首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 93 毫秒
1.
针对递归神经网络BP学习算法收敛慢的缺陷,通过引入递推预报误差(RPE)学习算法,提出一种新的递归神经网络快速学习算法·该算法的基本原理是沿着指标函数的GaussNewton搜索方向修正权值,同时不必计算二阶偏导数和进行矩阵求逆运算·仿真结果表明,该算法比传统的递归BP学习算法具有更快的收敛速度,用于非线性动态系统建模是有效的  相似文献   

2.
基于递归神经网络模型的传感器非线性动态补偿   总被引:6,自引:0,他引:6  
讨论了递归神经网络模型在传感器非线性动态补偿中的应用,给出了递归神经网络模型的结构及相应的训练算法.递归神经网络模型本身具有动态映射能力,其结构仅与输入层和中间层的节点数有关,且不需要知道被补偿传感器的结构特性(如输出、输入的最大延迟)等先验知识,简化了动态补偿器的结构设计.采用递推预报误差算法训练神经网络,具有收敛速度快、收敛精度高的特点.实验结果表明,经过补偿后的传感器具有期望的输入输出特性,应用递归神经网络对传感器进行非线性动态补偿是一种行之有效的方法.  相似文献   

3.
简单动态递归神经网络在非线性系统辨识中的应用   总被引:2,自引:1,他引:1       下载免费PDF全文
提出了用一种结构非常简单的动态递归神经网络(SRNN)辨识非线性系统的方法。该方法研究了在递归层不加权的网络简单拓扑结构,推导出SRNN的预报误差(RPE)学习算法,并对算法进行了补充和改进。仿真实验结果表明,这种网络需要调整的权系值少,且改进后的学习算法简单、辨识速度快、模型精度高,解决了一般动态递归网络因网络拓扑结构复杂造成的训练算法复杂、收敛速度慢的问题,可以实时应用。  相似文献   

4.
一种优化权初值的综合全局寻优快速BP算法   总被引:4,自引:2,他引:2  
文章在大量实验的基础上,对BP算法中存在学习收敛速度慢的问题进行了广泛的研究,提出了在优化权初值的基础上,将变步长法与模拟退火法相结合,实现一种快速的综合全局寻优的前馈神经网络学习算法.通过在系统建模中的应用,显示了该算法具有收敛快和精度高的特点.  相似文献   

5.
给出了多输入-多输出(MIMO)的准线性神经网络(PNN),采用递推预报误差的二阶算法作为训练方法,讨论了PNN的收敛性,通过对多变量、强耦合的非线性加热炉的动态建模,表明这种神经网络建模方法具有效果良好、参数少、收敛快且准确性高的特点。  相似文献   

6.
非线性BP算法在系统辨识中的应用   总被引:1,自引:0,他引:1  
研究利用非线性BP算法训练多层前馈神经网络,对非线性动力系统进行建模,给出了基于非线性BP算法的系统辨识计算步骤,通过仿真计算表明,基于非线性BP算法的系统辨识至少可以获得与常规BP算法同样的效果,因为不需要计算神经元激活函数的导函数,文中的结果可以更小的代价实现基于神经网络的控制器。  相似文献   

7.
适用于励磁系统建模的模糊神经网络方法   总被引:1,自引:1,他引:1  
基于原有励磁建模方法,将模糊理论和神经网络相结合,充分利用模糊理论处理不精确问题和神经网络较强的泛化能力等优势,形成一种模糊神经网络(FNN),并推导了FNN的学习算法.将此FNN用于发电机的控制环节——励磁系统建模.仿真结果显示,FNN模型能够较精确地对实际系统进行拟合.  相似文献   

8.
基于动态递归模糊神经网络的动态系统辨识   总被引:1,自引:1,他引:1  
模糊系统和神经网络由于具有逼近任意连续非线性映射的特性而广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识,而现实工程中的控制对象反映的是系统的动态行为.为了提高动态系统的辨识精度,提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导其动态反向传播学习算法及其改进算法.仿真结果表明:由于动态模糊神经网络的辨识过程同时利用了系统的当前数据和历史数据,对动态系统的辨识,特别是对具有纯时间延迟动态系统的辨识,较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.同时,确定网络权值和隶属函数参数初始值的方法可使动态系统的辨识过程具有更快的收敛速度.  相似文献   

