基于小波变换的系统辨识方法

介绍了一种基于正交小波变换的系统脉冲响应辩法在包括对线性的脉冲响应辩识和非线性系统的脉冲响应辨识,仿真结果证明了该方法的有效性     

三阶感应电动机负荷模型参数易辨识性研究

三阶感应电动机负荷模型中部分参数易辨识 ,且辨识结果稳定 ,而另一部分参数难辨识 ,辨识结果存在较大离散性 .通过对参数灵敏度进行分析 ,指出了参数灵敏度与参数易辨识性之间的关系 ,以及扰动强度与参数灵敏度从而参数易辨识性的关系 .最后给出了对实际三阶感应电动机参数辨识的分步方法 :利用较小的扰动强度数据来辨识具有较大灵敏度的参数 ;利用具有足够强度的扰动数据来辩识灵敏度小的参数 .     

基于多层前向神经网络辩识电液伺服系统模型

建立了一种辩识非线性电液伺服控制系统数学模型的辩识方法,研究了多层前向神经网络辩识非线性系统的辩识算法和结构,利用辩识实验获得的过程输入／输出数据动态调整神经网络权值。仿真结果辨明：神经网络描述的电液伺服控制系统数学模型具有较高精度,算法全局逼近能力良好。     

基于单层感知器的辨识方法及其应用

单层感知器神经网络模型是多层感知器神经网络———ＢＰ网络的基础,对单层感知器学习算法的改进是进行ＢＰ网络学习算法改进的基础。把带遗忘因子的递推最小二乘辩识算法的原理应用到单层感知器的学习算法中,提出了单层感知器的改进学习算法。这一改进算法克服了常规学习算法不适于在线学习的缺点。仿真实验的结果证实,基于改进学习算法的单层感知器完全可以满足线性系统在线辨识的要求。最后分析了这种改进算法的优点及其具有这些优点的原因     

径向基神经网络在非线性系统辨识中的应用

本提了一种基于径向基函数神经网络对非线性系统进行辨识的方法、仿真及对模拟系统的辩表明,该方法有效可行。     

基于神经网络的三容水箱液位控制系统辨识

针对三容水箱液位控制系统的滞后、非线性特性,难以用传统的机理方法进行辨识,提出了用BP网络辨识该系统的方法。采用并联型辩识结构,训练网络采用Levenberg-Marquardt算法和BFGS拟牛顿算法,仿真结果表明,这两种算法用于BP网络辨识该系统效果较好。     

基于神经网络的三容水箱液位控制系统辨识

针对三容水箱液位控制系统的滞后、非线性特性,难以用传统的机理方法进行辨识,提出了用BP网络辨识该系统的方法.采用并联型辩识结构,训练网络采用Levenberg-Mararquardt算法和BFGS拟牛顿算法,仿真结果表明,这两种算法用于BP网络辨识该系统效果较好.     

神经网络用于结构动荷载识别的研究

本文讨论了神经网络用于结构动荷载识别方法．通过系统输入及输出，建立系统的仿真模型．然后时结构的动荷载进行识别，时解决非线性辩识问题作了有益的探讨．具有一定的实用意义．     

一种全并行神经网络参数辨识方法

针对在线参数辨识计算工作量大，造成难以实时给出参数估值的问题，利用Ｈｏｐｆｉｅｌｄ型网络的快速优化计算能力，通过对Ｈｏｐｆｉｅｌｄ网络改进，推出了一种全并行递推神经网络参数辨识方法，使计算量较传统的参数辨识方法大大减小。同时由于神经网络的互连作用，增强了辨识的鲁棒性，为实时给出参数估值提供了可靠的保障。     

基于人工神经网络的内模控制

提出了一种神经网络的内模控制系统，给出了有效的基于前馈神经网络的模型辨识及逆模型辨识方法，经领导具实验表明，这类控制器可用于难以建立数学模型的控制系统。     

非线性动态系统辨识的神经网络结构和可行性研究

在讨论各种非线性动态系统辨识模型的基础上，给出相应模型的神经网络实现方案，并首次提出了实现非线性动态系统的回归状态模型的新型神经网络结构－神经网络状态空间辨识模型，从理论上证明了使用神经网络实现这些模型的可行性。     

