自组织特征映射神经网络在薄板冲压中的应用

从影响薄板冲压成形结果因素和有限元网格法出发,研究了基于神经网络预测毛坯尺寸模型的方法.选取模具参数和工艺参数等作为影响冲压成形结果的因素,用正交表和随机法产生径向基函数神经网络的学习样本;利用自组织神经网络对样本进行分类,用有限元网格法反算的毛坯的长度作为神经网络的输出;设计了神经网络流程,定义了神经网络输出与有限元分析数据的相对误差.通过仿真试验证明,提出的预测毛坯尺寸模型的方法是有效的.     

基于径向基神经网络的有限元模型修正研究

模型修正属于反问题的一种,针对其非线性、计算量大等不足之处,提出一种基于径向基神经网络的有限元模型修正方法,并把反问题归结为正问题进行研究。该方法将特征量作为自变量输入、设计参数作为因变量输出,用试验设计构造样本,以径向基神经网络逼近两者之间的非线性映射关系,利用神经网络的泛化特性直接输出设计参数的修正值。某空间钢结构模型的计算结果验证了该方法的有效性。     

基于偏差补偿的T-S模糊神经网络

将T-S模糊神经网络应用于化工生产过程的软测量,并针对提高软测量精度的问题,提出了一种基于偏差补偿的改进型T-S模糊神经网络模型。将网络模型输出与样本输出比较后所得的偏差,作为校正网络的样本数据输出,以样本输入数据为输入,对校正网络进行训练,建立了关于偏差的模糊系统模型,将校正网络的输出对软测量系统模型的误差进行修正。经过实际测量,取得了较好的应用效果。     

卡尔曼滤波修正的风电场短期功率预测模型

针对数值天气预报模型输出的气象参数存在系统误差而导致风电场功率预测精度受到制约的问题,提出了一种基于卡尔曼滤波修正的风电场短期功率预测模型.使用卡尔曼滤波算法对数值天气预报输出的风速数据进行动态修正,并结合其他气象数据形成新的用于风电功率预测的修正气象数据集合;根据原始气象数据和修正气象数据这2个训练集分别建立了风电场功率输出的原始神经网络、修正神经网络的预测模型.经同一时间区间内的实测数据与模型分析数据的对比分析表明:通过卡尔曼滤波修正的风速数据能够很好地跟踪实际风速数据的变化趋势,平均误差与绝对平均误差比较小;所提模型能够显著降低预测结果的均方根误差,使其从未修正前的17.73%降低至11.32%,证明预测精度得到了明显提高.     

基于相似模型试验的导管架平台有限元模型修正

根据设计尺寸建立的有限元模型与实际结构之间不可避免地存在一定偏差,须根据试验测量数据对有限元模型进行必要的修正。基于相似原理设计制作完整平台和损伤平台的缩尺模型,开展模态试验;根据模态置信准则(MAC)评价试验模态数据和有限元计算数据的相关性。应用灵敏度分析方法对结构设计变量进行分级,以有效识别出平台结构中的待修正参数。针对含有未知损伤的海洋平台,采用结构参数的优化方法,识别损伤位置并实现损伤平台有限元模型的更新。结果表明:对于完整平台,修正后前六阶固有频率的误差均值由修正前的17.22%降至2.78%,修正后的有限元模型更接近试验结构;平台损伤后MAC显著降低,根据优化方法可准确定位出2个缺失构件的位置,且修正后固有频率的误差均值由25.94%降至4.79%。通过修正可为在役海洋平台安全评估提供一个准确的有限元模型。     

延迟时间未知的时延系统神经网络补偿控制

提出了延迟系统及延迟时间参数的神经网络辨识方法。改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于模型补偿的控制策略相结合,可以用于具有变化参数或者不确定性延迟时间的大延迟系统的控制。仿真结果表明这种神经网络模型补偿延迟系统控制具有很好的控制效果,它是大延迟控制中克服延迟时间变化的很有希望的方法。     

基于环境振动测试的钢筋混凝土渡槽空腹桁架拱有限元模型修正

为评估某钢筋混凝土渡槽一空腹桁架拱的现役状态,在静力检测的同时对其进行环境振动测试,采用特征系统实现算法识别模态参数,结果表明其实测动力特性与初始有限元模型分析结果之间存在明显的差异.因此,采用基于灵敏度分析的有限元模型修正技术,选择测量精度较高的实测模态频率作为修正基准,选取各构件的弹性模量和密度作为修正参数,对该桁架拱的有限元模型进行修正.修正结果表明,修正后的有限元模型能更好地反映结构的动力特性,可作为该结构状态评估的基准有限元模型.     

柴油机EGR温度的智能控制策略

利用改进的BP神经网络算法,建立了样本柴油机排气温度的神经网络模型,通过柴油机台架实验采集柴油机转速、负荷、油耗、排气温度等参数作为神经网络模型学习样本,使用实验数据对所建立模型进行训练,并对该神经网络模型进行了误差分析,结果表明,所建神经网络模型反映了实验样机的排气温度变化规律,在测试数据范围内,排气温度辨识误差小于...     

基于荷载试验的大跨斜拉桥有限元模型修正方法研究

为对大跨斜拉桥进行在线监测和结构安全评估,很有必要建立竣工阶段的有限元模型作为评价基准模型.本文介绍了某斜拉桥竣工模型的建立方法,比较了成桥荷载试验结果与模型计算结果,提出了基于实测数据的模型修正方法,利用MATLAB软件计算了参数修正值.经过分析,模型修正后的误差在合理范围内,本文采用的修正方法具有实用价值.     

