对Preisach类的迟滞非线性神经网络建模

为了消除迟滞非线性对系统的不良影响,本文利用神经网络对Preisach类的迟滞非线性进行建模．通过引入一个特殊的迟滞因子,将多映射的迟滞非线性转换成一一映射,然后建立了基于神经网络的迟滞非线性模型．该模型结构简单,简化了辨识过程,可以调整神经网络权值以适应不同条件下的迟滞辨识．最后．应用该方法对压电执行器中的迟滞非线性建模,并与KP模型进行了比较．     

基于神经网络的电机摩擦力混合模型研究

在电机伺服系统优化建模的研究中,要求高精度伺服系统。由于系统摩擦力具有强非线性和非光滑特性,传统的神经网络无法进行有效辨识。将非线性摩擦特性理解成为由稳态部分和突变部分串联构成,以电机伺服系统为对象,引入柔性sigmoid函数描述非线性摩擦特性中的突变部分,并与传统的RBF神经网络串联,构造出描述非线性摩擦特性的神经网络混合模型。仿真结果表明,与传统的RBF神经网络辨识方法相比,模型在输入变化响应下均具有较高的模型精度,从而验证了建模方法的有效性。     

用神经网络建立非线性系统模型研究

本文针对多层网络结构，运用递推预报误差（ＲＰＥ）算法对离散非线性系统进行辨识研究，作为应用实例，本文对一个工业实际进行了神经网络动态建模，研究结果表明，神经网络方法是用于带有非线性特性工业过程建模的有效方法。     

双重建模与分离辨识技术的FPGA实现

针对许多易受强随机干扰而难以用常规方法辨识的动态系统,提出一种非线性多变量动态系统的双重建模与分离辨识技术在FPGA上的实现.通过对非线性子通道特性分析,采用DDSI技术进行建模,包括构造BP神经网络、运用最小二乘辨识等算法获取数学模型,其中,建立模型的主要算法和系统参数估计的相关的FPGA结构设计通过Verilog语言的结构描述数据流进行了描述.同时采用FPGA的在线可重构技术,在运行时根据需要动态改变系统的电路结构,使硬件具有分时复用,节省逻辑资源的优良性能.这一技术的FPGA实现.使得这种非线性、多变量动态系统的特殊系统辨识技术能够广泛应用于诸如星体运动、现代控制过程、生产过程与经济管理系统等高层次科技领域中的带有强噪声干扰子通道的系统动态建模中.     

基于BP神经网络的纸机加压网前箱的建模研究

针对采用传统的建模方法建立造纸工业过程中的纸机加压网前箱的数学模型很难得到满意结果的问题,尝试用BP神经网络对其辨识建模.通过对物理模型的多次试验,获得了大量的输入输出数据;在此试验数据的基础上对该结构进行BP神经网络模型辨识.为了验证辨识得到的模型的准确性,对该模型采用PID闭环控制,并在Matlab上对结果进行了仿真.实验结果表明,BP神经网络在纸机加压网前箱系统建模方面有着较高的辨识精度.     

基于ANN逆模型补偿的复合控制系统仿真

为对复杂非线性系统进行辨识建模和实施有效控制,分析了基于神经网络的非线性系统逆模型的辨识和控制原理,研究了基于神经网络的非线性系统逆模型补偿的复合控制方法。基于复合控制思想,时常规PID控制器＋前馈神经网络逆模型补偿的复合控制结构方案进行了仿真。仿真结果表明,基于神经网络的非线性系统逆模型补偿的复合控制结构方案是有效的、相对简单的网络结构,可提高逆模型的泛化能力和非线性系统的控制精度。     

催化裂化过程稳态优化控制研究

催化裂化装置是一个高度非线性、时变、长时延、强耦合、分布参数和不确定性的复杂 系统.在研究其过程机理的基础上,定义了一种模糊神经网络用以建模,用自相关函数检验法检 验模型的正确性,再用改进的Frank-Wolfe算法进行稳态优化计算,并以一炼油厂催化裂化装 置为对象进行试验,研究其辨识、建模和稳态优化控制.这种模糊神经网络具有隐层数多、隐层 结点数多、泛化能力和逼近能力强、收敛速度快的优点,更突出的特点还在于可由输出端对输入 求导,为稳态优化计算提供了极大方便,它与改进的Frank-Wolfe算法相结合用于解决非线性 复杂生产过程的建模和稳态优化控制问题是可行的.     

