基于小波神经网络的系统辨识方法

神经网络由于具有良好的自学习和自适应能力，在非线性黑箱建模或系统辨识中有着广泛的应用，这些辨识模型有：多层感知器、径向基函数网和反馈网络等等。文中提出了基于小波神经网络模型的系统辨识方法。由于小波变换或分解所表面的良好的时频局部化特性，以及多尺度的功能，我们用规范正交的小波函数作为基函数网络中的基函数，得到所谓的小波神经网络。通过计算机仿真证实了该方法的良好的辨识效果。     

一种快速在线小波神经网络辨识算法

本文以小波理论的多分辨率分析为基础,分析了各种小波网络的频率特性,指出了由尺度函数和小波函数组成的多分辨率小波网络的优点.针对多分辨率小波网络,本文提出了一种在线辨识算法.该算法,当增加样本和新神经元时,在线修正网络权值,同时通过正交化在线优选神经元,达到优化网络结构和网络权值的目的,训练速度快,辨识精度高.仿真结果表明了该算法的有效性.     

动态非线性连续时间系统的小波神经网络辨识

将小波神经网络应用于动态非线性连续时间系统的辨识, 同时为了使神经网络的训练达到全局最优和加速小波神经网络训练的收敛速度, 提出了信赖域算法, 并研究了信赖域算法的收敛性. 随后进行了算例仿真, 证明了所提辨识方法的有效性.     

基于小波网络的飞控系统故障仿真建模及诊断

选择以Sigmoid函数为基础的小波基波函数构造了一个小波神经网络,用此网络对某型飞机飞控系统中的作动器三种故障进行诊断,仿真结果表明该小波神经网络的泛化性及诊断能力均强于传统的BP神经网络。     

基于小波包分析和RBF神经网络的ERT系统流型辨识

两相流体具有复杂性的流动特性,流型的准确辨识是两相流参数准确测量的基础,流型的在线智能辨识成是两相流研究的重点内容之一。以ERT系统和油/水两相流的流型为研究基础,采用小波包分析方法对测量数据进行特征提取,然后以提取后的特征数据作为RBF神经网络的输入,对网络进行建模和仿真。通过实验仿真分析,该方法对流型辨识非常适用,并有效达到流型辨识的目的。     

线性神经网络在系统辨识中的应用研究

神经网络用于系统辨识最为常用的模型为BP模型,它能辨识线性和非线性系统,但BP网络存在收敛速度慢和易陷入局部极小值的缺点,影响系统辨识的速度和精度。线性神经网络结构简单,它采用Widrow-Hoff学习规则,收敛速度快,且不存在局部极小值问题,因此,对于线性系统,考虑用线性神经网络进行辨识,实验仿真结果表明,基于线性神经网络的系统辨识具有很高的辨识速度和精度。     

线性神经网络及在系统辨识中的初步应用

该文从基本的智能控制技术——神经网络(NN)技术出发,探讨了神经网络用于系统辨识与建模的基本理论,分析了线性系统神经网络建模的规律,提出了一种利用线性神经网络进行系统辨识的方法。该辨识方法显示出很强的处理问题的能力,无需辨别系统阶次,辨识结构简单,收敛速度快,仿真结果表明这种方法的有效性和可行性。该文共分为四部分,第一部分介绍了神经网络用于系统辨识的特征,第二部分讲述了线性神经网络的工作原理,包括线性神经网络的模型、传递函数、学习规则及训练过程,第三部分讲述了线性神经网络进行系统辨识的仿真实例,第四部分对上述内容作了简要小结。     

基于小波神经网络的通用多变量非线性系统辨识算法和应用

在分析小波函数对L2(R)空间的逼近原理的基础上,给出了仅使用尺度函数的神经网络模型和网络学习方法,使得用于逼近低通系统的小波基函数大大减少,并给出逼近的理论依据.提出的小波神经网络模型的学习为线性LS参数估计问题,具有通用性和易用性,并具有线性系统中线性LS参数估计的优良性质,保证了在训练数据受噪声污染时的网络模型的推广能力.理论分析、仿真实验和实际应用结果都说明该辨识方法具有好的辨识精度和推广能力.     

优化小波神经元的辨识算法

以小波理论为基础,讨论了小波径基函数网络非线性辨识的基本原理,并提出从全部小波基中选出对辨识最起作用的一部分小波基的正交优化方法,以解决小波神经网络隐层神经元数量过多的问题。用推广Ｋａｌｍａｎ滤波方法训练小波网络,大大加快了它的收敛速度。仿真结果表明了该方法的可行性和有效性。     

基于小波分析和BP神经网络识别的中医脉象信号辨识系统

讨论基于小波分析的脉象信号分解与重构、信号除噪、脉象信号时频特征值的提取和分析,构建合理的神经网络结构,各层神经元数量的确定,选择合理的学习速率,脉象信号特征值的选取,神经网络的训练等必须解决的关键问题。构建了一种比较实用的基于小波分析BP神经网络的中医脉象信号辨识系统。经1456例临床脉象检测,准确率〉90％,不仅极大地提高对平、浮、沉、迟、数、虚、实、滑、涩、洪、弦、促、结、代等基本脉的识别率,对于由上述基本脉构成的临床常见的相兼脉也有相当高的识别能力。     

