基于神经网络的无刷直流电机预测控制的仿真研究

在无刷直流电动机高性能速度跟踪系统中，由于PI控制的滞后性，无法根据未来动态行为产生较为理想的PWM波形。针对PWM发生器一无刷直流电动机系统，提出基于神经网络的PWM预测控制方法。采用离线训练和在线修正的方法，通过对PWM发生器-无刷直流电动机系统动态行为的在线估计，建立了系统的神经网络模型。最优控制器根据神经网络模型的输入、输出响应产生合适的PWM波形。在Matlab／Simulink环境建立了模型并进行了仿真，结果表明，较之PI控制器，神经网络预测控制具有更好的动态响应性能。     

结构智能半主动控制系统仿真设计

通过在电液伺服材料性能实验机MTS机上进行磁流变阻尼器动态特性神经网络辨识试验，建立了MR阻尼器的神经网络逆动态特性模型。通过离线训练设计了结构的神经网络辨识器、控制器模型，并提出了MR阻尼器神经网络半主动控制方案。将所建的MR阻尼器的神经网络逆动态模型、结构的神经网络辨识器模型、以及神经网络控制器模型用于结构的神经网络半主动控制并进行仿真，结果表明所建模型及控制方案能够有效降低结构的振动响应，同时最大限度地发挥MR阻尼器的动态特性。     

直接甲醇燃料电池温度响应的建模与仿真

给出了一种用于直接甲醇燃料电池(DMFC)温度响应的人工智能建模方法.采用BP网络、Elman神经网络与自适应神经模糊推理系统(ANFIS)避免了精确数学模型的复杂性.详细描述了辨识结构、算法和模型训练方案.通过不同模型之间的仿真对比,得出了三种网络的最优结构参数.仿真结果满足精度要求,得出ANFIS模型性能最优.在ANFIS模型基础上对DMFC温度响应特性作了简要分析.通过仿真模型可快速得到其输入输出特性,使DMFC温度响应的在线预测与控制成为可能.     

一类基于神经网络非线性随机系统自适应滤波

给出非线性MIMO随机系统可观性定义和条件，将非线性SISO确定性系统局部可观性理论拓展到非线性MIMO随机系统，基于这一理论在系统模型和噪声统计未知情况下，提出一类基于神经网络的非线性离散随机系统自适应滤波器的设计方法，考虑过程方程的动态特性和输出方程的静态特性，设计了动态神经网络作为系统的滤波器，前馈神经网络作为系统的输出预报器，充分利用已知观测信息训练两个神经网络，从而提高了状态估计的精度，该方法克服了扩展Kalman滤波要求模型和统计特性精确已知的不足，仿真例子验证了所提出的估计方法的有效性。     

基于回归神经网络的氧乐果合成过程建模与仿真

氧乐果合成过程具有非线性、时变和不确定性的特点，难以采用常规的建模方法建立模型。BP网络可用于非线性系统的建模，但不能很好的反映实际系统的动态特性。提出了一种静态BP神经网络加多分头延时(TDL)环节构成回归神经网络建立系统动态模型的方法，用于氧乐果合成反应温度控制过程的建模与仿真研究。结果表明，该方法建立的模型误差较小、网络泛化能力较强，能较好的反应实际系统的动态特性，从而为培训操作人员的控制水平提供了低成本的仿真手段，也为自动控制算法的研究提供了仿真模型。     

基于Gamma滤波的压电陶瓷动态迟滞建模研究

融合Gamma滤波和PI模型的结构,提出压电陶瓷的动态迟滞模型.借鉴PI模型的结构, 对Gamma滤波的各个环节的输出通过RBF神经网络进行静态非线性变换,并在其后与一个动态神经网络串联, 构成了一种新的神经网络迟滞模型.与静态PI 模型不同,由于新模型中含有动态的类迟滞算子与动态神经网络串联.所以, 所提出的迟滞模型是一种动态的迟滞模型.对压电陶瓷实际测量数据逼近和预测的结果表明,所提出的动态迟滞模型精度高,具有较强的泛化能力.     

基于贝叶斯-神经网络的动态回归建模与预测

结合贝叶斯网络和神经网络，提出了一种建立数据驱动型的动态线性回归系统模型的方法。基于这种模型采用自然连接型的知识分布，形式化各种各样的信息，结合贝叶斯方法，执行贝叶斯网络的持续学习过程；采用指数寿命型的连接权值改进径向基神经网络，优化输入数据，提高计算速度；采用改进的遗传算法，实现神经网络的动态自适应。基于上述方法，实现了线性回归系统动态建模与实时预测。仿真试验说明该方法是有效性。     

自反馈RBF网络在高炉热状态模型预测中的应用

在RBF神经网络的输入上加入了自反馈的神经元,提出了自反馈RBF神经网络,使网络对过去时态的数据具有了记忆能力,对该网络进行了稳定性分析后,采用层叠的自反馈神经元以增加网络的动态处理能力,并设计了自反馈RBF的在线训练算法,通过对混沌时序数据的仿真实验证明该算法的有效性。在此研究基础上,建立了高炉的热状态预测控制模型,预报铁水中硅的含量以达到判断高炉热状态的目的,实验表明该模型提高了高炉热状态的预报精度。     