非线性系统辨识方法研究

讨论了利用小波神经网络对非线性系统辨识的新方法。在辨识过程中,为了提高小波神经网络对非线性系统的辨识性能,使用一种改进粒子群优化算法对BP小波神经网络参数进行训练,求得最优值,达到对非线性系统辨识目的。在数值仿真中,与采用标准粒子群优化算法相比,结果显示了提出的方法在收敛性和稳定性等方面均得到了明显的改善。     

用神经网络进行连续时间非线性系统建模的研究

在用神经网络进行系统建模时,建模误差的存在是难免的。为了减小这种误差,本文对连接时间非线性系统提出了一种新的神经网络辨识模型,它是由带有输入修正的神经网络和稳定滤波器组合而成。文中给出了权值的学习算法,即权值是根据辨识误差的投影算法来改变,证明了在一定条件下辨识误差的收敛性。     

基于函数链神经网络的非线性系统稳态模型辨识及应用

利用函数链神经网络的非线性映射能力和快速收敛特性，将良好的推广能对视为网络评价函数的约束条件，以改善网络的泛化特性，提高系统的稳态辨识精度，仿真和实际应用结果表明，具有收敛快，辨识精度高，所需样本少等优点。该方法在SO3磺化过程非线性系统建模中得到应用。     

一种结合PSO及改进BP网络的辨识方法

当辨识神经网络的类型和结构确定后,初始权值等辨识参数直接影响到辨识效果,而依靠先验知识试凑而得的参数值往往难以达到最佳效果。针对这一问题,提出了一种结合粒子群（PSO）算法及引入动量项的改进BP网络的辨识方法,利用PSO对改进BP网络辨识的初始权值/偏置、学习率、动量系数进行寻优,并将优化后的神经网络模型用在控制系统中进行修正,进一步完善辨识模型。应用在热工系统中,仿真结果表明了该辨识方法的有效性。     

一种基于BP神经网络的数字识别新方法

针对标准BP神经网络收敛速度慢、易陷入局部极小点的缺点,提出了一种新的BP神经网络改进算法。该算法通过变步长法和牛顿法来改进BP算法,加快了网络的收敛速度,且收敛速度快于其他的改进算法。在此基础上将BP神经网络应用于数字识别中,为其网络建立识别模型。利用仿真实验观察BP网络的泛化能力以及识别准确性,比较BP算法及其改进方案,提出改进方案中分别需要注意的地方。     

Identification of non-linear processes using reciprocal multiquadric functions

In this paper radial basis function (RBF) networks are used to model general non-linear discrete-time systems. In particular, reciprocal multiquadric functions are used as activation functions for the RBF networks. A stepwise regression algorithm based on orthogonalization and a series of statistical tests is employed for designing and training of the network. The identification method yields non-linear models, which are stable and linear in the model parameters. The advantages of the proposed method compared to other radial basis function methods and backpropagation neural networks are described. Finally, the effectiveness of the identification method is demonstrated by the identification of two non-linear chemical processes, a simulated continuous stirred tank reactor and an experimental pH neutralization process.     

