模糊神经网络两相流流型辨识算法的研究

针对电容测量灵敏度分布易受被测两相流介质分布的影响,对电容传感器阵列采集的反映两相流介质分布的信息进行模糊处理,经Ｋｏｈｏｎｅｎ网络的自组织学习,提取输入模式样本的分类特征,通过ＢＰ网络的监督学习,可实现两相流流型的有效判别和分类。     

基于小波神经网络的气液两相流流型识别方法

为了克服传统流型识别方法的特点,采用小波分解和RBF神经网络技术来实现气液两相流流型的智能识别。首先测量了水平管内气液两相流的差压波动信号,其次应用小波分解对流型的动态差压波动信号进行了分析并提取流型特征,最后将小波能量特征作为RBF神经网络的输入,从而实现对流型的智能识别。仿真结果表明:该方法能够较好地识别出4种流型,从而为流型的在线识别提供了一种定量的流型识别方法。     

油气水多相流流型在线识别仪

基于油气水多相流混合物在管道内流动时的流体压力和压差信号,经特征提取和模式识别的方法实现了油气水多相流流型的在线识别。具体介绍流型识别的基本原理,仪器的硬件结构和软件的设计方法。     

模糊神经网络两相流流型辨识算法的研究

针对电容测量灵敏度分布易受被测两相流介质分布的影响,对由电容传感器阵列采集的反映两相流介质分布的信息进行模糊处理,经Ｋｏｈｏｎｅｎ 网络的自组织学习,提取输入模式样本的分类特征,通过ＢＰ网络的监督学习,可实现两相流流型的有效判别和分类     

基于改进型BP网络的气液两相流流型识别

根据气液两相流的特点,将其分为层状流、塞状流、弹状流和环状流等流型,分别对其采集差压信号,并利用概率密度函数（PDF）对差压信号特征进行了分析,得出了PDF的4个特征参数,即波峰个数K₁、波峰峰值K₂、波峰位置K₃、PDF方差K₄。将K₁,K₂,K₃,K₄构成的特征向量作为神经网络的输入样本对BP神经网络进行训练并进行流型识别。结果表明,该方法具有准确率高等优点,是流型识别的一种新手段。     

基于HMM和小波包分解的气液两相流流型识别

为了研究垂直上升管中气液两相流的流型,利用自制的多电导探针测量系统采集4种典型流型的电导波动信息,提出了基于HMM和小波包分解的气液两相流流型识别方法.首先应用小波包分解对电导波动信号进行小波包能量特征参数的提取,然后将小波能量参数作为观测序列输入到隐马尔科夫模型(HMM),从而实现对流型的识别.研究结果表明,该方法能够准确地识别出4种流型,识别效果良好,为流型的在线识别提供了一种有效方法.     

基于神经网络和D-S证据理论辨识两相流流型

提出一种基于电容层析成像(ECT)系统、神经网络和证据理论辨识两相流流型的方法。这种方法采用神经网络与D-S证据理论相结合的方法来辨识两相流流型,并对两相流的几种常见流型进行了辨识。仿真实验结果表明:此种方法在两相流流型辨识中具有较高的判别精度,为两相流流型辨识提供了一种有效的手段。     

基于模糊神经网络的管道缺陷识别方法研究

基于模糊运算和人工神经网络在模式识别中的应用,分别对两种模式识别方法的基本原理及其在管道无损检测中的应用进行了分析。通过建立管道缺陷识别试验,根据检测信号选取适当的参数,分别用这两种方法对不同类型的缺陷进行识别。结合识别结果对其进行比较与总结,证明了两种识别方法的有效性,为识别方法的选择与应用提供了理论依据。     

Zernike矩在气液两相流流型识别中的应用

根据Zernike矩具有正交性的特点,提出了一种基于Zernike矩和改进BP神经网络的流型识别新方法.该方法利用高速摄影仪获取水平管道内气液两相流的流动图像,并从图像中提取基于zernike矩的统计描述作为特征向量;同时,以此特征向量作为流型样本对改进BP神经网络进行训练,从而实现了对流动图像的流型智能化识别.结果表明,该方法能很好地识别七种典型流型,且其应用Zernike矩特征的分类精度明显高于用规则矩和Hu矩作为特征的识别方法,从而证明了基于Zernike矩的气液两相流流型识别方法的有效性.     

