基于组合预测的烧结过程模糊神经网络控制方法

该文针对烧结炉加热过程具有延时性、非线性以及强扰动等特点,提出了一种基于组合预测的烧结过程模糊神经网络控制方法。首先,采用基于Adaboost的BP预测方法对炉温进行预测,方便后续控制。其次,采用模糊神经网络方法控制烧结过程的动态特性,保证精确、稳定地对烧结炉温进行控制。最后,得出仿真结果。仿真结果表明,该方法具有响应快、无超调、控制精度高及节约能源等优点,具有良好的动态和静态特性。     

基于季节性神经网络的医院门诊量曲线拟合与预测

医院月门诊量是一个具有复杂的非线性组合特征的季节性时间序列。传统的时间序列趋势分析是通过季节调整建立预测模型,效果不理想。文章提出一种利用季节性神经网络预测模型对医院门诊量进行非线性曲线拟合分析并预测。论述了该模型的设计思想和实现算法。通过仿真实验表明,该模型的非线性曲线拟合精度和预测精度明显高于ARIMA季节乘积模型,可较好地反映系统的动态性和门诊量的季节时序关联性,为季节性时间序列预测提供了一种新的途径。     

基于GRU神经网络的结构异常监测数据修复方法EI北大核心CSCD

结构健康监测系统中通常存在大量的异常监测数据,为保证数据的完整性和可用性,有必要对异常监测数据进行修复。大多数基于深度学习对异常数据进行修复的研究通常使用单输入维度和单向预测的方法搭建模型。提出一种基于门控循环(gated recurrent unit,GRU)神经网络的结构异常监测数据修复方法,该方法充分利用深度学习神经网络适合处理复杂非线性映射问题的优势,并对GRU神经网络进行了优化与重构。利用结构温度、时序先后相关性优化神经网络的输入和输出构造,并提出了利用异常数据前后时间段的信息进行双向序列预测的方法提升数据预测和修复精度。最后,利用某古城墙的应变、裂缝与温度监测数据进行方法验证,采用重构后的GRU神经网络模型对异常数据序列进行修复,并与长短时记忆(long and short-term memory,LSTM)神经网络和反向传播(back propagation,BP)神经网络的修复精度进行比较。结果表明,相比单输入维度、单向预测的网络模型,重构后的GRU神经网络的预测精度大幅提高,且显著优于LSTM神经网络和BP神经网络。异常数据序列修复后,应变和裂缝宽度等结构响应与结构温度的线性相关性大幅增强。该方法对具有温度相关性的结构监测数据具有良好的修复能力。     

金属切削过程刀具磨损信号的混沌特征

针对刀具磨损过程中声发射信号非线性特征,提出基于混沌理论的信号分析及特征提取方法。采用延迟时间法对去噪后的时间序列进行相空间重构,分析延迟时间及嵌入维数随刀具磨损的变化规律;用关联维数、最大Lyapunov指数及Kolmogorov熵三种混沌特征参数定量分析刀具在不同切削条件下随磨损量增大所呈现的变化规律。研究结果表明,刀具磨损声发射信号具有明显的混沌特征,三种混沌特征参数、延迟时间及嵌入维数与刀具磨损状态具有明显的对应关系,可用作刀具磨损状态监测、磨损量预测的特征参数。     

基于BP神经网络的油井出砂预测

研究BP神经网络的特性并利用该网络预测油井出砂,建立了一个BP神经网络模型,最后利用MATLAB环境下的神经网络工具箱开发相应的程序,并最终将其用于油井出砂的预测。     

大型天文光学望远镜超低速跟踪控制

为实现当代大型天文光学望远镜机架伺服系统的高精度控制,利用神经网络预测控制来克服系统中存在的非线性干扰,通过采集机架的输入输出信号训练神经网络来逼近非线性的系统动态,另外,为克服系统外部的风振等非线性干扰,引入了非线性阻尼项来提高伺服系统的跟踪精度.仿真结果表明了该方法的正确性且能获得较高的控制精度.     

前馈神经网络在空调负荷预测中的应用

空调系统负荷是一个典型的具有动态性、不确定性等随机特性的非线性模型，传统方式难以实现准确、快速地预测空调系统动态负荷。人工神经网络具有高度的非线性运算能力和很强的容错能力，其中最为广泛的是前馈神经网络和采用误差反向传播算法来计算网络权值。本文讨论当误差不为零或者不为线性函数，即二阶项s（w）不能忽略时的Hesse矩阵的近似计算，进而训练网络。研究结果表明，用该种神经网络预测空调负荷和计算的结果会较好地吻合。     

浅谈改良翻斗式计量装置在实际生产中的应用

做好油井的产量计量工作具有重要的意义。改良翻斗式计量装置由此应运而生,它是基于称重原理来实现油井产量的计量,可以及时、准确的计量油井产量,并根据产量变化及时掌握和分析油井生产情况。     

基于模拟退火算法优化BP神经网络的色彩空间转换

目的研究基于模拟退火算法优化BP神经网络对喷墨打印机色彩空间转换预测准确性的方法。方法通过数据归一化处理、模拟退火算法优化BP神经网络的权值和阈值,以获取它们的全局最优解,再用BP神经网络法进行色差预测。结果模拟退火算法优化BP神经网络预测模型测试15次得到色块平均色差达到2.3067,最小平均色差达到0.7892。结论该方法优化BP神经网络精度非常高,对喷墨打印机色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

