对参数不确定神经网络的鲁棒状态估计

讨论了参数不确定神经网络的状态估计问题.由于参数的不确定性,无法设计观测器使观测器的状态与原来的神经网络达到完全同步,只能将误差控制在一定范围之内.对于给定的观测器中的增益矩阵,给出了判据来估计观测器的状态与原神经网络的状态间最终的误差界;同时,通过使用线性矩阵不等式的技术,给出了观测器中增益矩阵的设计方法.此外,对误差界的估计进行讨论,说明了影响估计准确性的主要原因.最后用2个例子来说明这些判据的有效性.     

发酵过程状态预估的BP神经网络模型实现

论述了利用改进的BP神经网络实现发酵过程状态预估模型的设计原理和方法,包括BP神经网络的拓扑结构选取、学习和测试样本的选择及处理,变步长引入动量项BP神经网络的训练方法以及全局收敛法的实现等。此外,用VC实现了发酵过程BP神经网络建模平台。经聚赖氨酸发酵过程验证,其模型具有良好的收敛性能和泛化性能,可应用于发酵过程状态参数的在线预估和测量。     

基于小波神经网络的一类非线性系统的故障检测

针对一类非线性系统,提出一种小波神经网络(wavelet neural network,WNN)自适应故障检测方法。WNN具有较强的泛化能力及不同的激活函数。通过设计自适应状态观测器技术,利用小波神经网络观测器良好的观测性能来观测系统的当前状态,并将其应用于一类非线性系统中,实现故障检测与诊断。利用Lyapunov直接方法从理论上证明了小波神经网络故障检测观测器的稳定性,仿真结果亦表明了该非线性系统故障检测观测器的可靠性和稳定性。     

一类神经网络观测器的设计及应用

为了减少小波神经网络(Wavelet Neural Network,WNN)的母小波与神经元数,在WNN模型修正的基础上提出了一种能够储存小波上一步信息由自反馈神经元组成的自回归小波神经网络(Self Recurrent Wavelet Neural Network,SRWNN);在分析了这种网络的结构形式后,提出了一类非线性系统的神经网络自适应状态观测器设计方法,并通过引入Lyapunov函数,证明了这种观测器设计方法的正确性;最后,将这种观测器设计方法用于航天器机械手的反演控制,根据SRWNN观测器的估计状态值,应用反演控制理论设计控制器,能够很好地实现系统状态观测,实现无需速度的信号跟踪。     

改进的神经网络观测器在非线性系统中的应用

为降低非线性观测器对模型精度的依赖性, 提出一种非传统的神经网络观测器设计方法。该神经网络为三层前馈网络, 采用带修正项的误差反传算法进行训练, 以保证控制的精度和权值有界, 利用神经网络识别系统的非线性部分, 并结合传统的龙伯格观测器重构系统状态; 利用Lyapunov 直接法保证基于权值误差的非观测器的稳定性, 并将该观测器应用于机器人轨迹跟踪控制中。仿真结果表明, 该方法解决了模型不确定系统状态观测问题, 适用于模型精度较低的非线性系统。     

基于BP神经网络的滚动轴承智能诊断技术

人工神经网络的应用与研究是近几年迅速发展起来的一个国际性前沿研究课题.介绍了人工神经网络及BP神经网络算法,并对传统的BP算法进行改进.建立了基于BP神经网络动车组传动系统滚动轴承智能诊断系统方法,进行了状态识别神经网络训练与测试.通过对外环、内环、滚动体故障和正常情况下数据的计算、仿真和对比,分析了四种情况下在不同网络设计中的识别效率.基于BP神经网络测试的实际输出与期望输出值非常接近,该网络具有良好的识别性能.     

基于BP神经网络改进的FIR滤波器研究

详细研究了BP神经网络算法，分析了FIR线性相位滤波器幅频响应与BP神经网络算法的关系，对滤波器设计方法进行了改进，给出了设计低通滤波器实例。它克服了传统方法的主要缺陷，不涉及逆矩阵的复杂计算。仿真结果表明，该算法在低通、高通和带通滤波器设计中各项性能接近理想状态。     

同步一类结构部分未知混沌系统的自适应非线性观测器

针对一类结构部分未知混沌系统，设计了一种舍有补偿器的自适应正交神经网络非线性观测器．这种自适应非线性观测器以混沌系统的线性部分能准确复制为前提，利用正交神经网络的非线性逼近能力实现结构部分未知混沌系统在状态不可测情况下的同步．在所设计的观测器中，正交神经网络的权值和补偿控制器的自适应调节规律都是通过Lyapunov稳定性原理推导所得，保证了闭环系统的稳定性，     

基于GA-IBP神经网络的故障诊断方法

针对BP(Back Propagation)神经网络在进行故障诊断时准确度低、收敛速度慢等问题,设计了一种基于误差指针改进的BP(Improved Back Propagation,IBP)神经网络,并通过遗传算法(Genetic Algorithm,GA)对这种改进后的神经网络进行优化,从而建立了基于GA-IBP神经网络的故障诊断模型.使用典型三相逆变电路中IGBT开路故障数据作为样本,对所设计的模型进行了仿真分析.结果表明:改进后的网络模型收敛速度优于典型BP神经网络和基于GA算法优化的典型BP神经网络,故障诊断精度分别提高15%和4.5%.     

