自适应谐波消除的准PR并网逆变器优化控制

针对并网逆变器时变与非线性的特点,将自适应学习率并带有动量因子的BP神经网络应用于准PR控制器中,提高了系统的自适应能力,使并网电流的畸变程度降低。首先设计了谐波补偿环节,对含量较高的奇次谐波频率构成新的传递函数,再提取误差电流中含量较高3、5、7次谐波,应用改进BP神经网络来自适应调节补偿增益,提高了收敛速度与补偿精度。MATLAB/Simulink仿真研究表明该方法降低了电流总谐波畸变率,使逆变系统具有了快速动态响应的能力,提升了系统稳定程度。     

基于IPSO-BPNN算法的开关磁阻发电机实验建模

文章实现了一种利用改进的粒子群算法优化BP神经网络(IPSO-BPNN)的建模方法,建立了SRG的非线性模型.该方法利用了BP神经网络较强的非线性处理能力和逼近能力,改进粒子群算法的引入克服了BP神经网络容易陷入局部最优及初值敏感的缺点.建模的实验数据采用间接测量法采集,分为训练样本与测试样本两个集合.建模效果表明IPSO-BP神经网络的泛化能力很强,可以近乎完美地表达SRG的磁链和转矩特性.     

改进遗传模拟退火神经网络的双相机标定算法

针对双目相机标定算法中BP神经网络精度低、收敛性差的问题，提出了一种基于改进遗传模拟退火算法的BP神经网络优化方法(improved genetic simulated annealing algorithm-BP,IGSAA-BP)。该方法通过改进遗传模拟退火算法的适应度扩展，交叉、变异概率和退火准则来改善BP神经网络的性能，为BP神经网络提供了最优权值和阈值。将IGSAA-BP神经网络与BP神经网络和TGSAA-BP神经网络两种相机标定算法进行对比，利用其标定的真实值与预测值相差结果得出结论，3种标定方法进行相机标定的平均标定精度分别为0.02、0.71和0.28 mm。结果表明，IGSAA-BP神经网络可以提高双目相机的标定精度，提高全局寻优能力，加快收敛速度。     

基于遗传神经网络的风电场输出功率短期预测

针对风电场短期输出功率的时变性和非线性特点,提出了基于遗传神经网络的短期风电功率预测方法。结合BP网络对非线性问题良好的逼近能力和遗传算法优良的全局寻优能力,遗传算法有效解决了BP神经网络全局搜索能力差、易陷入局部极小值的问题。与BP神经网络模型相比,遗传神经网络模型预测精度有所提高,为风电场输出功率短期预测提供了一种有效的方法。     

基于神经网络的NTC热敏电阻的校正模型

为了提高NTC热敏电阻的测温精度以及简化校正过程的步骤.选取型号为10K的NTC热敏电阻,对NTC热敏电阻的R-T关系进行标定,利用BP神经网络对其R-T关系进行非线性校正,将OFFICE数据库与MATLAB工具箱进行有机结合使用,利用误差评判原理求得绝对误差、平均误差以及均方差,对NTC热敏电阻温度计的BP神经网络非线性校正模型的精度进行评价,得到BP神经网络非线性校正模型精度比传统的校正方程的校正精度高.并且实际验证了此校正方程的测温精度可以满足更高精度要求的需要.     

基于改进型BP神经网络的瓦斯传感器的非线性校正

提出了一种基于改进型BP神经网络的瓦斯传感器的非线性校正方法,利用神经网络良好的非线性映射能力,逼近反非线性函数完成非线性校正.仿真实验结果表明:与分段线性校正和传统BP算法相比,改进型的BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.02%提高到现在的±0.130%,且易于动态调校.     

改进的BP神经网络PID控制器在温室环境控制中的研究

为了更好的实现对温室环境系统的智能控制,针对温室环境系统存在非线性、强耦合、大滞后、强时变等问题,在分析BP神经网络技术的基础上,提出并设计出一种基于遗传粒子群优化的BP神经网络PID控制器,该控制器结合遗传算法强全局搜索能力以及粒子群算法强局部搜索能力和收敛速度快的特点,对神经网络的权值进行优化,对温室环境系统起到了有效的控制。最后对常规和改进后的BP神经网络PID控制器进行仿真对比研究。仿真结果表明,经过改进后的BP神经网络PID控制有更好的稳定性和鲁棒性。     

一种新型模糊神经网络自适应控制器

文章利用模糊神经网络的模糊推理能力以及前馈神经网络的逼近能力,将其与自适应控制方案结合,并取带有控制增量约束的广义目标函数作为优化指标;从而推导出一种能对非线性非最小相位系统进行有效控制的模糊神经网络间接自适应控制器。在网络学习算法上分别采用Davidon最小二乘法和带有动量项的BP算法。仿真结果表明了该方法的有效性。     

基于径向基函数神经网络的涡流传感器非线性补偿方法研究

为了解决数字式涡流传感器的非线性问题,提出利用径向基函数神经网络进行非线性补偿的方法。介绍非线性补偿原理以及算法,并将其与BP神经网络法进行比较。从实测数据出发,建立了涡流传感器的非线性补偿模型。结果表明,这种非线性补偿模型误差小、有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度。     

传感器非线性校正的遗传支持向量机方法

针对传感器非线性校正中现有的较为常用的神经网络法的不足和支持向量机参数难确定的问题,提出了一种遗传算法和支持向量机相结合的方法,阐述了支持向量机的非线性校正原理和遗传算法优化支持向量机参数的实现过程,并分别采用BP神经网络法和遗传支持向量机方法对压力传感器进行非线性校正.实验结果表明: BP神经网络法使得传感器的最大相...