一类神经网络观测器的设计及应用

为了减少小波神经网络(Wavelet Neural Network,WNN)的母小波与神经元数,在WNN模型修正的基础上提出了一种能够储存小波上一步信息由自反馈神经元组成的自回归小波神经网络(Self Recurrent Wavelet Neural Network,SRWNN);在分析了这种网络的结构形式后,提出了一类非线性系统的神经网络自适应状态观测器设计方法,并通过引入Lyapunov函数,证明了这种观测器设计方法的正确性;最后,将这种观测器设计方法用于航天器机械手的反演控制,根据SRWNN观测器的估计状态值,应用反演控制理论设计控制器,能够很好地实现系统状态观测,实现无需速度的信号跟踪。     

基于改进的BP神经网络算法的控制系统在线辨识方法

 讨论了以计算机虚拟仪器为核心器件,搭建了动态测试与系统辨识硬件平台,使用Delphi语言编写辨识模块,实现对控制系统的在线辨识。在非线性系统辨识方面,针对BP神经网络算法中存在的收敛速度比较慢和辨识精度不高的问题,提出一种基于降低网络灵敏度的MBP神经网络辨识算法和一种基于小波分析的神经网络辨识算法,实现了对控制系统的状态进行预测估计。并以“防空武器半实物仿真系统”中的三轴稳定平台为对象,试验验证了算法的正确性。     

改进的神经网络观测器在非线性系统中的应用

为降低非线性观测器对模型精度的依赖性, 提出一种非传统的神经网络观测器设计方法。该神经网络为三层前馈网络, 采用带修正项的误差反传算法进行训练, 以保证控制的精度和权值有界, 利用神经网络识别系统的非线性部分, 并结合传统的龙伯格观测器重构系统状态; 利用Lyapunov 直接法保证基于权值误差的非观测器的稳定性, 并将该观测器应用于机器人轨迹跟踪控制中。仿真结果表明, 该方法解决了模型不确定系统状态观测问题, 适用于模型精度较低的非线性系统。     

多变量经济混沌时序的小波神经网络预测

提出了一种改进的小波神经网络，通过对C—D生产系统模型和财产管理模型中产生的经济增长混沌时序，进行多变量混沌时序的相空间重构，并采用改进的小波神经网络进行预测，证明其短期预测效果优于其他方法，说明该方法可以应用到经济增长混沌系统的预测中．     

基于小波神经网络的实际业务流预测方法

针对无线传感器网络传输过程中容易受到噪音干扰的问题,提出了一种新的业务流预测算法AWNNP(Ant colony-based Wavelet Neural Network Prediction).该算法首先利用小波变换对业务流进行分解,并将其小波系数和尺度系数作为样本数据.其次,结合蚁群算法和神经网络来训练样本数据,采用小波模型重构进行重构,以此获得业务流的预测数据.同时,通过仿真实验对比,并分析了小波神经网络预测算法和BP神经网络预测算法,实验结果表明,AWNNP算法性能较优,其误差为16.21%.     

一类基于神经网络的观测器及其在二关节机械手中的应用

本文提出一种非传统的神经网络观测器用来估计非线性系统的未知非线性部分。该神经网络是三层网络,采用带修正项的误差反传算法进行训练,以保证跟踪的精度和权值的有界。且在sigmoid 活化函数中增加线性滤波器,以提高系统的抗干扰能力。然后利用Lyapunov直接法保证基于权值误差的非传统观测器的稳定性。最后将该观测器应用到二关节机械臂系统的状态观测中,仿真结果验证了有效性。     

具有未知输入非线性系统的自适应观测器设计

针对具有未知输入和传感器噪声的的非线性系统,讨论了基于T-S(Takagi-Sugeno)模型的未知输入观测器设计方法.首先,给出了基于非线性系统构造T-S模型系数矩阵的计算方法.然后,以T-S模型作为设计模型,通过扩展传感器噪声为辅助状态向量的方式,将系统扩展为增维系统.继而,针对T-S模型,设计模糊自适应观测器以达到对非线性系统状态,未知输入和传感器噪声同时估计之目的.为此,基于线性矩阵不等式,给出了观测器存在的充分性条件.最后,通过实例仿真验证了此方法的有效性.     

