基于混沌神经网络理论的机电设备状态趋势预测研究

为了对机电设备的非线性非平稳状态进行有效的趋势预测,运用混沌预测方法和混沌神经网络的预测原理,建立了基于混沌神经网络的预测模型. 以工业现场大型烟气轮机为研究对象,采用混沌神经网络和灰色预测两种方法进行了趋势预测,并对两种方法的预测结果进行了比较. 结果表明,针对烟气轮机的非线性非平稳状态,基于混沌神经网络的预测精度更高、更有效.     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

基于组合神经网络的雷达弱信号检测

本文提出了一种基于组合RBF神经网络与混沌理论的弱目标检测算法。运用RBF神经网络的特点,将非线性预测模型的建立归结为预测误差的最小化问题,再对误差的控制建立合适的非线性预测模型。经仿真研究表明了所提出算法的可行性和有效性。     

办公建筑运行能耗的混沌时间序列复合预测

针对办公建筑已有的能耗预测方法中未能考虑到能耗数据的混沌变化特性,提出了一种基于混沌时间序列的办公建筑运行能耗预测方法.对研究对象的时间序列进行相空间重构,判断其具备混沌特性,建立混沌理论和支持向量回归的组合模型进行训练,采用Markov链消除组合模型由于参数传递产生的累积误差,得到最终预测结果.为了验证算法的有效性,以西安某办公建筑的能耗监测数据为例进行实例分析,并与非线性自回归神经网络、支持向量回归等其他预测方法进行对比.实验结果表明,经过Markov修正后的混沌时间序列组合模型预测精度显著提高,预测效果优于其他方法,且更符合办公建筑能耗的变化规律,为节能优化提供有效的数据支撑.     

非线性Hammerstein-Wiener模型辨识预测控制

为解决工业过程控制领域中非线性系统的模型辨识与预测控制问题,提出一种基于BP神经网络模型的预测控制策略,采用一种分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法建立非线性预测控制器.利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现了一种基于支持向量机Hammerstein-Wiener辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.     

基于BP神经网络的非线性广义预测控制

广义预测控制在理论上已经有了很深的研究,并在工业控制中获得了应用,但广义预测控制存在着模型失配和系统不确定等缺陷.为克服上述缺陷,本文提出基于BP神经网络建立一个对象模型,用修正的误差预测值对输出预测值进行补偿,从而实现对被控对象的预测控制.通过Matlab仿真,表明神经网络预测控制对非线性系统具有较好的控制效果.     

基于增广RBF神经网络的混沌系统辨识

混沌系统的建模与辨识是混沌控制的基础。提出一种动态线性子系统与ＲＢＦ神经网络并联的增广ＲＢＦ神经网络模型,该模型不仅对动态非线性系统具有良好的逼近能力,而且网络学习速度很快。对Ｈｅｎｏｎ系统时间序列的仿真预测结果表明,增广ＲＢＦ网络能有效地用于混沌系统辨识。     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐。本文研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中。仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值。     

纯滞后对象的神经网络辨识及自适应控制

提出了一种针对纯滞后对象的神经网络及控制结构。在神经控制器的在线训练中,引入了反向传播的预测误差信号,并采用基于Ｋａｌｍａｎ滤波的学习算法分别训练用于辨识的神经网络及神经控制器。给出了具体的理论推证及运行机理分析。仿真结果表明,这种控制方案对纯滞后线性、非线性动态对象均能获得满意的控制效果。     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐.研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中.仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值.     

具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样...     

模糊神经网络控制器参数的混沌优化

为了优化模糊神经网络的参数,将混沌变量引入到模糊神经网络参数寻优方式中,根据系统的性能指标,采用混沌变量进行粗搜索寻优模糊神经网络参数,然后在粗寻优基础上引入基于模拟退火策略的混沌细搜索,最后搜索出的模糊神经网络参数是全局最优的.仿真结果表明:该控制方案有效地实现对非线性对象的最优控制,为工业过程非线性复杂系统的控制提供了一种有效的控制方案.     