基于GA-BP和GA-RBF网络的结构损伤识别

首先指出了当人工神经网络算法解决结构工程实践问题时,网络结构本身所面临的缺陷;然后描述了人工神经网络和遗传算法的概念,从理论和实例上说明了运用遗传算法优化和改进神经网络结构的可行性,以结合二者的长处解决工程实践问题;接着详细阐述了如何利用遗传算法优化或改进BP(B ack P ropagation)网络模型和RBF(R ad ia l B as is Function)网络模型,以及如何利用遗传优化BP网络和遗传优化RBF网络模型分析结构损伤,进而比较遗传BP网络和RBF网络在结构损伤分析方面的性能。     

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。     

基于铝电解过程神经网络建模的研究

目的利用神经网络铝对电解过程进行辨识建模,以解决采用常规方法难以建立模型的问题.方法分别利用递归神经网络（Elman神经网络）和延时神经网络（加入延时单元的BP神经网络）对铝电解过程进行辨识建模,并将二者的辨识结果进行了比较.结果递归Elman神经网络能更好地跟踪铝电解生产过程,并且网络结构简单误差小.结论笔者提出的递归Elman神经网络建模方案更适合于对铝电解过程进行辨识建模.     

基于BP神经网络的结构系统跟踪辨识方法

针对人工神经网络在结构系统辨识中存在的问题,提出一种基于BP神经网络的跟踪辨识方法.通过将实际结构模型分为一个机理模型和一个实时误差模型,前者基于常规的BP神经网路通过离线训练而成,而后者通过小型的BP神经网络实时辨识系统误差,进而使这种经过改进的系统识别网络能够具有动态递阶识别系统的能力.计算机仿真分析表明,这种方法可有效地减小由于不同外荷载作用引起的结构系统辨识误差,提高人工神经网络在系统辨识中的精度和可靠度.     

基于主成分分析的BP神经网络在岩性识别中的应用

提出一种将主成分分析和BP神经网络相结合的方法对测井资料进行岩性识别。首先将原始测井数据进行主成分分析,分析结果作为PCABP神经网络的学习样本进行训练,建立测井解释的PCA—BP神经网络岩性识别模型．并用该模型对测试样本进行识别。结果表明该方法同传统的BP神经网络相比．不仅简化了网络结构（网络的输入神经元个数由5个减少为2个）,网络收敛速度也加快了21％．而且识别的准确率提高了25％。     

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。     

基于一种改进BP神经网络的一类非线性系统辨识方法

对一类非线性系统的辨识方法进行了讨论。辨识模型为一个改进的神经网络,该神经网络包括:线性网络和BP神经网络。对线性网络的模型选择和多层前馈网络的关系做了细致的研究, 并分别进行了仿真。仿真结果表明,该系统辨识方法对于一类非线性系统具有很好的辨识作用。     

A new PQ disturbances identification method based on combining neural network with least square weighted fusion algorithm

Power quality (PQ) has been an important con-cern for utility, facility and consulting engineers in re-cent years. With the development of modern industrytechnology, especially thatof electronic and informationtechnology, the end-use equipment sensitive to PQdis-turbances are widely used in many areas. They requirenot only the conventional static PQ disturbances, suchas harmonics, voltage fluctuations, voltage deviation,frequency deviation and unbalance, but also the dy-namic PQ disturbance…     

基于神经网络的过程系统动态建模

针对生产过程中参数容易受外界影响而改变,传统的系统辨识方法难以得到精确的数学模型的实际情况,提出利用神经网络的自学习、自适应功能实现动态在线建模。本文对这种方法进行了仿真研究。由计算机产生仿真输入信号：随机信号或Ｍ序列伪随机信号,输入到生产过程中普遍存在的一阶纯滞后对象。通过三层ＢＰ神经元权值的不断调整,实现离线辨识和在线辨识,直到神经网络的阶跃响应曲线几乎和实际系统的阶跃响应重叠。仿真结果表明,