基于神经网络的非线性预测自整定PID控制

提出在利用前馈神经网络对非线性系统建模的基础上，对系统输出实现递推多步预测，并且结合自整定PID方法，实现非线性系统控制，神经网络在线辨识时采用学习速度较快的扩展Kalman滤波方法，仿真实验表明了该方法的有效性．     

基于自适应组合滤波的惯性导航系统初始对准方法

针对系统噪声不确定情况下的惯性导航系统非线性初始对准问题,提出了一种基于自适应组合滤波的初始对准方法.首先给出了一种基于Kalman/UKF组合滤波的神经网络实时训练算法;进而提出了基于Kalman/UKF组合滤波的非线性系统状态估计方法,该算法利用神经网络在线估计系统噪声,并利用Kalman/UKF组合滤波在线同时估计初始对准的状态量和神经网络的权值;最后将该算法应用于惯性导航系统非线性初始对准问题中,并进行了仿真研究.仿真结果表明:自适应组合滤波算法不仅保证了初始对准的精度,而且具有更好的实时性,是解决惯性导航非线性初始对准问题的一种有效且实用的方法.     

神经网络辅助的组合导航系统信息融合方案

传统的Kalman滤波器自适应能力弱，而单纯的神经网络滤波器估计精度较差，且网络训练经验性太强。面向组合导航领域，提出BP神经网络辅助自适应联邦Kalman滤波器方案，设计并实现了SINS／GPS／TAN／SAR智能化容错组合导航系统。结合自适应滤波和神经网络两种方法共同提高系统的自适应能力，并提出新的神经网络输入量，改善了算法的实时性。系统的估计精度得到显著提高，仿真结果证明了该方案的可行性和有效性。     

运动目标状态序贯贝叶斯滤波

状态-空间模型是一个通用和宽容的模型,它包含了描述系统所要求的所有相关信息.贝叶斯滤波方法是解决状态估计问题的一般框架.当有新数据可用时,序贯滤波方法可以实现估计和更新待估参量.对于运动目标状态跟踪问题,利用状态-空间模型进行建模,并采用序贯贝叶斯方法进行处理,如扩展卡尔曼滤波、unscented卡尔曼滤波和质点滤波....     

基于TAM的卫星角速度粒子滤波估计算法

针对带有三轴磁强计(TAM)的低轨对地卫星非线性模型的角速度估计问题,提出一种新的基于粒子滤波(PF)的卫星角速度估计算法.该算法不需要地磁场模型矢量和卫星姿态信息,只依靠TAM测量输出和PF滤波方法来解决角速度估计问题,取得了较高的估计精度.同时,为解决转动惯量参数可能存在未建模特性的问题,采取了双PF滤波器既估计角速度又估计转动惯量参数,从而避免由于状态高维数而引起的PF算法的计算量过大问题.考虑到采用粒子滤波估计转动惯量参数的特殊性,引入参数估计的核光滑(Kernel smoothing)方法,进而提高了转动惯量参数估计的精度,减少了转动惯量的不确定性对角速度估计精度的影响.最后,在不同参数的情况下,与EKF角速度估计方法进行比较,结果体现所提算法在解决角速度估计问题的优越性.     

基于渐消滤波的神经网络优化算法及其应用

针对BP神经网络在训练过程中易陷入局部极小值的问题,提出一种新的基于渐消滤波的神经网络学习算法。该算法采用渐消卡尔曼滤波对神经网络的权值进行更新,有效避免了梯度下降算法产生的局部极小问题;与卡尔曼滤波相比,在渐消滤波中充分考虑了最新量测值的影响,能更合理地利用新的有效信息,从而提高了学习算法的收敛速度。学习后的网络不仅具有普通神经网络的自主学习能力,而且具有渐消滤波的最优估计性能。将提出的神经网络算法应用于SINS/BDS组合导航系统进行仿真验证。结果表明,提出的算法在逼近精度方面优于BP算法和卡尔曼滤波算法,可以有效提高神经网络的泛化能力。     

动态神经网络模型及在电力负荷建模中的应用

分析了静态神经网络在动态电力负荷建模中存在的问题，提出了适用于动态负荷建模的动态神经网络模型，并且给出了具体的训练算法。通过对一个实际工业负荷建模，证明了所提方法的可行性及有效性。     

滤波增益模糊自适应调节导航算法

研究基于自主车的自主导航信息融合算法,针对量测噪声、建模误差等因素引起的滤波发散问题,提出一种实时、自适应滤波算法。通过监测新息向量均值与协方差变化,构建模糊规则推理机制,通过模糊推理,自适应调节滤波器滤波增益,实时改变量测信息估计并更新权重,抑制滤波发散,实现最优估计。搭建自主车仿真环境,采集跑车数据,验证结果表明:相比常规滤波,该算法提高滤波精度效果明显,较好解决了噪声及未建模部分所引起的滤波发散问题。     

