基于BP神经网络辨识模型的PEMFC系统建模

为分析燃料电池系统特性,采用BP神经网络结构辨识质子交换膜燃料电池系统模型,模型输入为系统实际输入,模型输出为电堆输出电压和电堆工作温度。由于PEMFC系统是一个时变非线性系统,采用一种串-并联前向神经网络辨识结构模型,将模型前几个时刻输出作为模型输入,使得静态网络结构具有动态特性。BP网络模型通过PEMFC系统所得到的实验数据进辨识。训练完成后BP网络模型输出与实际系统输出基本一致,结果表明BP网络模型能够有效反映质子交换膜燃料电池系统输出电压和电堆温度特性。     

一种基于改进神经网络的系统辨识方法

该文在分析神经网络辨识技术特点及现状的基础上,将BP神经网络结构和遗传算法相结合,设计了一种适用于非线性系统的辨识器模型。该辨识器模型首先建立初始的BP神经网络结构,再利用遗传算法对BP神经网络的权值和阈值进行优化,从而优化BP神经网络,通过迭代最终建立辨识器模型。最后,通过一个三阶非线性多输入单输出系统的仿真实验证明了所设计的辨识器具有辨识时间短、辨识精度高的特点,为神经网络辨识技术的研究提供了新的思路和方法。     

基于ANN的动态系统状态方程辨识建模仿真

对系统辨识原理、基于神经网络（ANN）的动态系统辨识进行了分析,针对动态系统辨识模型描述的复杂性,为简化ANN辨识建模的输入／输出关系的表达,提高算法的简洁性,采用了状态方程辨识模型,并给出了基于ANN的动态系统状态方程辨识模型。为比较分析不同网络结构的辨识建模效果及网络模型泛化能力,针对三种不同网络结构方案进行了辨识建模仿真研究。仿真结果最示,基于ANN的动态系统状态方程模型的辨识建模是有效的,并且简单合理的网络结构方案,可提高网络辨识模型的泛化能力。     

基于BP神经网络的水厂加药凝絮过程辨识研究

城市供水中的加药凝絮过程是一个大惯性、大时滞、非线性、时变以及随机干扰多的难控过程.从生产数据来对该过程建模,并采用先进的控制策略对其进行有效的控制,一直是控制技术人员的追求目标.本论文以某水厂的实际生产数据为基础,采用动态BP神经网络的建模方法,通过辨识步骤.确定了动态BP网络结构,得到了具有较好拟合与泛化能力的神经网络模型.在已获取的神经网络模型上,进行了以待滤水浊度为输出,投矾量为输入的阶跃响应实验,以此取得了投药凝絮过程的一阶惯性加时滞模型.该模型的获取为今后采用先进的控制策略对加药凝絮过程进行高级控制打下了良好的基础.     

具有时变输入输出函数的反馈过程神经网络及应用

针对输入和输出均为时变函数或过程的实际系统建模和仿真问题,提出一种输入和输出均为时变函数的反馈过程神经网络模型,该模型的第1隐层对来自输入层的时变信号进行空间加权聚合和激励运算,并在将其输出传送至第2隐层的同时反馈至输入层;第2隐层完成对其时变输入的空间加权聚合、时间累积聚合和激励运算,并将其输出传送至输出层．给出了相应的学习算法,并以实例验证了该模型及其学习算法的有效性．     

基于关键输入和多输入层高维小波网络

提出一种基于关键输入和加工工序的多输入层高维小波神经网络结构,该网络结构 是在传统前馈神经网络的基础上,将一部分输入节点根据实际情况移到神经网络的相关隐 层,关键输入节点不仅与随后一层隐节点相连,而且与输出节点相连,更真实地反映了大工 业生产过程中变量之间复杂的函数关系.将该种小波网络模型应用于连铸连轧生产线产品质 量建模,其效果较其他4种神经网络为优越.     

一种新型的动态递归神经网络及其全自动设计算法

本文基于非线形自回归滑动平均模型NARMA模 型和前馈神经网络建模的思想,提出一种输入层与输出层神经元递归的动态递归神经网络; 基于进化计算中遗传算法和进化策略与自寻优BP算法的不同结合方式,提出两种动态递归神 经网络全自动高效设计算法,实现了网络结构、权重和自反馈增益同时优化学习,实例应用 表明所提网络结构及其设计算法的有效性．     

