基于神经网络的非线性系统辨识

基于神经网络实现了非线性系统的分析,给出了计算实例,实验结果表明了方法的有效性。     

基于RBF神经网络的自回归系统辨识模型

根据神经网络能以任意精度逼近任意非线性连续函数的特点,通过径向基函数神经网络构建非线性动态系统的辨识模型。针对该模型输入值超出径向基函数的映射区域时将导致系统辨识输出值为零的现象,提出了一种基于改进径向基函数结构的自回归系统辨识的方法,有效地消除了零现象。这使得自适应辨识模型在较大的输入向量下能够逼近实际系统的输出,从而提高了系统辨识的鲁棒性。该方法的可行性得到了仿真验证。     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

神经网络智能控制系统辨识模型结构的研究

目的 研究神经网络智能控制系统辨识模型的基本结构。方法 分析了控制系统动态模型的输入、输出关系,依据模型等效的最优化原理和神经网络任意逼近有限不连续函数的性质,提出神经网络辨识模型的基本结构。结果 该基本结构不仅适用于高阶线性系统,也适用于非线生及时变系统,可达到较高的辨识精度,保证了由此构成了神经网络控制系统具有较好的自适应性和鲁棒性。结论 所提出的基于神经网络系统辨识模型的基本结构具有一般性和     

基于RBF神经网络的热力系统煤种辨识方法

为了保证热力系统稳定运行,提高锅炉安全寿命,控制污染物,该文利用多模型思想,对煤种低位发热值进行初步辨识和精确辨识。初步辨识中,采用改进的K均值聚类算法,快速辨识出煤种类型;精确辨识中,利用初步辨识的结果优化发热量辨识模型,减少模型搜索范围,采用自动调节隐节点和参数的径向基函数(RBF)神经网络算法。仿真结果表明,该辨识方法的辨识误差在1.5%以内,具有良好的辨识精度,在速度上也优于单独的RBF辨识算法,可以应用于热力系统煤种发热量在线辨识。     

基于神经网络的系统辨识

本文介绍了一种由系统的输入和输出建立系统预测模型的方法——基于神经网络的辨识。并给出了网络的递推公式,并举例。仿真结果表明,辨识的精度可人为确定。该方法适用于复杂的控制问题或要求控制精度较高的控制问题,如原油含水控制及井下压力的控制等方面。     

基于递推K—均值聚类算法的RBF神经网络及其在系统辨识的应用

提出了一种基于ｋ－均值聚类算法的ＲＢＦ神经网络递推快速学习算法，并用此对动态非线性过程进行辨识。仿真结果表明了本文方法的可行性。     

复杂生产过程的模糊神经网络辨识

大多数工业生产过程，都是具有较多不确定因素的复杂过程，难于用常规方法建立数学模型。把模糊系统理论与神经网络理论相结合，构造了一种模糊神经网络辨识算法，并把该方法应用于合成氨生产系统的过程辨识。     

基于神经网络的发动机模型辨识

为进一步研究发动机的稳态、空载、动态转矩、燃油消耗模型和万有特性,笔者提出了一种基于神经网络的神经元结构模型和多层前馈网络结构模型并分别进行了数学分析.实践研究表明：在发动机的工作过程中,动态工况占66%～80%,并发现发动机的动力性和经济性指标与稳态工况存在着一定的差异.     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

利用神经网络对温度系统的辨识

针对神经网络对系统辨识时,在一次采样周期内只学习一次样本对的低效率情况,采用一种改进措施,即在一次采样周期内进行多个样本对的学习,同时还采用离线辨识和在线辨识结合的方法,使神经网络能快速、准确地辨识系统的特性．     

用径向基神经网络预测丙戊酸钠血药浓度

应用径向基(RBF)神经网络建立预测丙戊酸钠(VPA)的血药浓度的模型.以患者的性别、年龄、给药间隔、给药剂量、肝功能、肾功能等为输入变量,VPA血药浓度为输出变量,训练RBF网络,获得两者问的关系.当SPREAD值为0.1时,网络模型的预测效果和泛化能力较好.RBF网络用于预测VPA血药浓度的研究是可行的和有效的.     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性,提出了一种基于神经网络的通用模型控制方法,将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线,由于径向基函数网络具有许多优点,该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。     

基于归一化RBFNN的执行器非线性模型及其特性补偿

执行器的动态非线性特性是影响控制系统控制效果的一个重要因素,采用归一化径向基函数神经网络NRBFNN,通过竞争学习算法RPCL确定RBF中心,用递归最小二乘法估计网络的输出权值,建立了执行器动态非线性特性模型及其逆模型,通过信号补偿方式来改善执行器的动态特性,仿真结果表明了该方法的有效性.     

基于RBF网络的混沌动力系统辨识

提出用RBF神经网络对混沌动力系统进行辨识，设计了一个三层RBF网络结构，仿真实验说明了RBF网络用于学习混沌动力系统时的基本性质。用辨识模型重建吸引子方法定性地评价辨识模型，通过计算辨识模型的Lyapunov指数定量地评价辨识模型的性能，同时推导了RBF网络模型Lyapunov指数的计算公式。仿真结果表明，该辨识模型能很好地逼近原混沌动力系统，准确地体现原混沌系统的动力学特性。     

基于神经网络的机器人运动模型辨识及实验验证

为提高机器人模型辨识时神经网络的学习速度，改进得到一种新的神经网络拓扑结构——状态延迟输入动态递归神经网络．以德国PowerCubeTM模块化机器人为研究对象，将机器人关节位置信息和OPTOTRAK 3020三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本，对包含各种影响因素的机器人运动模型进行了辨识．并以此模型为基础，输入验证样本进行验证，所得结果及误差分析说明了该神经网络在学习能力上的优越性及辨识模型的有效性．     

利用RBF神经网络实现高斯型函数积分

导出了在一定精度下高斯型函数积分近似表达式,利用径向基函数(RBF)网络具有良好的逼近任意非线性映射的特点,提出了一种改进的RBF网络方法以实现对高斯型函数积分。实验结果表明所提出方法具有较高的逼近计算精度。     

焊接过程的RBF神经网络建模

介绍了RBF神经网络的性能和算法结构 ,建立了RBF神经网络在船舶焊接过程中用于焊接变形预测分析的模型 ,并探讨了其应用和发展趋势     

基于神经网络的ATM网络ABR业务流量控制

提出了异步转移模式ATM网络可用位速率ABR业务一种基于神经网络的流量控制方法。采用基于径向基神经网络的流量控制算法可以实现在线学习,自适应根据流量大小的变化和网络的拥塞状况调整神经网络的模型参数。仿真结果表明与传统的静态反馈方法相比,文中所用的算法可有效地提高信道的利用率和降低信元丢失率。