基于PCA-SSA-PNN的齿轮故障诊断

齿轮在工作过程中故障发生率高是造成传动机械设备故障的主要原因。通过对齿轮故障进行正确的特征提取和类型辨识，可实现对齿轮故障的有效识别。以齿轮箱9种不同的齿轮状态振动加速度信号为研究对象，我们提出一种利用主成分分析法降维，基于麻雀搜索算法优化概率神经网络特征参数的齿轮故障诊断模型，以提升概率神经网络模型的正确识别率。本文将该模型与传统概率神经网络模型、主成分分析-概率神经网络模型的正确识别率，以及改变样本数据量和添加不同噪声系数对正确识别率的影响进行对比试验，证明了该模型对齿轮故障诊断的有效性。     

基于神经网络的尾流激励叶片气动力辨识方法

发动机中存在上下游干涉作用,上游叶片的尾迹流会引起下游叶片发生强迫振动。针对这一现象,提出了采用神经网络模型的方法辨识尾流激励下的叶片气动力。通过计算流体力学（CFD）方法获得时域尾流压力波及其叶片气动力作为训练信号和测试信号,分别用BP神经网络和NARX神经网络建立尾流激励下的叶片气动力辨识模型,对测试信号的叶片气动力进行辨识,并与CFD结果进行比较,探究这两种辨识模型的计算精度。算例结果表明基于NARX神经网络的叶片气动力辨识模型较基于BP神经网络的叶片气动力辨识模型计算精度更高,泛化能力更强。基于NARX神经网络的尾流激励叶片气动力辨识模型,可以快速准确地辨识不同振幅的随机尾流激励和周期尾流激励下的叶片气动力。     

神经网络智能控制系统辨识模型结构的研究

目的 研究神经网络智能控制系统辨识模型的基本结构。方法 分析了控制系统动态模型的输入、输出关系,依据模型等效的最优化原理和神经网络任意逼近有限不连续函数的性质,提出神经网络辨识模型的基本结构。结果 该基本结构不仅适用于高阶线性系统,也适用于非线生及时变系统,可达到较高的辨识精度,保证了由此构成了神经网络控制系统具有较好的自适应性和鲁棒性。结论 所提出的基于神经网络系统辨识模型的基本结构具有一般性和     

自适应遗传算法在PID控制参数优化中的应用

针对传统的PID控制中参数整定的难题，采用智能控制技术优化PID参数，利用神经网络进行系统辨识，建立对象模型；在此模型基础上，运用遗传算法寻优PID控制参数，采用变交叉概率和变异概率自适应遗传算法寻优得到PID控制参数，与传统的整定结果相比较，遗传算法优化效果更好，最终达到最优的控制效果．     

基于多层前向神经网络的电加热炉系统辨识

介绍了一种基于多层前向神经网络的电加热炉系统辨识。本系统选择神经网络辨识器模型,运用改进后的BP算法训练辨识神经网络,大大地提高学习速度,缩短训练时间,且辨识效果很理想。     

带神经网络补偿的Smith预估极点配置自校正控制

用一个常规线性模型对被控对象进行辨识,线性模型辨识的余差用一个神经网络进行补偿,线性模型和神经网络共同构成对象的辨识模型·基于这一模型对大滞后对象提出了带神经网络补偿的Ｓｍｉｔｈ预估极点配置自校正控制和带神经网络补偿的Ｓｍｉｔｈ预估极点配置自校正ＰＩＤ控制·这些方法适用于非线性对象,具有较强的鲁棒性和较好的控制精度·     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

概率神经网络及其在河流水质评价中的应用研究

阐述了概率神经网络评价模型的基本结构和构建过程。根据因子选择的目的及河流的实际污染情况,确定评价因子,采用概率神经网络(PNN)模型对河流水质进行评价,并且应用训练好的概率神经网络水质评价模型对汾河运城段两监测断面2010年丰水期、平水期、枯水期综合水质评价为劣Ⅴ类、Ⅴ类、劣Ⅴ类。评价结果表明,概率神经网络评价模型具有很好的实用性。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

