一种新广义Preisach迟滞模型及其神经网络辨识

研究压电陶瓷执行器应用于纳米定位系统时,其多值映射的迟滞特性对系统定位控制精度影响.在经典Preisach模型的基础上,引入平均迟滞函数,提出了一种新广义Preisach迟滞模型,并利用神经网络对新广义Preisach模型关键参量辨识.仿真实验表明,利用该迟滞模型对压电陶瓷执行器建模,可以简化建模过程,提高建模精度.     

基于RBF神经网络的快速伺服刀架迟滞特性建模

为了减小压电陶瓷固有的迟滞非线性特点对快速伺服刀架(FTS)控制精度的影响,提出了一种基于RBF神经网络的快速伺服刀架迟滞特性建模方法.利用拓展输入空间法建立了FTS迟滞系统的RBF神经网络模型,通过引入指数型迟滞算子,将FTS系统的输入与迟滞算子的输出一起作为RBF神经网络的输入向量,实现了FTS迟滞系统由多值映射到单值映射的转换,进而利用神经网络对其进行建模.为了更精确地跟踪快速伺服刀架的迟滞位移曲线,通过增加调整系数σ来对迟滞算子进行改进.实验表明,该迟滞模型可以很好地预测快速伺服刀架的迟滞位移曲线,模型的验证均方差MSE=5.163 3×10-6.     

Preisach迟滞模型分类排序法的神经网络实现

针对非线性系统的迟滞特性开展建模研究,提出了一种Preisach模型分类排序法的神经网络实现方法,据此对压电陶瓷执行器纳米定位系统的迟滞非线性进行建模. 兼顾到迟滞的擦除特性和建模的精确度,建立BP神经网络求取收缩函数,避免了插值法求收缩函数值带来的插值误差. 实验结果表明,神经网络分类排序实现方法有效提高了Preisach模型的精度,减小了模型的误差.     

微纳米压电陶瓷驱动器的迟滞特性建模

为了高精度地测量微纳米压电陶瓷的驱动特性,研究了一种基于最优模板尺寸的改进图像块匹配位移测量算法;结合Preisach模型,建立了压电陶瓷驱动器迟滞特性模型.首先,研究了不同模板尺寸对位移测量精度的影响,得到了基于标准模板的最优模板尺寸;然后,介绍了Preisach模型用于压电陶瓷驱动器迟滞建模的原理;最后,使用纳米平台系统验证了改进的亚像素模板匹配算法和迟滞特性建模方法的有效性和准确性.     

微纳米压电陶瓷驱动器的迟滞特性建模

为了高精度地测量微纳米压电陶瓷的驱动特性,研究了一种基于最优模板尺寸的改进图像块匹配位移测量算法;结合Preisach模型,建立了压电陶瓷驱动器迟滞特性模型.首先,研究了不同模板尺寸对位移测量精度的影响,得到了基于标准模板的最优模板尺寸;然后,介绍了Preisach模型用于压电陶瓷驱动器迟滞建模的原理;最后,使用纳米平台系统验证了改进的亚像素模板匹配算法和迟滞特性建模方法的有效性和准确性.     

基于不对称指数函数迟滞逆算子的压电陶瓷 执行器动态Preisach迟滞逆模型

迟滞非线性严重影响了压电陶瓷执行器纳米定位系统的定位精度,为补偿它的不良影响,提高系统的控制精度,开展了基于压电陶瓷执行器迟滞非线性的逆模型研究. 根据不对称指数函数迟滞算子构造动态Preisach逆模型,利用神经网络完成辨识. 运用若干组实验数据检验此逆模型的有效性,结果表明,加入历史输入位移值得到的神经网络输出电压与实际给定的电压之间的偏差明显减小,最大偏差值由原来的16V减小到不超过6V,性能得到明显改善.     

