时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机(PMSM)中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。     

Elman递归神经网络在车牌字符识别中的应用

为了提高车牌自动识别系统的速度和准确度,采用适应性较强的十三特征提取法进行车牌字符的特征提取,将提取的特征向量作为网络的输入;在对网络进行训练时,选用具有一个承接层作为一步延迟算子的动态建模性质比较好的Elman递归神经网络.此网络在权值更新时不仅考虑了当前的梯度方向,而且还考虑了前一时刻的梯度方向,从而降低了网络性能对参数调整的敏感性,有效地抑制了局部极小值的出现.最后与BP网络训练的结果进行对比,结果表明Elman递归神经网络在识别速度和准确度方面都更具优越性.     

永磁同步电动机混沌系统神经网络控制研究

通过适当地选择系统参数以及外部输入，永磁同步电动机可以呈现出混沌运动状态。针对永磁同步电动机混沌模型的不确定性，采用基于正模型一逆系统的神经网络控制策略，建立混沌系统的动力学正向模型及其逆模型，实现了永磁同步电动机混沌运动的跟踪控制。仿真结果验证了该控制策略的有效性。     

动态T-S递归神经网络及其应用

基于递归神经网络和模糊系统,给出了一种动态T-S递归模糊神经网络(DTRFNN)。该神经网络用BP算法进行网络权值的学习,并在权值学习的基础上采用改进的BP算法克服局部极小。以动态系统的辨识为例进行仿真实验研究,并与一般的模糊神经网络进行了比较。结果表明,DTRFNN的辨识误差较小,取得了很好的辨识效果。该神经网络应用于某金属温度软测量时,能很好地实现温度的在线检测。     

基于递归模糊神经网络的移动机器人滑模控制

针对非完整移动机器人轨迹跟踪控制问题,提出了一种Backstepping运动学控制器与自适应动态递归模糊神经滑模控制器相结合的控制结构。采用遗传算法对运动学控制器的参数进行了优化选取,有效地抑制了因初始位姿过大而引起的初始速度及输出力矩过大的问题;采用动态递归模糊神经网络(Adaptive dynamic recurrent fuzzy neural network,AD-RFNN)对动态非线性不确定部分进行在线估计,使不确定性估计误差大大减小;通过与自适应鲁棒控制器结合应用,不但解决了移动机器人的参数与非参数不确定性问题,同时也消除了在滑模控制中的输入抖振现象;基于Lyapunov方法的设计过程,保证了控制系统的稳定与收敛;仿真结果表明了该方法的有效性。     

一类递归神经网络的非线性学习控制

讨论了一种动态递归神经网络的学习算法,利用该学习算法,提出了一类非线性系统的学习控制方法。仿真结果表明,本文的学习算法和控制方法对非线性系统是有效的。     

基于混沌时间序列的Elman神经网络工业用电预测

针对电力负荷数据在多重因素相互影响下呈现非线性特性甚至是混沌性的问题,采用基于相空间重构的Elman神经网络方法进行全社会工业月用电量预测.利用小数据量法计算最大Lyapunov指数,判别负荷时间序列的混沌性,进而确定最优延迟时间及最佳嵌入维数进行相空间重构,以此确定Elman神经网络的拓扑结构,并将实测数据带入模型进行训练.通过对实测数据进行预测仿真,表明该模型达到了较好的预测效果,验证了提出的时间序列相空间重构与Elman神经网络结合的正确性与有效性.     

神经网络PID控制在永磁直线同步提升系统中的应用

在建立永磁直线同步电动机数学模型的基础上,分析了伺服控制系统的控制要求,结合神经网络和PID控制的特点,设计出了永磁直线同步电动机提升系统的控制系统.仿真结果表明,此控制系统对系统参数变化和外部扰动具有很强的鲁棒性.     

神经网络PID控制在永磁直线同步提升系统中的应用

在建立永磁直线同步电动机数学模型的基础上,分析了伺服控制系统的控制要求,结合神经网络和PID控制的特点,设计出了永磁直线同步电动机提升系统的控制系统．仿真结果表明,此控制系统对系统参数变化和外部扰动具有很强的鲁棒性．     

一种局部递归神经网络模型及其在动态系统辨识中的应用

提出了一种局部递归神经网络模型,利用误差回馈原理推导了其学习算法,针对动态系统辨识问题,建立了一个基于该网络的并联辨识方案,仿真结果表明,该网络及其辨识结构具有学习效率高,逼近速度快和不需要要辨识对象的先验知识等特点。     

