系统负载适应性能不强、动静态性能不佳的特点,设计出一种基于神经网络内模原理的逆变系统控制方法。通过对该方案的理论分析,得出了控制系统的实现方法。通过相应的仿真研究对其策略特性进行分析和比较。与传统控制方式相比较,这种智能控制不依赖于被控对象。由神经网络实现对系统的智能控制,提高了系统的逆变波形质量和负载适应性,使系统获得了较好的动态和稳态性能。     

基于神经网络内模的非线性控制系统

从某类可以被多层BP神经网络建模的非线性系统出发，给出一种控制方法，PID控制器和IMC控制相结合，仿真结果表明BP网络用作IMC控制器扔效性，此类方法比传统的控制器有更快更好的跟踪性能。     

神经网络BP算法的研究,实现及改进

给出了目前较流行的一种神经网络学习算法－－神经网络ＢＰ算法的数学证明及计算机实现，并在此基础上提出了几种改进算法。计算机模拟结果表明，改进算法提高了学习速度与精度，应用于工程图形元素识别效果良好。     

基于神经网络内模控制的毛细管流变仪温控系统设计

为了提高毛细管流变仪加热腔温度控制效果，在研究以多变量、交叉耦合为特征的控制对象的基础上，给出了一种神经网络内模控制算法。以通过学习得到的动态神经网络作为内部模型，将直接逆系统学习法得到的神经网络作为控制器，构造了MIMO控制系统。介绍了毛细管流变仪温度控制系统软、硬件的开发。实际运行结果表明，该系统控制精度高，鲁棒性好，可靠性高。     

神经网络BP算法的一种改进

提出了一种改进算法，对原来的误差函数做了很小的改动。改进算法既保持了原ＢＰ算法的优点。又可以有效地避免假饱和，使学习过程可以较快地完成，取得了满意的结果，本文推导了改进后的算法，并结合实例对算法的效果进行了讨论．     

神经网络BP算法在噪声主动控制中的应用

在噪声主动控制系统中采用神经网络控制方法，给出了神经网络BP算法的一种变异算法。仿真实验表明，基于神经网络的噪声主动控制系统具有非常好的降噪效果和稳定性。     

基于BP神经网络算法的手写数字识别技术研究

BP神经网络由于具有高度的并行结构和并行处理能力,以及固有的非线性特性和自学习、自组织、自适应能力等,特别适合应用于模式识别。以BP神经网络为背景,研究手写数字识别技术,在考虑诸多因素的情况下,最终设计一种能够提供良好识别的方法。根据研究目标,设计BP神经网络模型,并针对BP神经网络的缺陷提出BP神经网络算法的改进,提高了神经网络的性能。MATLAB仿真实验表明,改进后的BP神经网络可以对手写数字进行快速、准确地识别,具有广泛的应用前景.     

基于混合混沌优化法的BP神经网络算法

运用混合混沌优化法训练BP神经网络，构造了基于混合混沌优化法的BP神经网络训练算法，实例说明具有较高非线性逼近能力和应用价值。     

一种基于进化BP神经网络的文本分类算法

提出并实现了一种结合BP神经网络和遗传算法的文本分类算法,根据遗传算法能够快速优化网络权重以及摆脱BP算法局部极点困扰的能力,提出一种改进的遗传算法确定网络拓扑结构和训练网络的方法．最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率．     

基于蚁群优化算法的模糊神经网络控制器及仿真研究

提出了一种基于蚁群优化算法的模糊神经网络控制系统,并介绍了模糊神经网络控制器的结构及其参数的蚁群优化算法.仿真结果表明了该方法的可行性和有效性.     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

基于遗传算法的BP神经网络服装销售预测方法

针对服装企业产品销售的复杂性以及特殊性,提出一种有效的神经网络学习模型. 在对服装销售影响因子分析的基础上建立销售预测网络模型,利用遗传算法对后向传播神经网络的各连接权值进行优化计算. 方法综合了后向传播神经网格和遗传算法两者的优势,既具有神经网络强大的学习能力,又具有遗传算法的全局搜索能力.     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

对角递归神经网络在非线性内模控制中的应用

提出一种基于对角递归神经网络的非线性内模控制方案,其内部模型和内模控制器的建立均由对角递归神经网络来实现,同时改进神经网络控制器的训练函数。仿真结果表明,改进的内模控制系统与基本BP神经网络内模控制系统相比,具有跟踪速度快,超调量小,以及对对象参数摄动具有较好的适应性。     

BP神经网络学习算法的研究

文中针对BP算法收敛速度慢的问题,提出一种改进的BP算法．该算法结合生物神经元学习与记忆形成的特点,针对特定的训练样本,只激发网络中的部分神经元以产生相应的输出,而未被激发的神经元产生的输出则与目标输出相差较大,所以对未被激发的神经元权值闽值进行调整．利用距离来度量训练样本与神经元权值之间的关系,可以找到未被激发的神经元．文中提出的算法是对局部神经元权值闽值的调整,通过实验表明该算法有助于加快网络的学习速度．     

基于遗传BP神经网络的油气识别

为了建立一种有效的油气储层识别模型,使得能够处理大信息量、复杂样本空间油气信息,本文提出遗传BP神经网络模型,利用遗传算法全局搜索问题解的特性对BP神经网络的权值和阈值进行快速优化,约束BP神经网络训练学习过程。研究表明,相对于传统BP模型,遗传BP模型具有效率高、收敛速度快、适应复杂样本空间和大样本空间训练学习等优点。