基于深度网络的蓝军装备模型参数生成方法研究

蓝军装备的建模仿真是构建对抗仿真环境不可缺少的部分。针对蓝方系统可获取的参数有限、具有“贫信息”“小样本”特性的问题,提出一种基于深度网络的蓝军装备模型参数生成方法。通过设定信息注入蓝军装备的仿真模型,生成仿真数据,利用数据训练深度神经网络。得到的网络对该型装备的未知参数预测具有一定的泛化能力,可直接用于预测或作为迁移学习的源模型。以蓝军某型拦截弹的建模仿真为例对该方法进行应用验证,使用了多层感知机和循环神经网络2种网络对比例导引系数进行学习与预测,均获得了较好的效果。     

基于卡尔曼滤波算法展开的飞行目标轨迹预测

目标轨迹预测是保证目标航行安全、规划飞行航迹和搜寻空中目标等任务的关键技术，在军事和交通管制等方面具有重要意义。针对传统飞行目标轨迹预测方法模型较为简化且预测精度较低的问题，提出了基于卡尔曼滤波算法展开的深度神经网络模型，用于飞行目标的轨迹预测任务。该模型通过长短时记忆(long short-term memory, LSTM)网络从目标的航迹数据中学习目标的运动状态，再利用卡尔曼滤波算法对LSTM预测的目标状态估计值进行动态修正，其有效结合了卡尔曼滤波算法和深度神经网络各自的优势。在仿真数据和真实数据上的实验验证了所提模型较其他网络模型对飞行目标轨迹预测的准确性和有效性优势。     

基于灰色RBF神经网络的炼钢煤气消耗预测

煤气消耗预测是钢铁企业中能源管理重要组成部分之一,以炼钢过程煤气消耗为研究对象,将灰色理论与径向基函数（RBF）神经网络进行组合,建立了基于灰色RBF神经网络的炼钢煤气消耗预测模型,利用灰色理论累加求和特性对样本数据进行预处理,减小了数据的随机性,增强了数据变化的规律;利用RBF神经网络逼近这种数据变化的规律,通过预测误差,动态调整RBF神经网络的结构,使得预测误差在允许的范围内。通过仿真表明,提出的模型预测精度较BP神经网络预测精度高,均方差为2．02％,     

汽油机动力性的前馈神经网络模型

如何优化汽油机的动力性 ,是研究者致力追求的目标。利用多层前馈神经网络的反向传播算法特性 ,建立了汽油机动力性与点火正时、空燃比、发动机转速、油门开度等之间关系的神经网络模型 ,用以分析、预测、优化汽油机动力性能 ,探讨车用汽油机动力性的科学评价指标     

基于模糊神经网络的商业银行信用风险评估模型研究

在确立了商业银行信用风险评价指标体系的基础上,建立了基于模糊神经网络的商业银行信用风险评估模型.该网络具有四个因子输入,一个衡量商业银行信用风险的输出,总共六层的结构,且模糊规则层具有根据具体问题情况进行调节的能力,优于神经网络完全黑箱操作的特点.利用Matlab6.1对167组样本数据进行实证分析,训练结果表明网络预测误差小.     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于GAN的体系能力图谱生成方法

体系能力图谱是体系能力的一种可视化表现形式,是从体系视角对整体能力的刻画,是体系能力分析的一种重要方法。本文提出利用生成对抗网络的方法完成从体系特征到体系能力图谱的预测,设计合理的网络框架和损失函数,并利用体系实验床平台获取体系特征和能力图谱样本对来训练模型。所提方法相比于传统实验方法,不仅可以快速得到能力图谱,还可以根据体系的改变直接得到多维度的能力图谱,为作战提供实时辅助分析。     

基于GAN的体系能力图谱生成方法

体系能力图谱是体系能力的一种可视化表现形式,是从体系视角对整体能力的刻画,是体系能力分析的一种重要方法。本文提出利用生成对抗网络的方法完成从体系特征到体系能力图谱的预测,设计合理的网络框架和损失函数,并利用体系实验床平台获取体系特征和能力图谱样本对来训练模型。所提方法相比于传统实验方法,不仅可以快速得到能力图谱,还可以根据体系的改变直接得到多维度的能力图谱,为作战提供实时辅助分析。     

基于RBFNN的DMFC温度建模与神经模糊控制研究

为了提高燃料电池的发电性能，直接甲醇燃料电池（DMFC）堆的运行温度应该控制在一个合适的范围内。简单介绍了利用RBF神经网络基于实验的输入输出数据建立DMFC电堆温度模型的方法，避开了电堆的内部复杂性；在控制过程中，将训练好的网络模型作为DMFC控制系统的参考模型，采用一种改进的模糊遗传算法（FGA）在残对神经模糊控制器的参数进行自适应调整。采用最近邻聚类算法小（NNCA）对控制器的模糊规则库进行更新。在仿真实验中，将所提出的算法与非线性PID和传统模糊算法进行比较，结果表明所设计的神经模糊控制器具有较好的性能。     

INTELLIGENT SECURITY SYSTEMS ENGINEERING FOR MODELING FIRE CRITICAL INCIDENTS： TOWARDS SUSTAINABLE SECURITY

An intelligent security systems engineering approach is used to analyze fire and explosive critical incidents, a growing concern in urban communities. A feed-forward back-propagation neural network models the damages arising from these critical incidents. The overall goal is to promote fire safety and sustainable security. The intelligent security systems engineering prediction model uses a fully connected multilayer neural network and considers a number of factors related to the fire or explosive incident including the type of property affected, the time of day, and the ignition source. The network was trained on a large number of critical incident records reported in Toronto, Canada between 2000 and 2006. Our intelligent security systems engineering approach can help emergency responders by improving critical incident analysis, sustainable security, and fire risk management.