电阻层析成像(ERT)技术在识别两相流流型中的应用

介绍TERT-Ⅱ系统样机在实验装置上进行气/液两相流的实验研究，提出了应用ERT系统进行流型识别的基本方法，通过重建图像和分析测量数据实现两相流流型的识别；证明了应用ERT系统实现两相流流型和参数测量的可能性。     

模糊自适应神经网络应用于包装件识别的研究

本文从一般的多自由度离散系统动力学模型出发,建立了结构化神经网络模型.该模型将复杂的多自由度系统非线性特性识别问题分解为若干个单自由度系统非线性特性识别问题,简化了对于复杂系统的分析与求解.文中把模糊自适应BP算法应用于包装件缓冲垫层材料的非线性特性识别问题,在一定程度上提高了网络的训练速度,减少了对于训练参数的人为干预.在此基础上本文提出了引入变异机制的改进的模糊自适应BP算法,它进一步提高了算法的效率,增强了算法的自适应性.针对具有两种典型的包装件缓冲垫层材料的三自由度系统模型的模拟实验,表明了改进算法用于非线性识别问题的有效性.     

非线性系统的神经网络学习控制

主要控制了一类非线性系统的神经网络学习控制问题。讨论了以迭代学习方式训练的神经网络学习控制器，在满足一定条件，可以实现一定时间内的系统输出跟踪。     

一类非线性系统的稳定神经网络自适应控制

利用神经网络作为非线性系统的模型，研究了一类非线性系统的神经网络自适应控制问题，设计出的自适应控制器具有如下的特点：（１）网络仅值是基于参考误差信号学习的投影算法来调节，这样可保证权值的有界性；（２）为了减小神经网络参数估计误差对跟踪误差的影响，提出了根据参考误差信号实时修正神经网络输入的方法。仿真结果对该控制方案进行了验证。     

基于小波神经网络的系统辨识方法

神经网络由于具有良好的自学习和自适应能力，在非线性黑箱建模或系统辨识中有着广泛的应用，这些辨识模型有：多层感知器、径向基函数网和反馈网络等等。文中提出了基于小波神经网络模型的系统辨识方法。由于小波变换或分解所表面的良好的时频局部化特性，以及多尺度的功能，我们用规范正交的小波函数作为基函数网络中的基函数，得到所谓的小波神经网络。通过计算机仿真证实了该方法的良好的辨识效果。     

基于非线性时序模型的神经网络图形识别方法

提出了复数域非线性指数自回归(CNEAR)图形轮廓建模方法.构造了用于CNEAR模型参数估计的神经网络模型,利用该网络可解决非线性参数的估计问题.CNEAR模型参数具有平移、旋转和比例不变性并与计算起始点的选择无关.基于模型参数构造了特征向量,并设计了复数神经网络分类器,给出了复数神经网络学习算法.实验结果表明CNEAR模型在较低阶次即能获得较高的识别率,CNEAR模型对带噪声图形及形状差别较小图形的识别效果要好于复数域自回归模型方法.     

基于观测器的机械手神经网络自适应控制

提出了一种基于观测器的机械手神经网络自适应轨迹跟随控制器设计方法,这里机械手的动力学非线性假设是未知的,并且假设机械手仅有关节角位置测量.文中采用一个线性观测器重构机械手的关节角速度,用神经网络逼近修正的机械手动力学非线性,改进系统的跟随性能.基于观测器的神经网络自适应控制器能够保证机械手角跟随误差和观测误差的一致终结有界性以及神经网络权值的有界性,最后给出了机械手神经网络自适应控制器-观测器设计的主要理论结果,并通过数字仿真验证了所提方法的性能.     

利用神经网络生成评语

本文介绍了人工神经网络用于协助老师生成评语的方法。用这种方法，只需输入学生的各项指数就能生成对学生的评价。由于神经网络具有较好的学习和推广能力，生成的评语能够较准确地反映学生的表现。     

基于动态神经网的非线性鲁棒辨识

研究了一类基于动态神经网络的未知非线性多变量系统的鲁棒辨识问题，用Ｌｙａｐｕｎｏｖ稳定性理论获得了具有保护策略的鲁棒调权律，从理论上证明了被辨识的系统是鲁榛 ，辨识误差按建模误差和未建模动态收敛到一个稳定区域，该策略的特点是不需要离线学习又不需要对象的状态完全可测，仿真结果验证了提出的动态网鲁棒辨识策略的有效性。     

采样非线性系统的动态神经网络稳定自适应控制

研究了一类采样数据非线性系统的动态神经网络稳定自适应控制方法.不同于静态神经网络自适应控制,动态神经网络自适应控制中神经网络用于逼近整个采样数据非线性系统,而不是动态系统中的非线性分量.系统的控制律由神经网络系统的动态逆、自适应补偿项和神经变结构鲁棒控制项组成.神经变结构控制用于保证系统的全局稳定性,并加速动态神经网络系统的适近速度.证明了动态神经网络自适应控制系统的稳定性,并得到了动态神经网络系统的学习算法.仿真研究表明,基于动态神经网络的非线性系统稳定自适应控制方法较基于静态神经网络的自适应方法具有更好的性能.