振动筛裂纹损伤检测及趋势分析

在神经网络辨识模型的基础上,提出了由模型参数的统计学特征对振动筛进行裂纹损伤检测及趋势分析的方法。由实测振动信号建立研究对象的神经网络辨识模型,分析辨识模型的虚拟激励下的响应信号频域特征,并对辨识模型的权值进行统计特性研究,由分析结果可以有效地检测振动筛的结构裂纹。将这种分析方法应用到工业现场振动筛裂纹发展趋势的研究上,取得了良好的效果。     

基于参数优化的光伏电池故障诊断

提出一种基于参数优化的光伏电池故障诊断方法.采用优化的人工蜂群算法对影响光伏电池I-V曲线的参数进行辨识,获取不同故障类型光伏电池特征参数数据集,建立概率神经网络故障诊断模型对光伏电池故障类型进行诊断.仿真结果表明,优化的人工蜂群算法能够对光伏电池特征参数进行快速、准确的辨识,故障诊断结果与故障特征一致,验证了基于参数优化光伏电池故障诊断方法的有效性.     

基于神经网络的机器人运动模型辨识及实验验证

为提高机器人模型辨识时神经网络的学习速度，改进得到一种新的神经网络拓扑结构——状态延迟输入动态递归神经网络．以德国PowerCubeTM模块化机器人为研究对象，将机器人关节位置信息和OPTOTRAK 3020三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本，对包含各种影响因素的机器人运动模型进行了辨识．并以此模型为基础，输入验证样本进行验证，所得结果及误差分析说明了该神经网络在学习能力上的优越性及辨识模型的有效性．     

基于人工神经网络的船舶运动数学模型的辨识

根据船舶海上航行的实际情况,针对船舶运动的特点,提出了用不同神经网络对船舶运动数学模型进行辨识的新方法。给出2种神经网络模型,并比较这2种模型的辨识效果。     

基于神经网络的交通流流量预测

神经网络系统辨识实质上是选择一个适当的神经网络模型来逼近系统,由于神经网络对非线性函数具有任意逼近和自我学习的能力,所以神经网络系统辨识为非线性系统的辨识提供了一种简单而有效的方法。     

基于模型参考的锅炉燃烧系统神经网络控制和辨识

大纯时延、煤种多变和蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。对非线性延迟系统延迟时间的神经网络辨识方法进行了研究,即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神经网络动态补偿的模型参考自适应控制策略相结合,可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制。仿真结果表明:这种神经网络模型对非线性大纯时延系统的控制具有控制速度快、鲁棒性能好等优点。     

基于DRNN神经网络的挖掘机伺服系统参数辨识

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。     

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。     

基于模糊遗传优化支持向量机的系统辨识研究

在实际应用中支持向量机的参数选取问题一直没有得到很好地解决,限制了其应用。为了能够自动获取最优的支持向量机参数,提出了基于模糊遗传算法的SVM参数选择方法,用模糊逻辑在线调整遗传算法的交叉概率pc和变异概率pm,并采用基于模糊遗传优化的支持向量机回归和BP神经网络对非线性系统辨识问题进行了研究。仿真结果表明,在小样本情况下,支持向量机比神经网络具有更高的系统辨识精度和更好的泛化能力。     

基于神经网络模型辨识的土地可持续利用研究

结合系统辩识理论和神经网络技术,建立土地利用控制系统的时延神经网络辨识模型,并以广西南宁市某郊县为实例,利用模型进行土地可持续利用研究.结果表明:运用时延神经网络模型辨识的方法能够有效地模拟土地利用控制系统;模型预测输出显示,在自然演变模式、农业发展模式、工业发展模式、生态模式和可持续发展模式五种土地利用战略仿真模式中,可持续发展模式是南宁市某郊县土地可持续利用较为理想的发展模式.     

径向基概率神经网络的结构优化算法研究

径向基概率神经网络（RBPNN）是在径向基函数神经网络（RBFNN）和概率神经网络（PNN）的基础上发展起来的一种新型的前馈神经网络（FNN）模型。该网络模型充分吸收了径向基函数神经网络和概率神经网络的优点,这种新的模型具有计算复杂度低、收敛速度快等优点。本文深入研究了径向基概率神经网络的结构优化算法,在遗传结构优化方法的基础上,提出一种新的两步学习算法,基于遗传算法的梯度学习算法。该算法一方面优化了网络结构,使网络结构尽可能的精简,另一方面有效地提高了网络的推广能力。