一种基于神经网络的基波分量提取方法

以方波模式运行的单相半桥逆变器为研究对象，提出了一种利用神经网络提取逆变器方波输出电压基波成份的新方法．给出了一种有效的网络结构、并基于仿真得到的大量样本数据训练一个前馈神经网络以映射逆变器方波输出电压对应的基波分量．     

无刷直流电机免疫反馈自适应学习人工神经网络控制

针对BP神经网络收敛速度较慢、学习时间较长的缺陷，提出了基于免疫反馈规则的神经网络控制器用于无刷直流电机的转速控制中．该规则根据免疫系统中的T细胞的生物免疫反馈机理而总结出来，包括决定应答速度的激活环节和决定稳定效果的抑制环节．将免疫反馈规则应用于BP神经网络训练中学习速率的自适应调节，加快了神经网络的收敛速度，缩短了学习时间．无刷直流电机控制系统采用双闭环控制，内环为电流环，外环为速度环．MATLAB仿真和实验表明，采用该方法的系统超调量小、速度响应快，而且速度响应受电机参数变化影响小，各种外界干扰也得到了很好的抑制，具有较高的控制精度和较好的动、静态性能．     

基于BP神经网络的三相逆变器故障诊断研究

针对三相桥式逆变电路为研究对象,建立了仿真模型,并对逆变器主电路开关器件的开路故障进行仿真,提出了基于BP神经网络的故障诊断方法,确定了网络的结构和参数,并以此训练网络.仿真试验结果表明,该神经网络具有很好的故障识别能力,所选择的基于BP神经网络的三相逆变器故障诊断系统是可行的.     

微波陶瓷测试技术的神经网络实现

针对微波陶瓷的开式腔谐振法算法复杂、计算量大、计算速度慢的问题，提出了一种基于神经网络的替代算法．对完全神经网络模型和部分神经网络模型进行了对比，并讨论了网络拓扑结构对在线训练效果、训练时间和离线计算精度的影响．研究表明，采用1-6-6—2结构即单输入双输出的三层部分神经网络模型，计算速度可比传统算法提高1280倍以上，介电常数的计算误差不超过0.03％，品质因数的计算误差不超过0．8％，与传统算法相比，用神经网络实现的算法具有运算量小、速度快等优点，并保持了足够高的计算精度．     

基于小波神经网络的入侵检测系统

利用小波变换在信号处理方面的时频分析能力和神经网络对任意非线性函数的逼近能力，提出了一种基于小波神经网络的入侵检测方法．用小波变换代替普通神经网络的激励函数，能有效地提高网络样本训练的效率和速度，在仿真结果中体现出有很好的收敛速度和学习能力，比较适合用于入侵检测系统中．     

单相LCL型并网逆变器新型递归神经网络控制

以单相LCL型并网逆变器为研究对象,针对传统比例识分(PI)矢量控制方法存在解耦不准确,且参数固定难以在时变的、非线性的系统参数变化下保证控制性能最优的不足,提出了一种递归神经网络(RNN)控制方法。该控制方法无需对系统解耦,而是基于完整的系统方程,使用单个神经网络控制器取代2个电流回路PI控制器。RNN控制采取了一种改进的列文伯格-马夸尔特(LM)训练算法,该算法相较于传统LM算法,减小了存储和运算难度,提高了训练效率和收敛速度。结果表明：该控制策略下逆变器并网电流总谐波畸变率(THD)由3.5%下降至2.6%,逆变器具有更高质量的稳态输出电流和更快速的动态响应性能,验证了RNN控制策略的可行性。     

基于递归神经网络模型的传感器非线性动态补偿

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．     

电机驱动系统PWM逆变器故障诊断

电机变频调速系统中,逆变器是故障高发的薄弱环节。设计一种基于小波包分解和RBF神经网络的三相电机驱动系统PWM逆变器故障诊断模型,利用小波包变换提取三相PWM逆变器故障信号特征向量,并将其作为RBF神经网络的输入量;采用狼群—模拟退火算法优化RBF神经网络的结构和参数,利用32组学习样本和6组测试样本分别训练和检验RBF神经网络。仿真实验分析表明,该方法用于三相电机驱动系统PWM逆变器开路故障的诊断,速度快、准确率高。     

基于神经网络的建筑结构节点损伤识别方法

将建筑结构节点损伤识别反问题归结为优化问题，然后用LM人工神经网络来求解．对建筑结构中某些点的垂直位移进行静态测量，用以确定建筑结构中受损伤节点的位置．同经典的优化方法相比，人工神经网络具有全局收敛性．利用神经网络对受损建筑结构节点的位置进行识别是一种可行的方法．数值模拟结果表明，采用Levenberg-Marquardt法训练的神经网络进行结构损伤识别具有较快的收敛速度和较高的识别精度，并且具有良好的鲁棒性。     