产出剖面测井资料的应用

本文较详细的介绍产出剖面测井资料在求解分层产量，了解油井生产状态：油层改造选层的依据及效果评价：油井生产动态异常的诊断等方面的应用。     

BP神经网络在油井示功图识别中的应用

在油井的管理中,对实时的示功图数据进行识别可以及时的发现抽油机井的异常情况,并及时的采取对应的措施,可以大幅度提高生产效率。伴随自动化技术在油田的应用,可以采集到油井的实时生产数据,而传统的凭借采油工经验识别功图的方法已经不能满足现场应用需求,论文应用不变矩理论对十七种典型泵故障示功图形状分析,建立了神经网络训练样本库,使用神经网络方法识别油井示功图达到工况诊断的目的。现场实施的结果显示该方法切实可行,具有一定的理论意义和实践价值。     

Elman与Bp神经网络应用于交通流预测的对比研究

将动态神经网络Elman应用于交通流预测中,通过对比应用较为广泛的Bp神经网络,对实际监测到的一组数据进行学习、仿真和预测。结果表明,Elman网络在对具有动态特性的交通流预测中,具有比Bp网络更好的预测效果。     

基于RBF神经网络的股市预测研究

证券市场是一个高风险高收益的投资市场,获取比较高的收益同时降低风险是投资者追求的目标,径向基函数(Radia1 Basis Function, RBF)神经网络以其简单的结构,优良的全局逼近性能而引起了学者们的广泛关注.由于RBF神经网络的种种优越性,使得它在函数逼近和非线性时间序列预测等方面得到广泛应用.将RBF神经网络应用在股市趋势预测中,以上证指数作为对象进行建模与预测,结果表明,此种网络具有较好的学习和泛化能力,在股市趋势预测中取得了较好的效果.     

水声信号预测的神经网络方法

水声信号的局部可预测性在水声信号处理中具有重要作用,它是解决非平稳信号检测问题的基础。基于非线性时间序列局部可预测性原理,采用人工神经网络技术,研究了水声信号的神经网络预测,讨论了预测模型的建立和网络结构参数的设计。分别采用BP网络和RBF网络对实际舰船水声信号进行预测,通过对仿真数据和实际舰船辐射噪声数据预测的结果分析,得出了两种网络预测模型的误差分布,提出了减小预测误差的有效方法。为今后进一步开展水声信号预测研究奠定了基础。     

BP神经网络在测试系统动态补偿中的应用

测试系统的非线性动态补偿是仪器技术的一个重要方面．采用BP神经网络对测试系统进行动态补偿．BP神经网络的结果决定于网络输入、隐层和输出节点．由于其非线性映射特性,BP神经网络完全能够反映测试系统的动态响应特性．采用了收敛速度较快的递推预报误差算法训练神经网络．试验结果表明,BP神经网络的特性完全能够满足测试系统的动态补偿要求．表明本文的方法是有效的．     

广义随机模糊神经网络及在随机混沌时间序列预测中的应用

针对随机模糊神经网络缺乏自适应性，引入广义高斯函数和广义随机模糊神经网络，使系统中隶属函数具有自适应性；并对参数进行遗传退火算法优化，使系统具有最佳结构和参数。以随机混沌时间序列为例进行仿真预测分析，结果表明广义随机模糊神经网络能够更好地预测原随机混沌时间序列，精度良好，具有抗噪声干扰能力．     

基于粒子群算法优化 BP 神经网络的色彩空间转换

目的研究基于粒子群算法优化BP神经网络对显示器色彩空间转换的预测准确性的方法。方法主要通过数据归一化处理、改进最大限制速度、惯性常数和适应度函数来优化BP神经网络的权值和阈值,以缩小其分布范围,再用BP神经网络法进行色差预测。结果改进粒子群算法优化BP神经网络预测模型,测试20次得到色块平均色差为2.8526,最小平均色差为2.0453。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于BP神经网络的传感器非线性补偿

由于传感器本身的非线性特性以及传感器在测量过程中外界环境因素的影响,使得传感器的输入输出特性呈现出非线性.讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法训练神经网络,具有收敛速度快、收敛精度高的特点.试验结果表明,应用神经网络对传感器的非线性进行动态补偿是一种行之有效的方法.     

混合神经网络及其在非线性系统控制中的应用

针对一类非线性动态系统模型的特点,提出一种非线笥和线性神经网络的并联神经网络－－混合神经网络,克服了以非线性函数逼近线性函数引起的复杂性和不精确性问题,实现了对模型的线性和非线性部分的分别逼近。仿真例子说明了混合神经网络用于这类非线性动态系统控制的可行性。     

基于混沌时间序列的GPS单点定位误差预测方法

对由不同型号GPS-OEM板和不同型号天线所组成的GPS单点定位系统的定位误差时间序列进行了混沌特性分析,通过计算最大Lyapunov指数确定了其为混沌时间序列.在此基础上提出了基于混沌时间序列的GPS单点定位误差预测方法,分别将RBF神经网络和Volterra滤波器应用于预测模型,实现了对定位误差的一步预测.通过对比预测结果,发现Volterra滤波器比RBF神经网络具有更高的预测精度,且算法实时性强,可以有效地降低预测模型的复杂程度.