基于正则神经网络模型的时滞混沌系统预测控制

研究模型未知、不稳定的不动点位置及其局部性态未知情形下的时滞混沌系统的控制问题。提出了一种神经网络预测控制方法,将模型未知时的时滞混沌运动控制到不稳定的不动点处。分析了控制系统(包括观测器、正则神经网络预测器和在线训练的线性神经网络预测控制器)的稳定性,与现有同类方法比较,本方法收敛速度快,算法简便。仿真实验表明了本方法的有效性。     

基于改进典型相关分析的混沌时间序列预测

典型相关分析是目前常用的研究两个变量集间相关性的统计方法.针对线性典型相关分析法不能揭示变量间非线性关系,因而不适用于混沌系统等问题,将核典型相关分析与径向基函数神经网络相结合,提出了一种改进的核典型相关分析方法以解决映射空间样本未知及逆矩阵求解困难等问题.首先利用两个径向基函数神经网络,通过训练使两个网络输出之间的相关系数达到最大,可同时得到两组典型相关变量.然后建立预测模型,对Lorenz混沌方程及大连月气温与降雨二变量混沌时间序列进行仿真,并与传统的线性回归预测方法进行比较,多组仿真结果证明了所述方法的有效性.     

用RBF网络控制非线性系统的混沌运动

设计 RBF前向神经网络 ,以 Ott、Grebogi和 Yorke混沌控制策略作为训练网络控制算法的基础 ,通过参数扰动模型输出数据训练网络来产生控制非线性系统的混沌运动必须的小扰动时间序列信号 ,使其成为混沌控制器 ,将嵌入在混沌吸引子中不稳定周期轨道镇定到稳定不动点 .Hénon映射的数值仿真结果证明该方法十分有效 .图 6 ,参 7     

基于神经网络的公路货运量预测方法研究

通过对公路货运量的预测方法进行研究比较,并根据公路货运量形成的复杂和非线性等特点,建立BP神经网络预测模型.利用黑龙江省公路货运量及其相关影响因素的实际数据,确定网络输入与输出样本,并对BP神经网络预测系统进行训练和预测.通过对网络输出的误差曲线图的分析,验证BP神经网络预测系统的精确性和简单方便性,提高了公路货运量预测的精确性.     

混沌时间序列的自适应正交小波神经网络预测

针对非线性混沌时间序列预测问题,提出一种基于正交小波神经网络的自适应预测算法.根据来自非线性序列模型的期望输入输出数据,利用小波框架理论建立初始的小波神经网络.采用正交化逐步选择方法对于初始小波神经网络进行结构优化,从而建立最精简的网络模型.同时引入在线学习算法在线修改网络权值和小波神经元的参数,从而提高模型的自适应能力和泛化能力.通过对时滞Mackey-Glass超时间序列和时变Lorenz混沌序列的预测,证明了算法的有效性.     

基于递归网络的混沌时间序列预测

为了能对时问序列充分建模,从混沌的慨念入手,将混沌与神经网络相结合,利用人工神经网络的拟合特性,提出了递归网络的混沌时间序列预测方法。给出了递归神经网络预测的基本理论、数学模型、及具体步骤,并通过由杜芬方程所产生的混沌时间序列对该神经网络进行了模拟实验。仿真结果表明,该方法远好于前馈网络的预测效果,其预测误差在10^-15的数量级上。     

基于神经网络的永磁同步电机广义预测控制

介绍了一种基于神经网络的永磁同步电机矢量控制系统的广义预测控制方法.通过分析永磁同步电机数学模型,采用带有延时结构的多层前向神经网络作为预测模型,进行非线性广义预测控制.控制算法是基于非线性激励函数的局部线性思想,将预测模型处理成线性和非线性两部分,并用线性预测控制方法求得控制律,简化了计算.仿真结果表明,利用该法建立的永磁同步电机调速系统,具有良好的控制效果.     

一种模糊神经网络自适应预测控制方案的研究

在过程控制中,由于被控对象常具有非线性、不确定性及参数时变等复杂因素,难以建立精确的数学模型,从而直接影响了控制效果,提出了一种模糊神经网络自适应预测控制议案,对学习公式进行了理论指导,并结合误差补偿以提高预测控制的精度,仿真实验表明,该算法可实现模糊控制和神经网络的优势互补,对非线性复杂系统具有良好的控制性能。