9.
主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.  相似文献   

10.
系统辨识的神经网络实现   总被引:1,自引:0,他引:1  
采用Bp算法,给出了一个系统辨识的实现方案,并给出计算机编程算法,为神经网络的理论研究向生产实践应用转化,提出了一条可行的途径。  相似文献   

11.
用简单动态递归网构造固体散料流量模型   总被引:1,自引:1,他引:1  
提出了用简单动态递归网来建立固体散料流量模型,针对动态递归网结构复杂,训练算法收敛速度慢的缺点,采用一种结构十分简单的递归网,对RPE算法进行了改进和补充,使之适用于简单递归网,用来对网络的权值和阈值进行调整,建模结果表明此方法收敛速度快,精度高。  相似文献   

12.
提出一种船舶横摇时间序列预测方法.该方法使用在隐层具有2个反馈权值的对角递归神经网络进行预测,给出了此网络易于实现的动量梯度学习算法(DBP),并对其收敛性进行了验证.运用该模型对我国某型船舶在横浪中航行情况进行预测,结果表明:本网络可以储存更多的历史数据,有更好的记忆性能,所使用的模型比DRNN模型及前向网络BP模型能快速、准确地预测船舶横摇运动时间序列,仿真实验验证了该方法的可行性与有效性.  相似文献   

13.
针对角递归神经网络具有结构简单、收敛速度快,可广泛用于非线性系统的辨识与控制的特点.基于工业自动化通用技术平台(IAP),采用图形化控制策略组态技术开发了一套基于对角递归神经网络的控制系统,该系统具有基于参考模型跟踪的控制结构,可快速自适应地调整控制器参数.仿真实验结果表明,基于对角递归神经网络的控制系统控制精度高、稳定性好,可成为处理复杂工业过程,尤其是解决不确定和非线性领域问题的有效工具.  相似文献   

14.
针对Jordan神经网络的反馈网络的反馈信息表征能力不强的缺点,提出了一种新的反馈网络模型,对Jordan神经网络的缺点进行了改进,并且对原来的训练学习算法进行了改进,提出了一种提取绝对值最大权的训练学习算法来降低计算复杂性,最终给出了实验结果证明。  相似文献   

15.
给出了利用动态递归神经网络 (DRNN)重构一个非线性动态过程的方法 ,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征 ,容易实现并进行稳定性分析。利用训练好的网络作为预估模型 ,设计了基于DRNN的动态矩阵控制算法。仿真结果表明了权值调整算法和控制策略的有效性  相似文献   

16.
为有效分析挖掘机电液伺服系统,提高依据模型设计控制器的精度,建立了系统状态空间模型。针对模型中的不确定参数,提出了基于对角回归神经网络的系统辨识策略。通过神经网络在线学习得到系统Jacobian信息,将实测信息代入含Jacobian信息与待辨识参数的线性方程,利用最小二乘法求得未知参数。实验表明,辨识模型能从初始阶段的微小误差逐渐地逼近实际系统,所提出的方法能有效辨识系统参数。  相似文献   

17.
提出了一种基于对角递归神经网络的盲均衡算法。利用对角递归神经网络结构简单、计算量少的优点,结合传统的恒模盲均衡算法定义了代价函数,用最速梯度下降法推导出了其算法迭代公式。计算机仿真表明,该算法收敛速度较快,误码率较小。  相似文献   

18.
提出了一种基于对角递归神经网络的盲均衡算法。利用对角递归神经网络结构简单、计算量少的优点,结合传统的恒模盲均衡算法定义了代价函数,用最速梯度下降法推导出了其算法迭代公式。计算机仿真表明,该算法收敛速度较快,误码率较小。  相似文献   

19.
提出一种基于多层归神经网络的自适应控制离散时间系统的方法,使用多层递归神经网络及新的动态BP算法(DBP)描述未知系统的输入/输出关系。基于此神经网络模型,提出一种自适应控制方案,并对该方案的闭环稳定性进行了分析。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号