基于RBF-BSA的锂离子电池SOC混合估算算法

为提高锂离子电池荷电状态(SOC)预测精度,提出利用回溯搜索算法(BSA)优化径向基函数(RBF)神经网络的输出权值与阈值的混合算法.通过对锂电池模型中的目标函数进行优化求解,并寻找最佳的目标权值和阈值降低预测误差,提高了RBF网络模型的预测精度.为验证算法的有效性,搭建锂离子电池的充放电实验平台获取数据并对网络进行验证,实验结果表明:混合算法相比标准RBF网络算法具有更好的SOC预测精度,并将网络输出预测误差降低到2%以内,符合锂电池荷电状态估算要求.     

谐波级数表示与周期时变参数模型间关系

非线性动态系统的建模一直是控制领域的重要问题之一.针对这一问题,特别是包含滞后环节的非线性系统建模问题,提出了一种引入自适应延迟的动态BP(back propagation)学习算法.该算法在传统多层感知机神经网络结构基础上,在网络的第1隐层和输出层分别引入可调节的自适应延迟参数,通过误差梯度对其进行修正,实现了对延迟参数的辨识.仿真结果表明,所提出的方法能够有效实现对非线性滞后系统的辨识,并能够对系统的延迟时间进行准确估计.     

电动汽车锂离子电池组参数辨识与SOC估计

针对电动汽车用锂离子电池组,提出了一种能修正初始误差的荷电状态估算方法,即采用扩展卡尔曼滤波与安时积分的组合算法.在分析电池各种等效电路模型优缺点的基础上,选用具有双阻容并联网络的PNGV改进型电池模型,并以某锂电池为实验对象,对其进行模型参数识别.然后依据电池模型建立电池的非线性状态空间方程,并对电池开路电压与SOC的关系进行多项式拟合.恒流脉冲放电和ECE15工况下的两种实验均表明,文中算法可有效修正SOC的初始误差,并能保证估算精度.     

城市用水量非线性组合预测方法研究

利用小波网络构造模型的优化组合函数,建立了城市用水量非线性组合预测模型.将非线性组合函数的拟合转化为小波网络参数的估计,采用遗忘因子法训练网络的权值,利用递推预报误差算法训练尺度因子和平移因子.实例表明,该方法具有很强的泛化能力与自适应数据和函数变化的能力,能够有效提高预测精度,克服了线性组合预测方法适应性不强的问题.     

一种改进的非线性PCA胎儿心电信号提取算法

传统非线性主分量分析(PCA)算法在提取胎儿心电信号(FECG)时,对信道参数变化的跟踪能力较差,为有效地跟踪信道参数的变化,快速提取胎儿心电信号,提出一种通过预测误差调整遗忘因子的非线性PCA算法.该算法具有收敛速度快,参数估计误差小的优点.仿真结果表明,该算法与传统算法相比,可以快速有效地抑制掉母亲心电信号(MECG)和各种噪声,提取更清晰的胎儿心电信号.     

一种新数控系统温度误差补偿控制方法

针对车床加工具有多因素非线性,利用神经网络提出解决数控机床系统的温度误差补偿控制问题的办法。方法是在现有的数控系统内部嵌入一个神经网络的小型系统,利用主元分析进行温度误差补偿数据压缩及特征提取,通过应用粗集理论对温度误差属性进行约简,用一个BP（back propagation）神经网络进行补偿控制,在网络的训练过程中利用蚁群算法对BP网络参数进行全局搜索,实现网络快速收敛到全局最优值。试验仿真表明,此方法可有效提高系统补偿精度和实时性。     

多输出支持向量机混合模型在机车调簧中的应用

机车二系弹簧加垫高度对二系载荷分布有着显著影响.考虑到车体和弹簧有着不容忽略的非线性特性,提出在机理模型基础上引入多输出支持向量回归机作为补偿算子,构建二系弹簧载荷调整的混合模型用于指导调簧.为提高补偿精度,用遗传算法对补偿算子的参数进行全局优化搜索,得到一组最优参数;同时引入均匀设计试验法采集样本数据,减少采样时间.用HX_D1D型大功率机车的实车数据进行试验,本研究提出的混合模型较BP网络混合模型、机理模型具有更小的均方根误差.试验结果表明:本研究提出的混合模型预测的二系载荷与实际载荷间的均方根误差较机理模型减小33.53%,较BP网络混合模型减小23.69%,可进一步提高调簧模型精度,同时计算用时也较BP网络混合模型大为减少.     

混合学习法前向网络多属性储层参数预测

应用前向网络描述地震属性和储层参数间的非线性映射关系时,经典的误差反向传播算法存在收敛速度慢,易陷入局部极值等诸多不足。研究了融合粒子群优化算法和误差反向传播算法的混合学习法前向网络多属性储层参数预测技术。粒子群优化算法是一种群体随机搜索演化计算技术,具有较快的收敛速度和较强的全局搜寻能力;误差反向传播算法本质上是梯度下降算法,注重局部搜索。混合学习法为两种学习算法交替执行,首先以粒子群优化算法训练网络,当误差能量在规定的迭代次数内不再发生变化时,采用误差反向传播算法实现局部寻优。理论函数逼近测试和实际储层参数预测实验说明了混合学习法具有学习时间短、求解效率高、可靠性强的优点,具有良好的应用前景。     

非线性自适应控制的鲁棒性

用锥-扇形理论研究非线性系统的自适应控制的鲁棒性.设计系统时首先对非线性环节进行补偿,补偿误差归入建模误差,在此基础上提出一种修正的投影算法,并用锥-扇形理论证明了算法的鲁棒性.仿真结果表明,该算法的参数容易选择,控制精度高,具有一定的实用性.     