基于粗糙集和BP神经网络的天然裂缝识别

研究粗糙集理论和BP神经网络算法,以及如何结合两者构建天然裂缝智能识别的应用。选取与天然裂缝发育有关的测井曲线作为样本集．先用粗糙集理论约简样本信息,然后采用BP神经网络识别天然裂缝。给出了基于粗糙集和BP神经网络的天然裂缝智能识别的设计方案,通过长庆油田实际油井的应用,结果表明这种识别方法效果显著。粗糙集有效地约简样本信息．BP神经网络很好地识别天然裂缝,故基于粗糙集和神经网络的智能识别方法切实可行。     

基于BP神经网络的说话人识别技术的实现

说话人识别就是从说话人的一段语音中提取出说话人的个性特征,通过对这些个人特征的分析和识别,从而达到对说话人进行辨认或者确认的目的。神经网络是一种基于非线性理论的分布式并行处理网络模型,具有很强的模式分类能力及对不完全信息的鲁棒性,为说话人识别技术提供了一种独特的方法。BP（Back-propagation Neural Network）是一种非循环多级网络训练算法,有输入层,输出层和N个隐含层组成。首先概述了语音识别技术,介绍了BP神经网络训练过程的7个步骤及其模型,如何建立BP神经网络模型。同时介绍了与其相关的特征参数的提取,神经网络的训练和识别过程,最后,通过编程在Linux系统下实现说话人身份的识别。     

水处理过程的RBF和BP神经网络建模

针对水处理过程非线性、时变和大滞后的特点，本文采用RBF和BP神经网络分别建立了水处理过程模型，利用水厂实际运行数据对两个模型分别进行了训练和检验。与BP神经网络模型相比，RBF神经网络模型具有逼近能力强、收敛速度快等优点。该模型可以实现对水处理过程的在线辨识，并可进一步用于该过程的神经网络预测控制。     

基于ANFIS的糖厂PH中和过程建模

针对糖厂pH中和过程具有强非线性,大滞后性,不确定性等特点,将模糊推理系统和神经网络相结合,介绍了一种自适应神经模糊推理系统（ANFIS）,并建立了pH中和过程的模型。仿真结果表明,利用ANFIS所建立的模型能很好地逼近实际的非线性系统,并且辨识精度高,泛化能力强,为后续的优化控制研究奠定了基础。     

一种基于改进神经网络的系统辨识方法

该文在分析神经网络辨识技术特点及现状的基础上,将BP神经网络结构和遗传算法相结合,设计了一种适用于非线性系统的辨识器模型。该辨识器模型首先建立初始的BP神经网络结构,再利用遗传算法对BP神经网络的权值和阈值进行优化,从而优化BP神经网络,通过迭代最终建立辨识器模型。最后,通过一个三阶非线性多输入单输出系统的仿真实验证明了所设计的辨识器具有辨识时间短、辨识精度高的特点,为神经网络辨识技术的研究提供了新的思路和方法。     

基于遗传算法优化的BP网络速度观测器的研究

根据三相异步电机的数学模型,提出了一种基于智能算法优化的速度观测器,以实现无速度传感器在直接转矩控制系统中的速度闭环控制。在通过BP神经网络训练得到的DTC系统的速度观测器的基础上,针对BP神经网络寻优参数多、易陷于局部极值以及初始设置对训练结果影响大等的不足,采用遗传算法对其进行优化设计。由仿真结果可知,用遗传算法优化后的BP神经网络较单纯的BP神经网络速度观测器具有更高的精度。     

基于BP神经网络的PID控制器研究

BP神经网络的PID控制器依赖于灵敏度信息实现参数在线调整,获得灵敏度信息非常重要。利用符号函数来获得灵敏度信息,计算不精确,利用RBF对被控对象在线辨识获得灵敏度信息,收敛速度慢。提出了一种新方法,即在RBF神经网络辨识的基础上,当误差较大时,利用符号函数获得灵敏度信息,以加速收敛;当误差较小时,利用RBF神经网络在线辨识获得灵敏度信息,以提高控制精度。仿真结果表明算法收敛速度快、精度高,控制效果优于符号函数实现的参数调整方法。