生物发酵过程神经网络状态预防器的验证

由于生物发酵过程的复杂性和不确定性，传统的建模，状态估计、基于模型的多步超前预测方法通常难以奏效，作为一种数据驱动的方法，神经网络模型能够弥补以上方法的不足。采用滚动学习－预测算法，对工业生产规模的青霉素流加发酵过程的产量、糖耗分别作出了多步超前预测，取得了满意的结果。     

抑制 Kalman 滤波发散的方法及其进展

探讨了抑制Ｋａｌｍａｎ滤波发散的若干方法，抑制滤波发散的算法，对实际应用及改进Ｋａｌｍａｎ滤波，提高状态估计精度是有益的。     

精密机械热动态误差模糊神经网络建模研究

结合模糊逻辑与人工神经网络的优点,提出精密机械热动态误差的模糊神经网络模型,并在多变量模糊模型后件结构与参数辨识中提出了主分量分析建模的新方法.基于语言控制规则的模糊模型,采用模糊推理方法,建模的关键在于结构辨识和参数辨识. 采用主分量分析方法可有效地辨识模型后件的结构与参数.为克服建模用的有效数据量少于后件参数,而无法建立相应的模糊模型这一问题,采用一种多变量系统的模糊神经网络建模方法,利用神经网络具有学习的能力,通过使用适当数量的具有充分激励信息的优选数据组作为学习样本对神经网络进行训练,从而建立起模糊神经网络模型.当辨识的模型精度达不到要求时,可应用模糊神经网络的多次训练获取更高的模型精度.实测数据建模表明,模糊神经网络模型能有效地描述热动态误差.     

基于趋势检查法的遗传神经网络模型及工程应用

针对神经网络中模型可靠性问题,提出了趋势检查法的思路,采用评价指标中评价等级的影响趋势对模型进行检查,基本过程为不断调整模型参数、训练、趋势检查,直到获得最优模型。趋势检查法为一种通用方法,可用于任何基于先知经验方法的模型可靠性检查,为模型可靠性检查提供了一种新思路。对于神经网络学习样本贡献度不同的问题,采用样本加权的方法,对样本进行预处理,并将样本权值应用于神经网络的目标函数中,由此建立了加权神经网络目标函数。最后引入遗传算法来优化神经网络参数,建立了基于趋势检查法的遗传神经网络模型,并应用于实际工程中的围岩分类问题,结果表明该模型泛化能力强,具有较高的分类精度。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

预测城市用水量的人工神经网络模型研究

为了提高多层前馈神经网络权的学习效率,引入变尺度方法来训练神经网络的权值,并根据训练误差自适应调整学习系数和动量因子.将该方法应用于城市用水量预测中,建立了非线性人工神经网络预测模型.该模型考虑了城市工业用水重复利用率、用水人口、经济发展等众多因素对用水量需求的影响,具备系统决策功能.杭州市预测实例表明,建立的模型及其相应计算方法具有较高的预测精度和准确度.     

Artificial Neural Network Performing the Forward Operation of Color Appearance Model

A method of the forward operation of color appearance(from colorimetric attributes to color appearanceattributes)using an artificial neural network(ANN)is presented.The neural network model developed is a multilayerfeedforward neural network model for predicting color appearance model(CAM).This method greatly decreased themathematical computation in color appearance prediction.The error backed-propagation(BP)algorithm was applied     

RBF神经网络算法及其应用

在径向基神经网络学习算法的基础上,提出了一种新的RBF神经网络学习算法,该算法将变长度染色体遗传算法和最小二乘法相结合,能够同时确定径向基神经网络的结构和参数。用此方法建立热电厂热负荷预测模型,并与BP神经网络和增长型结构学习算法的RBF神经网络方法相比较,结果表明可以取得更好的效果。     

灰色补偿RBF神经网络

给出了灰色系统与神经网络的一种新的结合方式—灰色补偿RBF神经网络。该网络利用RBF神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

基于变量聚类的BP神经网络术后生存期预测模型

针对结直肠癌患者术后生存期预测,基于模糊C均值（FCM）聚类算法,提出一种结合场景认知和隶属度排序的变量聚类方法,对结直肠癌患者样本进行降维,并筛选出6个特征变量.结合BP神经网络,建立一个结直肠癌患者术后生存期预测模型.为了验证该模型的有效性,利用主成分分析（PCA）对样本进行降维,并训练BP神经网络,对比FCM模型及PCA模型的预测准确率.结果显示,基于FCM变量聚类的BP神经网络模型预测准确率更高,所提出的变量聚类方法能够有效筛选出对于生存期有相关性和解释性的变量,从而提高BP神经网络模型的预测准确率.     

Optimizing neural network forecast by immune algorithm

1 INTRODUCTIONThe forecast of complicated nonlinear relation-ships among multi-factor ti me series can be ex-pressed as a multivariate ti me series analysis ,which si multaneously observes the dynamic processof a group of (multi-di mension) correlative randomvariables as a whole , while traditional linear fore-casting methods such as multiple regression mod-el[1], GM(1 ,N) model[2]seemto have many bar-riers on solvingthis complex nonlinearissue amongthese multi-factor ti me series .Artifi…