改进Elman网络的污水处理过程建模

污水处理过程具有多变量、非线性、大滞后和强耦合的特点,建立精确的数学模型十分困难,为了精确的描述污水处理过程,本文将1种改进型的递归神经网络应用在污水处理过程建模中,建立了污水处理过程关键水质参数的智能模型。Elman网络作为1种动态神经网络,网络的动态特性可以很好的反映系统的内部动力学特征,但是标准的Elman网络只对隐含层的输出进行了反馈,并且只反馈给了隐含层的输入,反馈信息较少。针对此问题,本文提出1种改进型的Elman网络(OAF Elman网络),增加了输出层的反馈信息,将反馈信息既传给隐含层输入又传给输出层的输入,同时将隐含层的反馈也作为输入层的输入,使网络的输出包含更多的输入信息,能够更好的反映系统的时变、非线性等特征。采集污水处理厂生化反应过程实际运行数据,取对COD影响较大的MLVSS、进水COD、pH值、氨氮4个种指标作为递归神经网络模型的输入,对污水出水的关键水质参数COD进行建模,网络的训练误差达到0.011,测试误差达到0.4875。实验结果表明:与传统的Elman网络和其他几种改进型的Elman网络相比,本文提出的OAF Elman网络具有更丰富的动力学特性,建立的污水处理模型达到...     

海杂波背景下的小信号检测

利用海杂波信号为混沌这一先验知识,将判决反馈RBF神经网络应用于海杂波信号的建模与预测中,设计了一个三层判决反馈RBF神经网络结构.实验结果表明,判决反馈RBF网络模型对混沌时间序列有很好的拟合能力,对比典型RBF网络结构,该方法具有较好的检测效果.     

基于模型输出敏感度分析法的动态RBF神经网络设计

针对一般RBF神经网络在学习过程中网络结构不能改变的问题,提出一种动态RBF神经网络结构设计方法．算法的实质是利用敏感度分析法（SA）对神经网络模型的输出进行分析,通过判断隐含层神经元的输出对整个网络输出的影响,删除RBF隐含层中冗余的神经元,实现对神经网络的动态修剪．非线性函数逼近结果及动态系统建模结果表明,该动态RBF神经网络具有较好的性能;与最小RBF（MRBF）神经网络相比,采用所提算法能得到更小的检测误差和更短的训练时间,最终网络结构紧凑．     

基于BP神经网络的企业信用评价研究

简单介绍了企业信用评价的一般模型以及BP神经网络的基本结构，在此基础上给出了一个具体的基于BP神经网络的企业信用评价模型。它把用来描述某类企业信用评价对象特征的信息作为神经网络的输入向量。而把代表相应综合评价结果的值即信用等级作为神经网络的输出，并用足够的样本训练这个网络，使不同的输入向量得到不同的输出量值。最后分析了使用BP神经网络技术评价企业信用等级的优越性。     

A context layered locally recurrent neural network for dynamic system identification

This paper puts forward a novel recurrent neural network (RNN), referred to as the context layered locally recurrent neural network (CLLRNN) for dynamic system identification. The CLLRNN is a dynamic neural network which appears in effective in the input–output identification of both linear and nonlinear dynamic systems. The CLLRNN is composed of one input layer, one or more hidden layers, one output layer, and also one context layer improving the ability of the network to capture the linear characteristics of the system being identified. Dynamic memory is provided by means of feedback connections from nodes in the first hidden layer to nodes in the context layer and in case of being two or more hidden layers, from nodes in a hidden layer to nodes in the preceding hidden layer. In addition to feedback connections, there are self-recurrent connections in all nodes of the context and hidden layers. A dynamic backpropagation algorithm with adaptive learning rate is derived to train the CLLRNN. To demonstrate the superior properties of the proposed architecture, it is applied to identify not only linear but also nonlinear dynamic systems. The efficiency of the proposed architecture is demonstrated by comparing the results to some existing recurrent networks and design configurations. In addition, performance of the CLLRNN is analyzed through an experimental application to a dc motor connected to a load to show practicability and effectiveness of the proposed neural network. Results of the experimental application are presented to make a quantitative comparison with an existing recurrent network in the literature.     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

基于敏感度分析的案例特征项权重算法的改进

研究案例库特征项权重的确定方法,通过集成BP神经网络和敏感度分析,改进案例库特征项的权重确定算法,将案例库中的各特征项和决策目标项构造一个BP神经网络,经训练和学习后,依次删除输入节点,分析网络的输出对输入的敏感程度,确定各特征项的权重。并以红籽西瓜仁重的案例库对其进行测试,结果表明该算法是有效的。     

