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BP神经网络特定学习的单级倒立摆控制方法

利用BP神经网络的特定学习算法，以单级倒立摆为控制对象设计一个四输入／单输出、包含5个隐层单元的3层BP神经网络控制器，提出一种新的单级倒立摆控制方法，然后通过Matlab6．5数值计算软件对这种新的单级倒立摆控制方法进行仿真．仿真结果表明，该方法具有较好的收敛性，是一种有效的控制方法．     

基于广义维数与优化BP神经网络的刀具磨损量预测

根据多重分形理论,采用改进的盒计数法计算了切削加工过程中声发射(AE)信号的广义分形维数,得到了不同刀具磨损状态下AE信号的广义维数谱,分析了广义维数与刀具磨损量之间的关系.以广义分形维数以及切削加工参数为特征,进行归一化处理后作为BP神经网络输入向量;采用遗传学算法,对BP神经网络的初始权值和阈值进行了优化,利用优化后的神经网络对刀具磨损量进行预测.测试结果表明,该方法可以较精确地预测刀具磨损量,平均预测误差为001mm.     

广义预测PID控制算法

本文根据广义预测控制(Generalized Predictive Control,简写GPC)与PID控制控制律结构的相似性,通过对广义预测控制性能指标函数中控制加权序列Qj(z-1)的配置给定,导出了具有PID算法结构的广义预测控制律。从而借助广义预测控制算法参数的递推关系链,自动优化整定PID调节参数,并实施广义预测PID控制。     

基于BP网络的非线性广义预测学习控制器

本文提出了一种基于ＢＰ神经网络的非线性义预测学习控制器，它由一个ＢＰ网络构成。在整个学习与控制过程中，首先根据被控对象的输出与ＢＰ的学习输出之间的误差来修改网络的权值，以逐步建立被控对象的合理的多步预报模型；然后，根据网络的多步预报输出序列与设定值序列的偏差修改控制律。     

基于动态BP网络误差修正的广义预测控制

针对建模误差对非线性系统预测控制鲁棒性的影响，提出了一种基于动态Bp网络的广义预测控制算法。该算法运用动态Bp网络对模型预测误差进行在线补偿，以提高预测精度。仿真结果证明了本文提出的广义预测控制算法对于非线性系统是有效的。     

基于广义预测控制的对角递归神经网络控制

提出一种基于广义预测控制的对角递归神经网络控制器，并给出该神经网络控制器和辨识器的学习率范围。仿真实验表明，所采用的神经网控制结构适合于带纯时延的未知的非线性被控对象的广义预测控制，同时能有效地改善神经网学习的收敛性。     

基于广义预测控制的对角递归神经网络控制器

提出一种基于广义预测控制的对角递归神经网络控制器，并给出该神经网络控制器和辨识器的学习率范围．仿真实验表明，所采用的神经网络控制结构适合于带纯时延的未知的非线性被控对象的广义预测控制，同时能有效地改善神经网络学习的收敛性．     

Wiener型系统基于神经网络的在线训练算法广义预测控制

利用RBF神经网络在训练算法和广义预测控制算法进行了Wiener型非线性模型预测控制的研究，仿真表明这种做法是可行的。     

基于BP神经网络的高速公路交通量预测

基于甘肃高等级公路收费年收入的统计数据,结合其收入和交通量之间的粗略关系,运用BP神经网络预测高等级公路各收费站年收入,从而间接地对高等级公路交通流量进行预测,为提高高速公路的管理与服务水平,对提高高等级公路管理部门的信息感知能力和应急处置能力、提高路网运行效率、建设和谐高等级公路具有极其重要的意义。     

基于神经网络的自适应控制器的研究

本文研究了神经网络控制未知动态系统的可行性，提出了几种自适应控制结构，并研究了在不同条件下各种结构的性能变化，给出了不同条件下的仿真结果及一些结果分析。图１３，参４．     

基于神经网络的矿井井型确定方法

研究了基于神经网络的矿井井型确定方法，为矿井设计提供了一种崭新的工具，应用表明，该方法是切实可行的。图２，表２，参４。     

基于细胞神经网的快速图像分割方法

细胞神经网(CNN)是一种局部互联的非线性并行模拟视觉处理系统,具有适合硬件实现处理速度快的优点.首先利用CNN-PDE非线性异质扩散滤波对图像作预处理,随后给出了一种基于CNN的图像分割方法.分割试验结果及仿真时间估计表明,CNN分割方法能以非常快的速度完成相应处理,是高效可行的.     

基于人工神经元网络模型的预测控制研究

研究了基于人工神经元网络模型的非线性预测控制，所采用的网络为一种将线性模型与多层前向网络相结合的ＤＬＦ网络，仿真结果表明，该“混合网络”易训练，收敛速度可大大加快，在ＤＬＦ模型的基础上，本文研究了一种非线性预测控制算法，它的显著特点是在线计算量小。对于一非线性过程－球形罐液位的仿真结果表明，基于ＤＬＦ的非线性预测控制效果颇佳。     

基于神经网络的非线性系统在线自校正控制及其应用

利用神经网络给出了设计非线性控制系统自适应控制器的方法,主要包括基于神经网络的非线性系统的在线直接自校正和间接自校正控制和满足局部能控一般非线性系统的神经网络自校正控制。从研究结果可以看出,由于神经网络的权系数的可调性以及神经网络对非线性的逼近性,利用神经网络所设计的自适应（或自校正）控制器,其闭环控制系统具有良好的动态与静态响应特性。所提供的控制器都可在线实现     

基于动态递归神经网络的动态矩阵控制

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     

一种基于模糊神经网络的自适应控制系统研究

提出一种基于模糊神经网络的自适应控制系统 ,经仿真研究表明该系统具有良好的动、静态性能、稳定性及自适应性     

基于人工神经网络的设备故障诊断策略及模型研究

文章首先介绍人工种经网络的基本理论和基本模型，然后研究诊断设备的结用特征，担出了“结构树”的概念．并据此分析了设备故障的特点．文章最后以神经网络基本模型为基础，结合设备故障特点，探讨了基于人工神经网络的设备故障诊断策略及模型．     

BP神经网络模型中活化函数对网络性能影响的研究

本文在ＢＰ神经网络模型中，采用一种新型的神经元活化函数替换传统的Ｓ型活化函数，并在活化函数中引入了可调参量，研究表明，作这一替换后对提高网络的学习速度、抑制假饱和现象起到了很好的作用。     

工程索赔管理的神经网络方法

工程管理中存在着大量的合同变更和多样因素引起的工程施工索赔,通过研究各种引起施工索赔的因素,建立了利用神经网络模型判断施工管理索赔出现的可能性,为业主施工索赔管理提出了一个新途径,最后,结合一个实例,证明了该方法的有效性。