基于混沌机制的神经网络预测控制及仿真研究

为解决一大类未知、时滞、非线性系统的预测控制问题,提出了一种基于改进的El-man动态回归神经网络预测控制算法.首先,在一般的Elman动态回归神经网络算法中加入了混沌机制,利用混沌机制固有的全局游动有效地消除了Elman网络易陷入局部极值的缺点,提高了系统的辨识速度;然后,结合广义预测控制(GPC)的反馈校正、滚动优化来完成非线性系统的预测控制.仿真结果表明:将本算法应用于非线性系统预测控制,对未建模动态具有较强的鲁棒性和良好的控制跟踪能力.     

基于BP神经网络的非线性预测控制

将BP神经网络技术应用于预测控制,并对其控制算法进行研究。采用一个BP神经网络来实现对系统的辨识和多步预测,并将一种新型的非线性混沌映射引入到神经网络的参数学习算法中实现其权值调节,以逐步建立被控对象合理的多步预测模型,并用网络的多步预测输出序列与设定值序列的偏差修改控制律。仿真结果表明了该算法的有效性。     

基于神经网络的城镇在岗职工平均工资预测

由于在岗职工的平均工资不仅能反映人民的生活水平,也是企业退休职工的养老金、社保基金收缴比例以及个税征收比例等主要指标的参考标准,因此对其进行预测就显得尤为重要。为了提高在岗职工平均工资的预测精度,文中分别采用了BP神经网络和广义回归神经网络(GRNN)的方法,利用Matlab2010a对城镇在岗职工的平均工资进行模拟和预测。其中,用BP神经网络预测出的平均工资与实际值十分接近,相对误差能控制到2%以内,因此,利用BP神经网络对平均工资进行预测是可行的。     

基于暂态混沌神经网络的低阶混沌时间序列预测

暂态混沌神经网络是一种基于Hopfield网络提出的混沌神经网络,具有收敛速度快、不易陷入局部极小等优点．许多低阶的混沌系统都可以展成二阶volterra级数,因此提出一种基于暂态混沌神经网络和volterra级数的低阶混沌时间序列预测方法．该方法利用暂态混沌神经网络计算系统的volterra级数系数,确定系统的动力学模型,从而实现混沌时间序列预测．利用Logistic模型对该方法进行测试,结果表明,预测相对误差小于0．5％,预测可达到较高的速度和精度．     

基于混沌神经网络的旋转机械状态趋势预测

旋转机械的特征信号常具有非线性和非平稳性,传统的平稳信号分析方法对这类信号不适用,将混沌理论引入旋转机械的故障预测领域,详述了混沌预测方法和混沌神经网络的预测原理,并以工业现场大型烟气轮机为研究对象,完成了基于混沌神经网络的预测,与灰色预测方法进行了比较,实验结果表明基于混沌神经网络的预测精度更高,更有效.     

基于BP神经网络变参数设计的广义预测控制

针对广义预测控制算法中控制参数整定困难这一缺陷,提出了一种基于BP神经网络变参数设计的广义预测控制算法,实现了广义预测控制中的输出柔化系数α和控制增量加权系数λ的在线调整。仿真结果表明,该算法无论在跟踪性能、控制精度及鲁棒性上,均优于固定参数设计的广义预测控制算法,并对干扰有一定的抑制作用。     

基于混沌时间序列及神经网络的大同电网负荷短期预测研究

精确的负荷预测对电力定价、实时负荷调整起着十分重要的作用.提出利用径向基函数神经网络模型,通过采用混沌时间序列的方法,对大同地区的全网用电负荷数据进行了短期预测验证.通过数据预处理产生混沌序列,进而通过相空间参数完成了相空间重构.最后通过RBF网络预测得到了相应的预测值,并与实际值进行了对比.结果表明:得到的预测结果与实际结果几乎重合,证明了该方法的高度预测能力与适应能力.     

基于广义预测的非线性神经网络控制器

广义预测控制(GPC)是针对线性系统提出的一种控制方法,而神经网络具有对一般非线性函数的逼近能力。首先介绍基于GPC的神经网络控制系统的组成,进而提出采用两层线性神经网络构造预测器,采用E lamn型动态递归网络构造控制器,从而实现对非线性对象的快速控制,仿真结果说明了该算法的有效性。     

基于神经网络建模的预测控制

预测控制具有多步预测、滚动优化和在线自适应校正等优点。文中提出了用神经网络方法建立预测模型, 将其应用到了润滑油溶剂脱蜡过程并取得了有效的仿真结果     

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。     

基于HOPFIELD网络的约束广义预测控制

本文提出了一种求解约束非线性规划的HPPFIELD网络结构,证明了其收敛性和稳定性;并将这种网络应用于约束广义预测控制的求解,进行了仿真。     

基于模糊神经网络的智能控制研究

模糊神经网络是一个新型的研究领域,随着人们对人工智能进行更深入、多层次的研究,使其在模糊控制、模糊决策、专家系统、模式识别等众多领域都发挥了重要作用。模糊控制的逻辑推理技术与神经网络的结合,将弥补神经网络在模糊数据处理方面的不足和纯模糊逻辑在学习方面的缺陷。     

模糊控制和人工神经网络控制仿真课件的研究

本文论述模糊控制和人工神经网络控制仿真课件的基本设计方法,着重论述设计本课件时所用到的几个主要MATLAB函数的使用方法。用本课件设计了水箱水位模糊控制系统,仿真运行结果证明本课件的可用性,并具有使用简单、易学易懂等优点。     

基于人工神经网络的控制器的研究

本文通过在对几种常见神经网络在机器人手眼协调控制中的应用分析和仿真研究的基础上，给出了一种综合型的神经网络模型，仿真结果表明模型具有更好的收敛速度和控制性能。     

基于NN非线性系统的广义预测控制与模拟

利用最小二乘法理论 ,建立了一种适合非线性系统的广义预测控制方法 ,通过仿真验证了其具有良好的适应性和有效性。     

具有PID结构的改进广义预测控制算法

针对一般广义预测控制超调难以抑制的问题,通过改变一般预测控制的目标函数把PID与广义预测控制结合起来,利用PID的反馈作用改善系统的性能指标,并充分利用预测信息达到抑制超调和提高系统稳定性的目的,仿真结果表明该算法是有效的。     

基于遗传算法和神经网络的因素分析

提出了一种基于遗传算法 (GeneticAlgorithm)和通用神经网络 (GeneralizedRegressNeuralNetwork)的因素分析法———GA GRNN因素分析法。从理论和实验两方面分析了该方法的原理、可行性和实际效果。