基于Morlet小波的飞控系统故障诊断方法研究

对Morlet小波及其变换特性进行了分析,选择Morlet小波的实部为神经元的作用函数构造了一个小波神经网络,用此网络对某型飞机飞控系统中的作动器三种故障进行诊断,仿真结果表明该小波神经网络的泛化性及诊断能力均强于传统的BP神经网络。     

pH中和系统辨识中的人工神经网络应用

pH中和作为化工、生物、发电和污水处理中的一个重要过程,具有极强的非线性和不确定性,很难对其进行精确建模,因此,pH值的控制一直是工业过程控制中的一个难题。本文借鉴了计算机领域中神经网络(NN)在非线性系统建模中的显著作用,结合对pH中和过程机理的分析,建立了基于BP神经网络的辨识模型,对典型的pH中和过程系统辨识进行了仿真研究,并进行了相关试验。试验结果表明:神经网络在pH中和过程辨识中具有较高的辨识精度,有着广阔的应用前景。     

小波神经网络在黄金价格预测中的应用

通过对影响黄金价格变动的主要因素的研究,提出一种基于小波神经网络的黄金价格预测模型。给出了具体的网络学习算法,并结合算法对黄金价格进行预测。为验证模型有效性,进行了对比测试。分析结果表明,小波神经网络模型比传统的BP神经网络模型具有收敛速度快、预测精度高的特点。     

小波神经网络在滚动轴承故障诊断中的应用

结合小波变换和神经网络的优势给出小波神经网络的结构模型,研究了小波神经网络的学习算法;针对传统算法收敛速度慢等问题,从学习率和引入动量项两个方面对算法进行改进。应用小波网络对滚动轴承的典型故障进行实例诊断。以7216圆锥轴承在实验台上所测取的数据进行网络训练。用振动信号为网络输入向量,给出训练结果。仿真实例表明,采用小波神经网络能够很好地对故障进行分类,其收敛速度明显要快于相同条件BP神经网络,有效地实现了滚动轴承的故障诊断。     

A self-evolving functional-linked wavelet neural network for control applications

The structure of a neural network is determined by time-consuming trial-and-error tuning procedure in advance for the reason that it is difficult to consider the balance between the neuron number and the desired performance. To attack this problem, a self-evolving functional-linked wavelet neural network (SFWNN) is proposed. Without the need for preliminary knowledge, a self-evolving approach demonstrates that the properties of generating and pruning the hidden neurons automatically. Then, an adaptive self-evolving functional-linked wavelet neural control (ASFWNC) system which is composed of a neural controller and a supervisory compensator is proposed. The neural controller uses a SFWNN to online estimate an ideal controller and the supervisory compensator is designed to eliminate the effect of the approximation error introduced by the neural controller upon the system stability in the Lyapunov sense. To investigate the capabilities of the proposed ASFWNC approach, it is applied to a chaotic system and a DC motor. The simulation and experimental results show that favorable control performance can be achieved by the proposed ASFWNC scheme.     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

级联RTAC系统动态神经网络辨识与分散镇定控制

针对含不确定关联项的级联RTAC系统的镇定控制问题, 提出了一种基于动态神经网络辨识的分散控制方 案. 应用拉格朗日方程建立起了考虑不确定非线性作用力的级联RTAC系统数学模型, 采用动态神经网络实现级 联RTAC系统中不确定关联项的在线辨识, 通过构造含神经网络权值矩阵迹的Lyapunov函数, 证明了辨识误差的一 致有界性. 通过动态神经网络辨识不确定关联项、补偿系统建模误差, 建立级联RTAC系统分层滑模控制算法, 以实 现级联RTAC系统的高精度分散镇定控制. 数值仿真验证了动态神经网络的引入对级联RTAC系统分散镇定控制系 统瞬态幅值抑制、稳态精度提升的效果.     

一种基于过程神经元网络辨识的PID控制模型及方法

针对非线性动态系统PID过程控制问题,提出了一种基于过程神经元网络辨识的PID参数自适应整定的控制模型和方法。利用过程神经元网络对于动态系统时变输入/输出信号的学习机制,在某种最优控制律下通过对被控对象进行辨识来追踪被控对象的输出对控制输入变化的灵敏度信息,实现参数自适应匹配的PID控制。给出了基于过程神经元网络辨识的PID控制系统结构以及相应的实现机制,实验结果验证了模型和算法的有效性。     

Identification and control of nonlinear systems by a time-delay recurrent neural network

In this paper, we first present a novel time-delay recurrent neural network (TDRNN) model by introducing the time-delay and recurrent mechanism. The proposed TDRNN model has special advantages such as simple structure, deeper depth and higher resolution ratio in memory. Thereafter, we develop the dynamic recurrent back-propagation algorithm for the TDRNN. To guarantee the fast convergence, the optimal adaptive learning rates are also derived in the sense of discrete-type Lyapunov stability. More specifically, a TDRNN identifier and a TDRNN controller are constructed to perform the identification and control of the nonlinear systems. Numerical experiments show that the TDRNN model has good effectiveness in the identification and control for dynamic systems.