混沌神经网络住宅性能综合评价模型的研究

住宅性能综合评价是住宅商品化和市场化的重要基础性工作．利用人工神经网络模拟人脑学习和记忆功能的特点，建立了住宅性能综合评价模型．针对神经网络BP算法收敛速度慢容易陷入局部极小值问题，将混沌理论引入神经网络算法中，利用混沌运动的遍历特性加快了训练速度，使其收敛于全局最优解．算例表明，混沌神经网络模型可以准确地评价住宅的综合性能，有良好的应用前景．     

基于神经网络与模糊逻辑的直接转矩控制系统

实现直接转矩控制 (DTC)的关键部件是定子磁链观测器和逆变器状态开关选择器 ,用训练好的神经网络取代U I N模型 ,模拟传统异步电动机DTC系统定子磁链观测器 ;把模糊控制算法引入状态开关选择器 ,用较少的模糊规则实现磁链误差、转矩误差和磁链角对逆变器开关的分级控制 .仿真结果表明 ,基于神经网络与模糊逻辑控制方法建立的直接转矩控制系统 ,具有较强的鲁棒性和良好的动态性能     

一种改进的提升机同步电机直接转矩控制

为克服提升机同步电机传统直接转矩控制存在的转矩、转速、磁链脉动大等缺陷,提出一种改进的同步电机直接转矩控制方法。设计基于神经网络的定子磁链观测器和基于模糊控制的逆变器状态开关选择器,利用人工鱼群-粒子群混合算法优化神经网络结构参数,应用转矩、磁链误差以及磁链位置角的模糊分级实现逆变器开关分级控制。仿真及试验结果表明,所设计的控制策略与传统直接转矩控制相比,转矩、转速、磁链动态响应速度快、响应脉动小,能更好地满足提升机的运行要求。     

基于PCA-BLS的逆变器故障诊断

为了确保电气设备的安全可靠运行,提出基于主成分分析法与宽度学习系统的逆变器故障诊断方法.利用主成分分析法对逆变器输出的电流信号进行处理,提取信号特征;构建宽度学习系统,并编写不同故障模式下的故障编码;利用不同故障模式下的信号特征对宽度学习系统进行训练,利用网络输出编码实现故障分类.仿真结果表明,该研究方法在诊断准确率及...     

基于小波包分析和Elman神经网络的军用电源智能故障诊断

军用电源作为地空导弹系统的供电设备,其可靠运转关系到地空导弹系统作战效能的发挥。为实现地空导弹电源逆变器的故障诊断与容错运行,将小波包分解与Elman神经网络结合进行故障特征提取及故障辨识,并应用于地空导弹静变电源的故障诊断。在准确诊断出故障的基础上,利用故障隔离切换电路,隔离故障桥臂,投入备用桥臂,保证静变电源继续正常运行。故障诊断和故障重构仿真的效果验证了该方法的有效性。     

有源配电网阻抗特性分析与测量

并网逆变器的接入改变了配电网的阻抗特性,以含L型和LCL型并网逆变器的有源配电网为研究对象,研究含并网逆变器的有源配电网阻抗特性.通过逆变器的小信号控制框图分别建立L型并网逆变器和LCL型并网逆变器的诺顿等效模型,并通过电路变换得到含有多种逆变器的有源配电网的戴维南等效模型.在此基础上,分析不同逆变器的主电路参数和控制参数对有源配电网等效阻抗幅值和相角的影响.为便于工程实际中获取有源配电网阻抗及验证模型的正确性,采用一种基于串联谐波电压源扰动的方法进行有源配电网阻抗进行了测量.最后基于MATLAB/Simulink搭建了仿真模型.仿真结果验证了有源配电网阻抗模型的正确性.     

基于BP神经网络的注塑变频控制系统设计

针对注塑机存在严重能耗,提出了基于BP神经网络的注塑变频控制系统设计方案。该方案采用ARM Cortex-M3内核微控制器采集压力、流量信号,利用BP算法计算出对应的控制量,改变变频器的输出频率,进而控制油泵电机,实现注塑节能。实验结果表明,该系统节约注塑机能耗可达30%—60%。     

制冷压缩机热力性能的神经网络模拟

压缩机热力性能的准确计算,对于使用压缩机制冷空调装置的优化设计起到很关键的作用,而单纯的理论模型难以反映实际的复杂因素,影响计算精度．采用人工神经网络与传统理论模型相结合的方式,建立智能型的压缩机热力计算模型,利用人工神经网络的自学习和泛化功能改善压缩机容积效率和电效率的计算模型精度．神经网络采用多层前向网络（ＭＬＰ）,网络训练采用同伦ＢＰ算法．对房间空调器用滚动转子式压缩机启动过程的输入功率变化,以及汽车空调器用变转速往复式压缩机的容积效率进行仿真,并与实验结果对照．结果表明,智能型压缩机模型很好地改善了传统计算模型的精度,而且适应能力更强