基于人工神经网络(ANN)理论的保护原理

根据现代控制技术的人工神经网络理论提出了一种保护原理构成方案,并分析了原理实现的可行性和技术难点。     

基于神经网络的自适应单相重合闸

本文运用人工神经网络模式识别与模式分类的功能,建立了基于BP网络的单相重合闸的模型,通过验证一条线路模型证实了它的可行性。     

基于神经网络自适应模糊控制的分布式继电保护系统的设计

传统的ＤＰＲＰ系统是有箕于阈值的方法来实现智能控保的。它将保证检测单元交送和各种经阈值处理决定是否控保处理。这种方法动态性差，不能准确地实施控制保护。将神经网络与模糊控制结合起来，提出一种基于神经网络的自适应模糊控制器。采用梯度下降最速法的算法学习，可以达到良好的瞬时响应，且能降低成本，增加ＤＰＲＰ系统的实用性。     

应用单片机进行距离保护的研究

本文论述了单片机距离保护的原理,提出了一种改进算法,进行了对应的软件、硬件试验,证实了算法是可行的且有一定的优越性。     

线控转向系统的自适应神经网络滑模控制

传统滑模控制(SMC)方法应用到线控转向系统时,需要预先获取系统干扰的上界值,且系统干扰变化会导致转角控制稳定性变差.为了提高线控转向系统的车轮转角跟踪性能,提出了一种考虑系统干扰的自适应神经网络滑模控制(RBFSMC)方法.RBFSMC先采用径向基神经网络对系统的不确定性和电机力矩扰动进行实时估计,再结合传统滑模控制...     

基于结构自适应神经网络用电量时间特征的聚类分析

鉴于聚类分析在数据挖掘中具有重要的作用,针对聚类分析中聚类数确定难的问题,深入研究了聚类准则的选择和曲线特性,提出了一种基于SOFM神经网络的结构自适应聚类神经网络,其特点是能够自动确定最佳的聚类数.基于实际营销数据,采用结构自适应聚类神经网络技术实现了用户用电量时间特征分析,所得结论对于电价的针对性的调整以及合理地安排电力生产具有重要的参考价值.     

X-Y数控平台中基于Backstepping的自适应模糊摩擦补偿研究

本文对摩擦补偿进行了简单的概述,并对基于Backstepping的自适应模糊摩擦补偿进行了详细的研究,得出了相应的结论.     

基于神经网络的时变时滞系统自适应内模控制

将基于人工神经网络的时变时滞系统参数辨识算法与内模控制相结合 ,提出了时变时滞系统自适应内模控制算法 .理论分析及仿真结果表明 ,该算法能克服时滞及参数的变化 ,具有鲁棒性好、抗干扰能力强的特点     

自适应模糊神经网络预测金属离子水解常数的研究

采用自适应模糊神经网络的方法,以金属离子价电子结构因子、电荷-半径比、适配价轨道数因子等为参数,关联金属离子水解常数.利用减法聚类算法确定模糊神经网络的结构,并结合模糊推理系统进行该网络参数的调整.网络仿真的结果是满意的.自适应模糊神经网络可望成为元素和化合物构效关系研究的辅助手段.     

基于神经网络的火控系统故障诊断专家系统研究

为了实现对火控系统故障的快速诊断,通过分析人工神经网络和专家系统各自特点和局限性,采用人工神经网络技术与专家系统相结合的方法,建立了基于人工神经网络的专家系统故障诊断机制,并在此基础上设计了基于神经网络的火控系统故障诊断专家系统,较好地解决了火控系统多征兆、多原因的复杂故障问题。     

基于神经网络的自适应噪声抵消器的研究

在系统阐述了自适应滤波器和自适应噪声抵消器基本原理的基础上,利用神经网络的特点,设计了基于四层神经网络的自适应噪声抵消系统,克服了传统自适应滤波器需要两路输入信号统计相关的特点。理论分析和计算机仿真表明,该系统与传统自适应噪声抵消系统相比具有很好的噪声消除能力和鲁棒性。     

