机器人液压驱动器神经网络自适应最优控制

为了有效地控制液压非线性系统,提出基于RBF神经网络的自适应最优控制系统,应用于机器人液压驱动器.首先,建立了液压系统的动力学模型;然后,输入幅值和频率连续变化的信号,应用卡尔曼滤波器估计液压系统状态,进而计算出模型参数,对模型参数进行分组用于训练RBF神经网络;接着,对不同组参数求平均作为参考点,用RBF神经网络学习最优控制器反馈增益随系统参数的变化规律;最后,训练完成的神经网络根据卡尔曼滤波器参数估计值在线预测并调节控制器增益.经实验验证,该控制系统调节时间和跟踪误差仅为普通线性二次型最优控制器的1/2和1/3左右.     

基于Bayesian方法的参数估计和异常值检测

异常值检测是当前数据分析研究中的一个重要研究领域。模型中的异常值会直接影响建模、参数的估计、预测等问题。基于模型的异常值检测,传统的做法是先对模型参数进行估计,再进行异常值检测。而异常值的存在会影响参数估计,从而导致下一步异常值检测的不可靠;反之异常值检测也会影响参数估计。针对这些不足之处,提出了基于 Bayesian 方法的参数估计和异常值检测,此方法可以将参数估计和异常值检测同时实现,具体做法是在线性回归模型中引入识别变量,基于 Gibbs 抽样算法,给出识别变量后验概率的计算方法,通过比较这些识别变量的后验概率进行异常值定位,同时给出参数的估算方法。通过大量的模拟实验,结果表明,与传统方法相比,提出的方法对异常值更灵敏。     

可分非线性系统的自校正广义预测控制

对一种可分非线性系统,采用Hammerstein模型的基本框架,用神经网络对非线性部分建模,线性部分采用受控自回归积分滑动平均模型.对此模型的线性部分设计广义预测控制器,得出线性部分的控制量.根据此控制量,引入一逆神经网络.结合原来的神经网络模型,通过对逆神经网络权值的调整,使神经网络模型的输出为线性部分的控制量,同时得到逆神经网络的输出,即非线性系统的控制量.文章提出的模型克服了Hammerstein模型中非线性部分的反函数存在性和唯一性的问题.仿真结果验证了该设计的有效性.     

基于输入预测误差的Wiener系统结构和参数辨识

为了辨识Wiener系统的结构和参数,提出了一种结构等效逆变换,将两个子模型的参数乘积项转化为两个子模型的参数求和.该变换不仅避免了参数乘积项的出现,而且减小了算法计算量;针对变换后系统的特点,提出了一种输入预测误差准则用于参数估计;基于输入预测误差准则,提出了一种最小二乘算法来辨识Wiener系统的参数.数值仿真验证了算法的有效性.     

一种可分非线性系统的自校正广义预测

对一类可分非线性系统,采用Hammerstein模型的基本框架,用神经网络对非线性部分建模,线性部分采用受控自回归积分滑动平均模型。对此模型的线性部分设计广义预测控制器,得出线性部分的控制量。根据此控制量,引入一逆神经网络,结合原来的神经网络模型,通过对逆神经网络权值的调整,使神经网络模型的输出为线性部分的控制量,同时得到逆神经网络的输出,即非线性系统的控制量。克服了Hammerstein模型中非线性部分的反函数存在性和惟一性的问题。仿真结果验证了该设计的有效性。     

Wiener系统辨识中有限阶次的渐近性分析

在白噪声和有色噪声激励下,分别推导出Wiener系统线性部分的渐近方差式.在有色噪声激励下,添加对噪声模型的渐近分析.利用由正交基构成的生成核函数替换模型阶数,得到的两渐近方差式能更精确地接近于对应的真实采样值.根据渐近方差矩阵,建立以输入功率谱为变量的优化问题.通过求解带约束条件的优化问题得到Wiener系统中最优输入信号的功率谱密度.最后用仿真算例验证本文方法的有效性.     

Hammerstein非线性系统参数估计分离的三种方法

采用递推最小二乘算法估计Hammerstein非线性系统的参数,获得的参数估计中包含了线性块参数与非线性块参数的乘积项,探讨了分离参数估计的三种方法:平均方法、排列组合方法、奇异值分解方法,并通过仿真例子进行了比较分析.     

缺失数据下带约束条件的部分线性变系数EV模型的估计

用一般级数估计方法研究了带约束及响应变量缺失条件下的部分线性变系数EV模型的参数与非参数估计,并讨论了参数估计的一致性和渐进正态性及非参数估计的收敛速度,且通过数值模拟验证了所提方法的估计效果.     

单层神经网络在参数估计中的应用

神经网络方法可用于动力学系统的参数估计，包括时域和频域建模。将单层神经网络用于单交量线性连续时不变系统的参数估计中，线性系统分别用状态方程及传递函数来描述。对于状态方程描述的线性系统，假设系统状态、状态的导数及系统输入已知，给出了相应的神经网络结构及学习算法用以估计系统参数；对于传递函数形式描述的线性系统，推导出了基于频域数据的单层神经网络结构，用以估计传递函数的参数。     

