基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制（GPC）相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络“黑箱”的功能达到对非线性系统的预测控制。以机器人为控制对象进行仿真,取得了较好的控制效果。     

基于机器人的神经网络预测控制算法

针对预测控制机理在处理非线性模型控制存在较大的困难,提出了将BP神经网络和广义预测控制(GPC)相结合后应用于网络控制系统的思想,构造了神经网络预测控制算法,其实质是用BP神经网络作为预测模型,产生预测信号,对系统进行反馈校正,并通过误差迭代求取广义预测的最优控制律,从而克服了对非线性系统难以辨识模型的困难,利用神经网络"黑箱"的功能达到对非线性系统的预测控制.以机器人为控制对象进行仿真,取得了较好的控制效果.     

神经网络非线性多步预测逆控制方法研究*

提出了基于多步预测控制方法的多变量非线性神经网络逆控制方案。利用预测模型对系统动态特性进行预测,使用一个带有时延因子的前馈神经网络作为控制器,利用多步预测性能指标对其在线训练,实现神经网络逆系统;在多步预测过程中还对每一步的预测误差进行预测,以实现预测误差补偿。将所提出的控制算法用于锅炉这种大滞后非线性对象的控制,仿真实验证明,该控制策略具有良好的解耦和动态跟踪性能。     

多步预测性能指标函数下的神经网络逆动态控制方法

将预测控制与神经网络逆动态控制相结合,提出了多步预测性能指标函数下的神经网络逆动态控制方法。该方法用多步预测性能指标函数训练神经网络逆动态控制器的权值,使整个系统具有预测控制的特点,有比通常的神经网络逆动态控制快得多的响应速度和更好的响应性能。     

复杂系统控制中的神经网络预测器研究

本文从径向基函数(RBF)神经网络原理分析出发,探讨了一种用于非线性复杂系统预测控制的神经网络预测模型方法,并将此方法用于实际非线性系统的预测控制.结果表明,基于RBF的神经网络预测模型可快速准确地完成对非线性动态过程的预测描述,因而可以在非线性系统的预测控制中得到良好地应用.     

采用遗传算法训练对角递归神经网络预测控制器

本文提出了一种基于广义预测控制的神经网络预测控制方案．预测控制器由对角递归 神经网络预测控制器和前向神经网络静态补偿器组成．两种神经网络均采用遗传算法进行训 练．仿真实验表明,对于带纯时延的非线性被控对象,采用遗传算法设计的对角递归神经网 络预测控制器具有令人满意的控制性能．     

基于神经网络的模糊预测控制及其应用

应用模糊控制的逻辑推理性能，借助神经网络的学习能力，提出了一种模糊神经网络预测控制模型。利用该模型对发酵过程的预测控制，实验曲线表明，可获得较高的预测精度和较好的控制效果。     

基于神经网络的预测控制算法

针对某炼油厂油品车间柴油调和过程这个多输入多输出复杂对象进行了神经网络内模控制的仿真研究,其中在线优化算法采用线性规划的方法.神经网络预测控制正是克服了传统控制思想的束缚,通过对象的输入输出特性建立对象的数学模型,而不必通过复杂的系统辨识来建立过程的模型.对仿真结果进行了比较,结果表明神经网络预测控制算法对复杂对象具有较好的控制作用.     

预测控制在工业锅炉汽包水位中的应用研究

根据工业锅炉汽包水位的动态特点,提出了汽包水位预测控制方案,采用一种基于BP神经网络预报的动态矩阵预测控制新算法,在该算法中,先用BP神经网络辨识对象模型,同时预测对象的未来输出.该方法解决了非线性、时变对象难以建模及控制的问题,仿真结果验证了这一算法的可行性.     

非线性系统多步预测控制的复合神经网络实现

提出一种基于神经网络的非线性多步预测控制,采用由线性网络和动态递归神经网络构成的复合神经网络。在此基础上将线性系统的广义预测控制器扩展为非线性系统的多步预测控制器。通过对非线性过程ＣＳＴＲ的仿真表明,该方法的稳定性和鲁棒性明显优于线性ＤＭＣ预测控制。     

.基于多级神经网络的被动声定位算法研究*

为了解决精确数学模型难以建立且求解位置方程时的非线性问题和多阵列数据融合问题,提出基于多级神经网络的被动声定位算法。该算法通过第一级RBF神经网络对声源进行初次定位,并剔除无效数据;再将有效数据输入第二级RBF神经网络,得到置信度更高的声源坐标。仿真结果表明,基于多级神经网络的被动声定位算法定位精度高、速度快,鲁棒性好,其定位性能优于单RBF神经网络和常规算法,甚至在个别传感器失效时,仍然能够取得较好的定位效果。     

基于免疫神经网络模型的油气浓度预测研究

将免疫算法与神经网络理论相结合，提出了免疫神经网络预报模型，以预报油库油气浓度。该模型首先用历史数据对网络进行训练，然后利用训练好的模型进行油气浓度的趋势预测，最后结合某油气预报实例检验了免疫神经网络模型的可行性。结果表明，该智能预报模型能够较好地识别油气扩散的变化规律，预报精度明显高于神经网络模型。该结论拓宽了免疫神经网络模型的应用范围，为油库油气浓度的科学预报提供了一种新方法。     

基于约束区域神经网络的动态遗传算法

提出一种基于约束区域神经网络的动态遗传算法,将遗传算法的全局搜索和约束区域神经网络模型的局部搜索结合了起来.利用动态遗传算法确定神经网络模型的初始点,同时使用神经网络确定动态遗传算法的适应度函数.该算法具有一定的理论意义和生物意义.与标准的遗传算法相比,缩小了搜索规模,可获得不定二次规划问题更好的近似最优解.     