基于快速自编码的RELM的文本分类

正则化极限学习机RELM是一种单隐层前馈神经网络,不同于传统神经网络算法,RELM通过随机设置输入层权重和偏置值,可以快速求得输出层权重,并且引入正则化因子,能够提高模型的泛化能力。针对文本信息高维度、多类别的问题,提出一种基于快速自编码的正则化极限学习机FARELM。将由RELM改进后的快速自编码神经网络对样本进行无监督特征学习,并对特征提取后的数据使用RELM进行分类。实验表明,FA-RELM的学习速度和分类精度较优。     

基于BP神经网络的有限元应力修匀的研究

以四边形平面应力等参单元为例,以高斯积分点为样本点,基于BP神经网络分别考察了以下两种训练模型：以高斯积分点的坐标为输入,Mises应力为输出;以高斯积分点的坐标和位移同时为输入,Mises应力为输出。通过与传统的有限元整体应力修匀比较,经过BP神经网络学习得到的结点Mises应力,不论是单独以坐标为输入还是以坐标和位移同时作为输入得到的结点Mises应力精度都比有限元传统的整体应力修匀高,并且第二种BP神经网络训练模型得到的结点Mises应力比第一种的精度要高。     

BP Neural Network Classification of Remote Sensing Images based on DT\|CWT Decomposition

In order to solve the ambiguity and uncertainty of high resolution multi\|spectral remote sensing image classification and to better overcome the influence of noise,a new BPNN（Back Propagation Neural Network）classification method of multi\|spectral image,based on DT\|CWT decomposition,is presented in this paper.First,the NDVI and texture features of the image are extracted to reduce the classification uncertainty caused by the problem of different objects having the same spectrum and the same objects having different spectrum in the image,then,the original spectral band,NDVI and texture features of the image are decomposed by DT\|CWT to extract the Low\|frequency information of the image,as well as to reduce the image noise and the presence of “salt and pepper” in the classification.Finally,the extracted low\|frequency sub\|graphs are input to the BP neural network and classified according to the trained network to obtain the final classification result.The results of the comparison show that the proposed method with less miscellaneous points has stronger regional consistency,higher classification accuracy and better robustness.     

A New Adaptive Backpropagation Algorithm Based on Lyapunov Stability Theory for Neural Networks

A new adaptive backpropagation (BP) algorithm based on Lyapunov stability theory for neural networks is developed in this paper. It is shown that the candidate of a Lyapunov function V(k) of the tracking error between the output of a neural network and the desired reference signal is chosen first, and the weights of the neural network are then updated, from the output layer to the input layer, in the sense that DeltaV(k)=V(k)-V(k-1)<0. The output tracking error can then asymptotically converge to zero according to Lyapunov stability theory. Unlike gradient-based BP training algorithms, the new Lyapunov adaptive BP algorithm in this paper is not used for searching the global minimum point along the cost-function surface in the weight space, but it is aimed at constructing an energy surface with a single global minimum point through the adaptive adjustment of the weights as the time goes to infinity. Although a neural network may have bounded input disturbances, the effects of the disturbances can be eliminated, and asymptotic error convergence can be obtained. The new Lyapunov adaptive BP algorithm is then applied to the design of an adaptive filter in the simulation example to show the fast error convergence and strong robustness with respect to large bounded input disturbances     

间歇制浆蒸煮终点预测方法

在分析常用蒸煮模型的基础上,提出了基于神经网络的制浆蒸煮过程建模方法,与BP神经网络相比,RBF神经网络具有最佳逼近能力、收敛速率快和不存在局部极小点等,因而选用了RBF神经网络作为建模工具。在决定RBF神经网络的输入和输出变量时,充分利用了现场可测量的物理量和制浆蒸煮过程知识、其输入变量比常用蒸煮模型增加了硫化度和木片合格率,其输出变量有用实际过程测量所需的终点H因子的对数,这样就减少了RBF神经网络的规模,提高了训练速度。对工厂的实际数据应用表明,该RBF神经网络模型的预测精度高于传统的Hatton模型。     

遗传算法与BP神经网络相结合的说话人识别系统

基于BP神经网络的说话人识别系统是目前说话人识别中的一种主要模型,但BP神经网络通常难以确定隐含层单元的数目,且收敛速度慢。针对此缺点,提出了一种基于遗传算法（GA）的说话人识别BP神经网络优化方案,该方案利用混合编码的GA对神经网络的连接权和结构进行了优化,可以有效地剔除整个网络冗余节点和冗余连接权,方案利用了BP神经网络的并行性和GA的全局搜索能力,显著地改善了网络的处理能力。实验表明：基于混合编码GA的BP神经网络具有快速学习网络权重的能力,识别率高,是说话人识别的一种有效可行的新方案。