基于自适应神经网络的电路系统故障诊断研究

针对人工神经网络的特点,对传统BP算法进行了全面改进,通过采用自适应学习率和动量因子修正等方法,有效克服了传统BP算法在实际应用中学习收敛速度慢和容易出现局部极小点的缺点。以电路系统的故障诊断为例,引入了模糊数学中的隶属度函数,对故障特征量进行处理后作为自适应神经网络的输入,故障编码作为网络的输出。实验仿真结果表明,该系统对电路故障类型能够有效地进行诊断和识别。     

基于自适应神经网络的调频调幅信号预测

线性调频信号在雷达和声纳探测上有着广泛的应用,利用自适应神经网络理论对线性调频信号的预测进行了研究,建立了自适应神经网络预测控制模型．在Matlab里进行了仿真,从图上可以看出,尽管在预测的初始阶段误差较大,但经过一段时间后,误差几乎趋于零．结果表明自适应神经网络能较好地对线性调频信号进行预测．     

神经网络辨识的自适应逆控制

逆模型控制是一个新颖的控制方法．但在实现上会遇到很多困难,如被控对象的大滞后、时变性和不确定性等,使精确的对象数学模型难以建立．文中根据工业对象的特点及对控制系统高鲁棒性与高自适应性的要求,提出一种改进的神经网络的模型参考自适应逆控制系统．仿真试验表明,此系统具有良好的跟踪给定信号和消除对象干扰的作用．     

基于自适应神经网络的云资源预测模型

为了避免容器云资源因资源供求不均衡而导致的资源利用率差等问题,需要对未来时刻的资源需求情况进行预测来进行更精准的调度和分配资源,因此,结合神经网络的高效学习能力与自适应调整的学习率,提出一种基于自适应神经网络的云资源预测模型。首先,融合卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short-term memory, LSTM)网络的特点去挖掘历史数据的特征,预测未来的资源需求;然后,根据模型预测情况自适应调整学习率,提高模型预测的精度。使用Microsoft Azure公开数据集进行测试,相较于单一模型CNN、LSTM和未加入自适应学习率的神经网络模型,均方根误差分别下降了17.74%、18.27%和6%,证明了模型的有效性。     

一种采用神经网络PID控制的自适应资源分配方法

针对有限资源开放式系统多任务资源分配问题,提出了采用神经网络PID控制的自适应资源分配方法。该方法以求解任务间公平性服务质量水平(QoS)为目标,使用当前QoS与系统平均QoS的偏差作为控制器输入,通过多输入多输出神经网络PID控制,在线调整了资源分配。该方法不需要精确预知任务服务质量函数形式,而是通过自适应微调PID参数,快速有效地获得了近似公平的资源分配。实验结果表明,该方法能保证QoS快速收敛,与现有方法相比,资源调整次数减少了近10次,扩大了稳定范围。     

基于DLF神经网络的非线性自适应PID控制器

针对非线性时变现象,将DLF神经网络与PID基本原理相结合,提出了基于DLF神经网络的非线性自适应PID控制器设计方法,并解决了此类控制器初始参数难以设置的问题,仿真研究证实了其可行性和有效性。     

基于模糊协方差的自适应聚类神经网络

将模糊协方差距离测度引入到竞争学习型神经网络的参数控制中,采用批处理的网络学习方式消除数据样本顺序对网络权重调整的影响,通过淘汰及合并数据集的冗余类实现对未知类别数、多种分布型数据的自适应聚类．实验表明,新网络对数据集的分布形式有较强的鲁棒性,并能正确确定数据集的类别数．     

基于神经网络分类的自适应图象编码

介绍一种对图象特征系数进行分类的自适应图象压缩编码算法。利用子图象ＤＣＴ系数间的相关性，使用神经网络的方法对ＤＣＴ系数矩阵进行分类对具有相近频率分布的变换系数矩阵进行聚类，使得各频率分量的方差减小，并提出了自适应的比特分配算法。实验表明在相同的压缩比情况下，该图象编码算法较其他方法有明显的提高。     

基于神经网络的自适应控制研究进展

综述了近年来神经网络自适应控制的研究现状,阐述了神经网络自校正、模型参考自适应控制和内模控制,并对其构成与特点进行了分析。在此基础上,指出了神经网络自适应控制研究中存在的主要问题,展望了神经网络自适应控制未来的研究方向。