基于层次分析与BP神经网络的电梯安全评价模型

为高效评价在用电梯运行状态的安全性,提出基于层次分析法和BP神经网络的电梯安全评价模型。通过层次分析法建立电梯系统安全评价指标体系,采用BP神经网络构建电梯系统安全评价模型;通过改进粒子群算法和改进BP算法分别优化、训练BP神经网络;最后进行仿真验证。仿真结果表明,经过改进粒子群算法优化的BP神经网络模型训练速度最快,训练时间比BP算法快8.45 s,比粒子群算法快5.17 s;评价准确度最高,达92.3%,分别比BP算法和粒子群算法提到了11.7%、6.8%;而训练误差最小,仅为0.020 6。     

用 BP 算法实现模糊控制规则的自校正

利用ＢＰ算法对模糊神经网络（ＦＮＮ）所能执行的控制规则进行自校正,使应用到工业过程的模糊控制器的性能得到改进．仿真结果表明,用改进后的方法设计的模糊控制器能够显著地减小系统的稳态误差,具有比较快的响应速度和较强的鲁棒性．     

基因优化网络技术在磁悬浮轴承控制中的研究

针对普通BP算法收敛速度慢，容易陷入局部极小值以及网络初始状态对网络性能的影响等问题，建立了单自由度磁悬浮控制系统的数学模型，设计了一种基因算法优化神经网络的智能控制方法，该方法提出用基因算法离线优化网络。并设计了一种双链异或交叉基因算子，改善了基因算法的效率，在较大程度上改善了单自由度磁悬浮系统的性能。     

基于粒子群优化的设备状态分类器设计

以某设备中的减速箱为研究对象,建立了BP神经网络,采用粒子群优化算法训练神经网络,设计一个状态分类器,用于检测减速箱的当前状态。结果表明,基于粒子群优化的神经网络具有良好的训练性能,能快速地收敛于最优解;样本输出结果较理想值误差较小,分类器的识别结果完全符合实际情况。该分类器可以有效准确地识别减速箱的运行状态,为进一步故障检测提供了有效工具。     

基于改进BP神经网络的制冷剂状态参数计算模型

针对梯度下降法所存在的主要问题,采用Levenberg-Marquardt优化方法,对BP神经网络进行了改进,在大样本输入下获得了更快的网络收敛速度和更高的逼近精度;建立了基于改进BP神经网络的制冷剂状态参数计算模型,较好地克服了现有的制冷空调装置仿真系统中制冷剂热物性模型的主要缺点;应用所建立的BP神经网络算模型对制冷剂R134a的热力状态参数进行了计算分析,证明了所建立的模型的可靠性.     

基于蚁群神经网络的泵车主泵轴承性能评估

针对BP神经网络、遗传神经网络等智能算法在机械设备关键部件的性能评估过程中训练收敛速度慢,且会遇到局部极小的问题,提出一种运用蚁群算法训练神经网络的权值和阈值的混合智能算法--蚁群神经网络.将蚁群神经网络应用于混凝土泵车主泵系统中主泵轴承的模式识别和性能评估.结果表明,蚁群神经网络能很好地解决收敛速度慢、局部极小的问题,提高了分类精度,展现了良好的应用前景.     

一种改进的提升机同步电机直接转矩控制

为克服提升机同步电机传统直接转矩控制存在的转矩、转速、磁链脉动大等缺陷,提出一种改进的同步电机直接转矩控制方法。设计基于神经网络的定子磁链观测器和基于模糊控制的逆变器状态开关选择器,利用人工鱼群-粒子群混合算法优化神经网络结构参数,应用转矩、磁链误差以及磁链位置角的模糊分级实现逆变器开关分级控制。仿真及试验结果表明,所设计的控制策略与传统直接转矩控制相比,转矩、转速、磁链动态响应速度快、响应脉动小,能更好地满足提升机的运行要求。     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

BP神经网络的改进及应用

合理的选择网络结构是BP神经网络研究中一个重要问题.对传统的BP网络结构进行了改进,在确定BP网络的隐层节点个数时给出了BP网络结构的自适应算法,使得隐层节点的选取动态实现,增强了BP神经网络的适应能力.并应用改进后的BP网对高校教学工作水平评估体系进行建模,为高校教学管理决策提供了科学依据.     

基于Simulink的BP神经网络实现研究

BP神经网络是人工神经网络中的一个典型代表,但利用BP神经网络解决实际问题时,经常涉及到大量的数值计算问题,而运用计算机高级语言编程对BP神经网络模型进行仿真和辅助设计是件十分麻烦的事情,为了解决这个矛盾,Matlab中的Simulink提供了大量的可用于实现BP网络的模块,本文通过应用Simulink中的模块构建了一个BP网络,并通过一实例验证了所构建的BP网络的可行性.从而使应用BP网络来解决许多领域的实际问题变得非常方便和有效.