基于神经网络的爆破块度预测

选择以对爆破效果影响最为明显的爆破参数作为神经网络输入层参数,建立神经网络预测模型,对爆破效果参数进行预测。将块度指标作为神经网络计算的输出层神经元,分析神经网络计算得出的块度指标是否满足设计精度。选择合理的样本数目进行训练学习,将模型计算结果与实测现场数据进行比较,输出结果的误差精度可以满足现场生产需要,能够达到指导实践中矿山调整爆破参数、改善爆破效果,节约成本的目的。     

LMBP和RBF在ECS特性曲线拟合中对比研究

为精确反映数字式涡流传感器的输入输出特性, 为其非线性补偿提供可靠依据, 对传统BP（Back Propagation）神经网络进行改进, 利用LMBP（Levenberg Marquart Back Propagation）神经网络和RBF(Radial Basis Function)神经网络对涡流传感器的输入输出特性曲线进行拟合, 并将两者拟合结果进行对比研究。仿真结果表明, 在训练样本数量相等且中小规模网络的条件下, 采用RBF神经网络比采用LMBP神经网络进行曲线拟合的误差更小、 收敛速度更快且具有更高的拟合精度, 为工程实际中一维数据的拟合方法选择提供了依据。     

多模式集成的RBF神经网络天气预报

针对复杂庞大的多模式数值预报数据,提出一种径向基函数(RBF)神经网络集成天气预报模型.根据天津市预报站点采用的WRF模式、RUC模式等数值预报数据的特点,将多种单模式数据作为RBF神经网络输入,网络输出为集成预报结果.实验表明:RBF神经网络集成预报模型降低了单模式预报误差,更加贴近了真实数据,并且在稳定性和实效性方面均有良好表现.     

基于自构建RBF神经网络的内模控制

针对复杂的非线性被控过程,本文提出一种基于自构建RBF神经网络的内模控制方法。该方法中,神经网络的自构建学习算法包括结构学习和参数学习。结构学习采用最近邻聚类法使网络能够自适应地在线增加和删减神经元以达到理想的网络结构。神经网络的参数学习采用梯度下降法。将该神经网络用于内模控制,使得辨识被控远程内部模型和控制器模型的神经网络的神经元个数可以根据激励强度动态改变,进而改善了控制系统的动态性能和鲁棒性。仿真结果表明了所提方法的有效性。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于增量余弦RBF网络的惯性导航初始对准

针对传统高斯RBF网络应用于惯性导航初始对准建模时，对处于两基函数中心点之间的值拟合效果不太理想的情况，提出了一种将增量余弦RBF网络用于惯性导航初始对准建模的方法。该方法采用增量余弦函数作为RBF网络的基函数，对多变量非线性系统有很好的拟合能力。相对于传统高斯RBF网络，增量余弦RBF网络的基函数具有更强的局域性，解算时同时参与运算的基函数数量更少，有效地降低了网络的解算时间。仿真结果表明，增量余弦RBF网络用于惯性导航的初始对准，既可获得较高的对准精度，又有效地降低了系统的解算时间，提高了系统的实时性。     

一种双隐层RBF神经网络的算法研究

针对RBF神经网络的结构和学习算法的缺点,提出了一种双隐层RBF神经网络(DRBF)模型,并结合网络结构的动态更新策略对网络结构进行实时更新,以梯度下降法对网络参数进行修正,即确保了网络结构的最简化,提高了网络的逼近精度和泛化能力,同时也加快了网络的训练速度.将本算法和传统RBF神经网络算法应用于非线性逼近和电信企业客户流失分类进行性能比较,实验仿真结果证明了本算法的有效性和高效性.     

基于神经网络参数优化的迭代学习控制算法

针对迭代学习控制用于轨迹跟踪时存在收敛速度慢的问题,提出用RBF网络优化迭代控制器参数的算法.在每一次迭代学习过程之后利用RBF网络对当次输出的数据进行优化计算,拟合出最优的学习增益,使迭代学习算法具有较快的收敛速度,在单关节机器人中进行仿真验证了方法的有效性.     

基于RBF-BP复合神经网络的企业创新能力评价模型

为更加精准地测量企业创新能力,利用熵值法和相关性分析,从创新投入、创新产出、创新支撑3个维度建立企业创新能力评价指标体系,构建企业创新能力评价的RBF BP复合神经网络模型。该模型由1个输入层、1个RBF隐含层、1个BP隐含层以及1个输出层组成,其特点是将RBF隐含层的输出作为BP隐含层的输入。十折交叉验证与随机二次抽样2种方法检验表明,与单一RBF神经网络、单一BP神经网络相比,RBF BP复合神经网络模型的平均均方误差与平均绝对误差分别下降2821%、1519%和1251%、1255%,表明RBF BP复合神经网络模型具有最优的数据拟合能力,更适合于企业创新能力评价。     

基于反演技术和神经网络的移动机器人控制

提出了一种基于反演设计和RBF神经网络自适应的非完整移动机器人轨迹跟踪方法.首先,设计一个虚拟的速度控制律使得输出跟踪误差尽可能小;然后,利用反演技术设计一个基于RBF神经网络的动力学控制器,以确保在机器人系统中存在不确定性和外界扰动的情况下,机器人仍具有良好的跟踪能力.RBF神经网络连接权值在线自适应律由Lyapunov理论导出,保证了控制系统的稳定性.本文提出方法的主要优点是不需要移动机器人动力学的先验知识,而且对外界扰动具有良好的鲁棒性.最后,在两轮非完整移动机器人上的仿真结果证明了本文所提出方法的有效性.