融合内外场退化数据的可靠性评估方法

针对性能退化过程服从Wiener过程的产品,文章运用贝叶斯统计推断法,提出了一种融合内场加速退化试验(accelerated degradation test,ADT)与外场退化信息的可靠性评估方法。考虑到内外场应力环境差异,提出了基于修正系数的Wiener过程双参数修正模型;建立了退化数据模型,得到各应力下分布参数估计值;将各加速应力下分布参数估计值折算到正常工作应力下,构成未知参数先验分布的数据样本;构建了外场退化数据下未知参数的后验分布函数,采用马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)方法,得到参数的后验分布均值。实例分析结果验证了该文方法的正确性。     

Wiener模型的集成辨识方法

对一类石油化工生产过程中的Ｗｉｅｎｅｒ模型辨识问题,提出了一种稳态与动态相结合的集成辨识方法．利用稳态信息获取稳态模型的强一致性估计,通过神经网络逼近得到非线性增益的逆函数．然后利用系统的动态信息辨识Ｗｉｅｎｅｒ模型的线性系统的参数,并得到一致性估计．仿真结果表明了该方法的有效性和实用性．     

基于改进CNN-GRU网络的多源传感器故障诊断方法

提出一种复杂系统内多源传感器的故障诊断方法.利用多源传感器数据之间的相关性,使用卷积神经网络提取不同传感器之间的联系和特征.在卷积网络中,设计了传感器数据标定模块使得网络更关注学习与故障信号相关的传感器数据.利用循环网络对传感器自身的时序特征建模,引入跳跃连接和辅助损失函数降低网络的训练难度.最后综合时空特征,一次计算得到故障分类结果和故障参数估计.仿真结果表明,改进后的CNN-GRU网络能够实时准确地诊断传感器的固定偏差故障和漂移偏差故障,传感器数据标定模块和跳跃连接的引入有效地提高了诊断算法的准确率和精度.      

基于小波特征提取和概率神经网络的机械故障诊断

论述了基于离散小波变换系数的特征提取和概率神经网络在机械故障诊断中的应用。该方法利用离散小波获取振动信号各有效频带的能量作为故障参数,用概率神经网络构建设备运行状态模型,根据历史数据确定故障值并设置故障参数。实验结果从应用程序对轴承故障诊断表明,相比传统方法,该方法能够有效地提取测试信号内在的重要信息内容,并增加机械整体故障诊断的准确性,在机械设备故障处理系统中有良好的应用前景。     

电力设备基于小波神经网络故障检测方法的仿真研究

提出了一种基于小波神经网络非线性观测器的故障检测方法。它是将规范正交的小波函数作为基函数网络中的基函数,得到小波神经网络。通过小波的去噪和神经网络的自学习功能,获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判决,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法的有效性。     

基于聚类和模糊神经网络的故障诊断

模糊神经网络能够发挥模糊逻辑和神经网络的特性,在武器装备的故障诊断中应用越来越广泛。文中提出了一种基于聚类和模糊神经网络的故障诊断模型,该模型首先通过基于关系度的聚类方法得到模糊神经网络的初始结构,并用梯度下降法对网络的参数进行修改,以得到泛化能力好的诊断网络。仿真结果表明该模型是有效的。     

离散Hopfield神经网络在混烧控制系统故障诊断中的应用

给出了离散Hopfield神经网络结构和模型．利用Hopfield神经网络的演变过程是一种计算联想记忆的过程,它适用于正交(或近似正交)模式的记忆性质,给出了一种Hopfield神经网络的双向联想记忆模式的记忆矩阵构造方法,并提出了一种改进的基于Hopfield神经网络的控制系统故障诊断的算法,利用此算法实现实时检测混烧控制系统的故障和异常,对混烧控制系统的调节器和阀门进行故障诊断和故障信息提示．     

一种基于RBF神经网络的传感器故障诊断方法

针对传感器故障，提出了一种基于RBF神经网络的集成故障诊断方法，用RBF神经网络建立传感器故障模型，对系统的状态和故障参数进行在线估计，然后将故障参数与修正的Bayes分类算法（MB算法）相结合，进行传感器故障在线检测、分离和估计。对连续搅拌釜式反应器（CSTR）的仿真结果表明，该集成故障诊断方法能够对多重传感器进行故障进行快速准确的分离和估计，并对传感器故障具有容错性。     

故障诊断专家系统神经网络学习机研究

根据故障诊断专家系统的特点，设计了一种面向故障诊断问题的机器学习系统。在参数修正自学习模型中，引入了变结构的参数修正人工神经网络模型，采用B-P学习算法及后验学习方式，实现了故障诊断专家系统参数修正学习机设计。在汽车故障诊断问题中的应用结果表明。学习效果良好。     

一种基于神经网络的快速盲波束形成算法

定义了一种新的映射关系,有效地简化了应用径向基函数神经网络(RBFNN)实现波束形成时训练数据的产生.采用两个网络并行处理的方法提高了网络收敛速度,通过后续处理逼近维纳解.仿真实验表明,该算法的信号跟踪能力与最小方差无畸变响应(MVDR)算法的跟踪能力十分接近.但由于该算法结合了神经网络容错能力强的特点和并行计算的结构优势,比MVDR算法更有效地提高了运行速度,并且对系统误差具有更强的鲁棒性.     

基于神经网络及模糊理论建立回热系统故障诊断层次模型

针对热力系统故障发生的模糊性,提出将模糊辨识理论和人工神经网络相结合,建立回热系统故障诊断层次模型．该模型根据回热系统以加热器为中心的特点,分层诊断,缩小了知识库,减少了计算量,并利用了神经网络“边学习、边辨识”的优点,使故障诊断迅速、准确．经仿真实验,证明了模型辨识效果良好．