基于神经网络的空间柔性机械臂PID快速学习控制

针对自由漂浮柔性空间机器人的轨迹跟踪问题,提出一种径向基函数（RBF）神经网络控制策略.首先建立漂浮基柔性空间机器人的非线性动力学方程,考虑到RBF神经网络良好的逼近能力,柔性臂的非线性逆动力学模型通过RBF网络来逼近,采用PID控制器与神经网络控制器来共同保证系统稳定性,其误差代价函数由PID控制器提供,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整来实现快速学习能力.仿真结果表明了这种RBF神经控制器能够达到较快的误差收敛速度.     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于遗传神经网络的AZ91镁合金力学性能预测

在合适的参数条件下径向基函数神经网络能够以任意的精度来逼近任意的函数,遗传算法是一种高效的全局寻优的搜索方法.将遗传算法和径向基函数神经网络相结合,建立遗传神经网络,运用到合金设计的性能预测方面.使用简单易行的二进制编码方法,在寻求径向基函数神经网络隐含层神经元最优中心矢量的同时确定其最优个数,通过设定合理的目标函数解决网络函数逼近能力与泛化能力之间的矛盾.试验证明,该方法在合金性能预测方面有较好的效果,能够成为合金设计有力的辅助手段.     

基于神经网络的模型直升机偏航角预测控制方法

模型直升机航向角变化剧烈,一般航向角测量方法具有延迟性、误差大、变化突然等缺点,需要一种具有学习、适应、非线性类人控制的控制方法.基于神经网络的预测控制方法采用双曲正切函数作为传递函数,采用最小二乘拟合算法训练数据得到参数,并在单片机实现中进行了简化,用多项式代替双曲正切函数,简化计算复杂度,在保证控制精度的基础上,提高了预测控制的实时性.在试验台运行中,控制过程延迟小,控制精度明显改善,模型飞行平滑,具有较高的实用价值.     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

非线性时间序列的重构及预测

采用自适应前馈网络算法(AFN)进行非线性时序预测，对网络结构设计进行详细的探讨，并应用该方法对经典非线性时间序列数据进行预测，与传统预测方法(TAR)比较，结果证明此种方法具有较好的效果，网络的结构得到了简化。不仅满足了误差目标的要求，而且提高了网络的推广能力。且AFN方法可以对时间序列数据间的关系给出一种基于贡献率的解释。     

Improving Adaptive Learning Rate of BP Neural Network for the Modelling of 3D Woven Composites Using the Golden Section Law

Focused on various BP algorithms with variable learning rate based on network system error gradient, a modified learning strategy for training non-linear network models is developed with both the incremental and the decremental factors of network learning rate being adjusted adaptively and dynamically. The golden section law is put forward to build a relationship between the network training parameters, and a series of data from an existing model is used to tram and test the network parameters. By means of the evaluation of network performance in respect to convergent speed and predicting precision, the effectiveness of the proposed learning strategy can be illustrated.     

基于测距的地面网络化弹药节点自定位算法

分析了极大似然估计算法中测距误差对定位误差的影响,提出了基于LMS（最小均方差）的自适应滤波原理的测距误差修正的自定位算法. 利用极大似然估计法初步估计节点位置,并得到定位误差信息,建立测距误差矩阵并更新网络中的滤波参数,完成对网络中测距误差的抑制,从而优化节点定信息. 实验仿真表明,优化处理使定位精度得到提高. 结果表明算法适用于锚节点密度较小的、低信噪比的网络化弹药系统.     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

光纤陀螺漂移误差的T-S模糊建模补偿算法

基于G-K聚类算法辨识T-S模糊模型前件参数理论,并采用最小二乘法辨识T-S模糊模型后件参数的误差模型,研究了一种光纤陀螺温度漂移误差的非线性补偿算法。在建立该模型的基础上对光纤陀螺零位输出进行了补偿,计算结果表明采用该种方法能够在不完全了解陀螺误差机理的情况下对其进行有效的补偿。其绝对误差与未补偿相比较降低了99%,同线性拟合补偿相比降低了96%和神经网络补偿比较降低了10%,其误差方差分别减少99%,98%,20%。     

基于动态设计变量优化算法的非线性模型参数估计

为消除在传统非线性模型参数估计中由于线性化引起的模型误差,提出了一种基于动态设计变量优化的非线性模型参数估计算法·该算法以每个待估计的参数为设计变量,以与设计变量相关的误差函数为目标函数,并将参数约束条件构造在目标函数中,建立参数估计的最优化问题·针对圆形轨道倒立摆动力学模型进行参数估计,证明该算法具有很高的计算精度和较快的收敛速度,是解决非线性模型参数估计的有效方法之一·