改进粒子群—BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。     

遗传神经网络在语音识别中的应用研究

针对语音识别的特点,对BP神经网络在语音识别技术中的应用进行了探索性研究,进而结合人工智能领域较为有效的方法——遗传（GA）算法,针对传统BP算法识别准确率高但训练速度慢的缺点,对BP网络进行改进,构建了一种基于遗传神经网络的语音识别算法（GABP）,并建立相应的语音识别系统。仿真实验表明,该算法有效地缩短了识别时间,提高了网络训练速度和语音的识别率。     

遗传神经网络在语音识别中的应用研究

针对语音识别的特点,对BP神经网络在语音识别技术中的应用进行了探索性研究,进而结合人工智能领域较为有效的方法——遗传(GA)算法,针对传统BP算法识别准确率高但训练速度慢的缺点,对BP网络进行改进,构建了一种基于遗传神经网络的语音识别算法(GABP),并建立相应的语音识别系统。仿真实验表明,该算法有效地缩短了识别时间,提高了网络训练速度和语音的识别率。     

基于量子粒子群优化算法的新型正交基神经网络分数阶混沌时间序列单步预测

针对分数阶混沌时间序列预测精度低、速度慢的问题,提出了基于量子粒子群优化(QPSO)算法的新型正交基神经网络预测模型。首先,在Laguerre正交基函数的基础上提出一种新型正交基函数,并结合神经网络拓扑构成新型正交基神经网络;其次,利用QPSO算法优化新型正交基神经网络参数,将参数优化问题转化为多维空间上的函数优化问题;最后,根据已优化参数建立预测模型并进行预测分析。分别以分数阶Birkhoff-shaw和Jerk混沌系统为模型,利用Adams-Bashforth-Moulton预估-校正法产生混沌时间序列作为仿真对象,进行单步预测对比实验。仿真表明,与反向传播(BP)神经网络、径向基函数(RBF)神经网络及普通的新型正交基神经网络相比,基于QPSO算法的新型正交基神经网络的平均绝对值误差(MAE)、均方根误差(RMSE)明显减小,决定度系数(CD)更接近于1,平均建模时间(MMT)明显缩短。实验结果表明,基于QPSO算法的新型正交基神经网络提高了分数阶混沌时间序列预测的精度和速度,便于该预测模型的应用和推广。     

混沌粒子群优化神经网络的井下人员无线定位方法研究

针对井下人员定位系统定位精度较低,不能满足智慧煤矿的需求,提出一种基于混沌粒子群算法优化Elman神经网络的井下人员无线定位方法。该定位方法首先在井下巷道无线网络环境中,利用无线终端采集一定数量的样本点指纹数据库。其次初始化Elman神经网络,利用混沌粒子群优化算法对神经网络权值和自连接反馈增益因子寻优。再次用指纹数据库对优化过的Elman神经网络进行训练和测试,建立神经网络定位算法模型。最后通过无线终端采集定位点的指纹数据,由神经网络定位算法模型进行实时定位。经试验表明,该井下人员无线定位方法平均定位误差为1.35 m;而混沌粒子群算法优化Elman神经网络定位算法,其算法全局搜索能力更强,更适合井下时变环境中应用。     

基于粗糙集理论和BP神经网络的数据挖掘算法

根据数据挖掘中粗糙集理论和BP神经网络各自的优势和存在的问题,提出了一种将粗糙集理论和BP神经网络理论结合在一起的算法。该算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,并将归约后的数据作为训练数据提供给BP神经网络。通过粗糙集归约,提高了训练数据表达的清晰度,也减小了BP神经网络的规模,同时利用BP神经网络又克服了粗糙集对噪声数据敏感的影响。文中提出了代价函数,解决了训练数据与网络精度的问题,也提供了由粗糙集归约向BP神经网络训练转变的依据。     

基于FNN与GA相融合的数据挖掘方法研究

模糊神经网络即具有输入信号是模糊量的神经网络,是模糊系统与神经网络相结合的产物,汇聚了二者的优点;遗传算法是一种自适应全局优化概率搜索算法。研究了基于模糊神经网络与遗传算法相融合的一种算法,在应用模糊神经网络进行数据挖掘前,应用遗传算法完成隶属函数的训练,以便更好地进行模糊神经网络学习;经过模糊神经网络学习后,提取相关规则,再次应用遗传算法,进行规则剪枝,提高数据挖掘效率。实验表明,与传统方法相比,该方法能够更快速、更加准确地进行数据挖掘,提取更精确的推理规则。