卫星激光通信光束控制中的迟滞建模与补偿

为保证卫星激光通信的链路稳定,需要将接收的光束始终控制在通信中心点.由于压电陶瓷驱动的快速倾斜镜具有高刚度和快速响应等特点,作为执行机构广泛应用于卫星激光通信的精跟踪系统.但是压电陶瓷本身具有迟滞特性,给精跟踪系统的闭环控制带来了难题.传统的处理方法是在精跟踪系统内部增加一层闭环控制使快速倾斜镜达到线性化的目的,但这会极大地降低精跟踪系统的带宽.通过对快速倾斜镜结构进行分析,我们发现可以利用对称迟滞模型对其迟滞特性进行建模,进一步提出了一种基于Madelung规则的对称迟滞建模与补偿方法,能够精确地描述和补偿快速倾斜镜的迟滞特性,有效地提升光束控制带宽,从而提高通信链路的稳定性.理论仿真和实验结果验证了所提出方法的有效性.     

基于迟滞噪声混沌神经网络的TDMA广播调度

分组无线网络的时分多址(Time Division Multiple Access,TDMA)广播调度问题是一个经典的NP-hard组合优化问题,可用神经网络求解.混沌动力学、随机游动和迟滞动力学均能够有效地提高神经网络的优化性能.为了提高迟滞动力学在噪声混沌神经网络中的优化能力,又不增加噪声混沌神经网络的参数,将噪声混沌神经网络的噪声幅值作为Sigmoid函数的中心参数,并通过神经元的输入变化来控制噪声幅值形成迟滞环,提出了一种新型的迟滞噪声混沌神经网络.对神经元状态演化行为的研究表明,该网络能够同时演化出混沌倒分岔、随机游动和迟滞等动力学行为.对分组无线网络的TDMA广播调度问题的仿真表明,提出的迟滞噪声混沌神经网络具有更好的优化性能.     

一种原子力显微镜中蠕变迟滞非线性特性补偿方案

压电陶瓷通常用于原子力显微镜(AFM)中的扫描器中,但是在无补偿开环控制中压电陶瓷在输入电压与输出位移之间表现出明显的迟滞和蠕变非线性特性,使得扫描所得图像失真.为此,针对原子力显微镜X轴的需求,采用了分步补偿的办法,先补偿蠕变特性而且可以简化迟滞补偿的算法,很大程度上减轻了图像的失真,使整个控制算法简单,无需复杂的运算,降低了对控制系统处理器的要求,降低设备成本.     

基于神经网络的迟滞非线性逆模型

为了补偿迟滞特性对系统的不良影响,提高迟滞非线性系统的控制精度,建立了神经网络迟滞非线性逆模型.由于神经网络不能够直接逼近迟滞逆这种具有记忆性的多映射现象,通过引入一个迟滞逆算子,将多映射的迟滞逆转换成一一映射,然后运用神经网络来逼近这个一一映射从而建立一个基于神经网络的迟滞逆模型.该模型的主要优点是结构简单、精度高,可以在线调整神经网络的权值以适应不同工作条件下的迟滞逆辨识.最后,运用该方法对压电执行器中的迟滞非线性建立了逆模型.     

多项式前向神经网络

提出了一种新型的前向神经网络模型-多项式神经网络。该网络具有三层结构,隐层、输出层神经元激活函数分别为：f(x)=x^p和线性函数,网络隐层-输出层的权值采取最速下降法学习,输入层-隐层的权值采用遗传算法进行学习;网络学习时,其误差函数单调递减,学习算法具有较好的收敛性;该网络能逼近任意的连续函数,且具有较好的稳定性,应用实例表明该网络的性能是优良的。     

转换GPS高程的神经元网络方法

介绍了神经元网络BP算法的基本结构,提出了转换GPS高程的神经元网络模型－－经改进的5层BP网络结构。该BP网络结构包括：输入转换层,输入层,隐含层,输出层和输出转换层。由于BP网络激活函数的数据限定区间为[0,1],在工程应用中,增加设置输入转换层和输出转换层是必要的。通过某工程实例,对5层BP网络的具体模型结构进行了一些试验研究。如输入输出层的结构设计,隐含层最佳节点数的选取等。最后得到了一些有工程实用价值的结论。     