用于动力系统控制的时滞神经网络

提出了一种连续回归时滞神经元网络,并将其用于动力系统控制。通过在隐层神经元中引入时滞,构造了一种新的时滞神经网络模型。应用Lyapunov稳定性方法,给出了此神经网络权值的修正算法和系统的控制输入,保证了控制系统的稳定性。本文建立的控制方法不需要系统任何的先验知识,并能保证控制误差收敛到零点附近的一个小的邻域,并始终保持在这个区域内。最后通过对一种超声马达进行控制实验,验证了本方法的有效性。     

动态递归模糊神经网络及其BP学习算法

提出了一种新型的动态递归模糊神经网络，并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法，仿真结果表明对于动态系统的辨识，动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果。     

对角递归神经网络永磁同步电机的无传感器控制

分析了基于对角递归神经网络观测器控制系统的动态性能和鲁棒性能.基于对角递归神经网络观测器将实际测得的电压和电流经过坐标变换后估测出电流和角速度,用估测值与实际值的差值调节神经网络观测器连接权值,直到预测误差达到设定值.该控制器具有不依赖被控对象的精确数学模型、对外界环境变化具有学习性、自适应性及鲁棒性等特点.仿真表明,该方法具有较好的转子位置和速度跟踪特性,系统具有较强的抗负载扰动性能和控制性能,能够满足精度高、反应快、鲁棒性好的要求.     

时延动态神经网络的稳定性分析

基于时延动态网络模型的优化计算易于收敛到非法解或局部极小解,以及其算法对模型参数和初始条件具有很强的依赖性等缺点,对时延动态神经网络的稳定性进行了深入地研究讨论,通过Razumikhin-type定理对时延动态神经网络的稳定性进行了分析研究.     

神经网络内模控制及其在大迟延系统中的应用

针对大迟延非线性系统,设计了一种基于神经网络和内模控制理论的控制系统。系统结构为串级,内回路采用常规比例控制;外回路采用神经网络内模控制。辨识器和控制器均采用3层BP网络实现,并用加入动量项的BP算法来训练网络。以电厂主汽温对象为例对系统进行多种负荷下的仿真验证,结果表明,所设计的系统在模型变化时具有较好的控制品质和鲁棒性及抗干扰性,明显优于常规主汽温控制系统。     

具有S-分布延时和脉冲控制的一类神经网络的鲁棒同步

具有脉冲的神经网络作为一种典型的混合系统在图像处理、模式识别、优化控制等实际工程中有广泛的应用。在这些应用中,要求神经网络具有鲁棒同步性质。因此,神经网络的鲁棒同步性研究受到许多学者的关注。本文将不确定非线性耦合函数引进到一般类神经网络中,通过构造适当的Lyapunov函数和运用一些不等式分析技术,研究了具有S-分布延时和脉冲控制的神经网络的鲁棒同步性质,得到了保证网络具有一般脉冲鲁棒同步的一个实用条件。     

基于神经网络PID控制器的混沌系统控制与同步

提出了一种基于神经网络参数自整定PID控制器的混沌控制方法。该方法由神经网络辨识器和神经网络控制器组成,神经网络学习算法均采用Davidon最小二乘法。考虑到混沌系统的动力学特性,施加单个控制量可实现模型未知混沌系统的平衡点镇定和自同步,仿真结果证实了该方法的有效性。     

基于非等间距灰色模型和Elman神经网络的轨道质量预测

轨道质量是影响行车安全的关键因素,合理预测轨道质量可以有效指导铁路工务部门进行轨道养护和维修.轨道质量指数(Track Quality Index,TQI)是综合评价单一区间段内轨道质量的参数.本文通过深入研究TQI的发展趋势,提出一种将非等间距灰色模型和遗传算法优化Elman神经网络相结合的预测方法.首先利用优化后的非等间距灰色模型GM(1,1)得到原始TQI序列的大致发展趋势,然后为了描述轨道质量发展中各因素之间复杂的函数关系,利用遗传算法优化后的Elman神经网络对初步预测结果进行残差校正,从而得到更为准确的TQI预测序列.新方法将轨道质量发展趋势中的随机波动成分纳入方法考虑范围,充分挖掘了历史数据的发展规律.利用沪昆线上行实测TQI数据对本文方法进行验证,实验结果表明:新方法对轨道质量发展中的随机波动趋势拟合效果较好;对于轨道质量预测,在利用非等间距灰色模型进行初步预测基础上,使用Elman神经网络进行残差校正,由此得到的预测结果在均方根误差、相对系数、决定系数等多个统计指标上均优于其他方法.