基于MLP神经网络的超宽带信号自适应识别算法的研究

提出一种利用人工神经网络进行超宽带信号调制模式自适应识别的方法。采用三层MLP神经网络进行调制模式识别。首先对超宽带数字调制信号进行统计特征参数提取,特征参数作为MLP网络的输入层神经元参数,隐含层是双层结构。实验证明,当中间层采用正切型激活函数、输出层采用线性激活函数时,MLP分类器的识别性能最好。在5 dB信噪比环境下,算法的正确识别率高于95%。与传统的统计判决方法相比,神经网络分类器不需要设定判决门限就能实现自适应识别,并且达到更好的识别率,解决了软件无线电系统中的超宽带信号自动识别的问题。     

基于多层前馈型神经元网络模型的摄像机定标算法

针对传统线性、非线性摄像机定标算法的鲁棒性,提出了基于多层前馈型神经元（MLFN）网络模型来替代传统精确的摄像机定标数学模型,MLFN网络模型作为层状网络可实现任意维复杂的输入／输出映射,对于无需计算摄像机构,外参数的应用场合,该模型提供了一种实用且有较好鲁棒性的摄像机定标算法,同时为了补偿摄影机非线性畸变,把图像按畸变程度分割成两个区域,分别建立各自基于MLFN网络的摄像机定标模型,实验表明,该方法有效补了畸变,并提高了模型精度,给出了基于MLFN网络模型摄像机定标算法实验,验证了该模型的有效性。     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于遗传自适应RBFN的歼击机故障分类方法

在模式识别领域中,如何实现更高精度地分类一直是个核心问题.提出了将自适应RBF神经网络与遗传算法相结合的方法,其中自适应RBF神经网络通过对样本判断,自动实现对RBF网络添加新的隐层节点,或者将样本归于已存在的隐层节点所属的类.遗传算法用于寻找最优的网络宽度值.两者相结合最后确定一个隐层节点数与类别数相同的简省的网络.用歼击机故障数据进行仿真,比较结果表明此方法能实现更高精度的分类.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于 CNN 和 Group Normalization 的校园垃圾图像分类

为解决大学校园的垃圾回收分类问题, 提出了一种基于卷积神经网络和归一化技术的垃圾图像分类方法, 不需要对输入的图像进行复杂的处理, 网络模型即可根据算法提取图像特征, 通过加入群组归一化(GroupNormalization)和网络模型各层之间的协作, 克服传统分类算法的缺点, 实现对垃圾图像的分类。 实验表明,该识别方法具有较高准确率, 可以较好识别不可回收及可回收垃圾。     

用BP网求解模糊控制器输入量的隶属函数

在模糊控制器设计中,需要对输入数据进行模糊化处理,用隶属函数描述;模糊变量隶属函数的选取对模糊推理有很大影响.利用BP网的分类性可以将采集到的清晰数据集广义地分成模糊类.选取具有一个隐层的PB网,输入层和隐层变换函数采用S函数,输出层用线性变换函数,在MATLAB环境下采用动量算法和自适应学习速率,调用trainbpx函数,对BP网进行训练,在训练时最后一层的输出越接近目标值越好.利用训练好的神经网可以对具体的输入数据求解对应于不同模糊区间的隶属值.用这种方法,速度快,误差小.     

伪线性神经网络

给出了多输入－多输出（MIMO）的伪线性神经网络（PNN）结构与模型。PNN的构成是基于Gain-schedu-ling 控制技术与扩展线性化方法。还讨论PNN的递推预报误差的二阶学习算法（RPF）和训练过程中，并通过对多变量、强耦合的非线性加热炉的动态建模,证明了用PNN建模，效果良好，且具有训练参数少，收敛 速度快，准确性高等良好性能。