改进的小波神经网络及应用

根据振动加工过程中的因素指标的关系和小波函数的特点,确定小波神经网络的结构,并利 用重心法对小波神经网络的初始值进行选取,通过实验表明,该方法是可行的,这为叠层材料振动钻削 研究提供了新的方法。     

Design of Fault Detection Observer Based on Hyper Basis Function

In this paper, we propose the Hyper Basis Function(HBF) neural network on the basis of Radial Basis Function(RBF) neural network. Compared with RBF, HBF neural networks have a more generalized ability with different activation functions. A decision tree algorithm is used to determine the network center. Subsequently, we design an adaptive observer based on HBF neural networks and propose a fault detection and diagnosis method based on the observer for the nonlinear modeling ability of the neural network. Finally, we apply this method to nonlinear systems. The sensitivity and stability of the observer for the failure of the nonlinear systems are proved by simulation, which is beneficial for real-time online fault detection and diagnosis.     

基于RS-BPNN理论的边坡稳定性预测及应用

从文献资料中收集并整理了45组各类危险边坡数据实例,结合粗糙集理论的数据挖掘功能和BP神经网络理论的非线性映射功能,建立了基于粗糙集-BP神经网络(RS-BPNN)理论的边坡稳定性预测模型.利用粗糙集对离散化后的数据进行了属性约简,利用神经网络对约简前后的数据进行了网络训练和仿真,并对其中五组边坡的安全系数和稳定状态进行了预测.结果表明,未经约简的BP网络安全系数预测的平均误差率为14.51%,约简后的RS-BP网络预测的平均误差率为7.24%,且经过粗糙集约简后边坡的预测状态与边坡的实际状态更加吻合.     

带混合学习算法的多阶段神经模糊系统模型

提出一种基于演绎模糊推理的多阶段神经模糊系统模型, 对于给定的学习样本, 通过结构学习（采用遗传算法）与参数学习（采用误差逆传播神经网络方法）过程, 能够生成适当的演绎模糊规则集, 并通过与单阶段神经模糊系统模型求解Benchmark问题的实验对比, 讨论和分析了该模型的有效性和健壮性.     

小波网络异步电机转速辨识器的设计

为实现无速度传感器异步电机控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解。因此,偿试利用小波网络构造转速辨识器,并将遗传算法和BP算法结合起来作为小波网络的学习算法。该算法首先采用混合编码的遗传算法优化网络的结构及网络初始权值,其次再利用BP算法对网络权值进行精确调节;这种将遗传算法与BP算法相结合的GA BP算法,实现了遗传算法的全局搜索能力与BP算法的局部寻优性能的互补结合.将所设计的网络转速辨识器运用到直接转矩控制系统当中,利用MATLAB/SIMULINK实现无速度传感器控制系统的仿真实验结果表明,该方法具有良好辨识效果。     

基于广义回归神经网络的发动机排放预测

神经网络是当前最主要的智能控制技术之一，它模拟人脑的结构及对信息的记忆和处理功能，具有擅长从输入输出数据中学习有用的知识的特性，发动机性预测是根据发动机结构参数和运转参数估算推测发动机的各种性能指标，因此，可以利用神经网络的学习性的特点，借助针各咱影响汽油机燃烧过程的主要参数对汽油机的非线性影响以网络模型的形式表示出来，文中讨论了如何势开数学模建的方式，选用广义回归神经网络，进行发动机排放特性的预测，应用MATLAB软件工具箱编程，给出了一个汽油发动机的排放特性预测模型的实例。     

自抗扰控制器在气压伺服控制系统中的应用

为提高控制系统的鲁棒性,增强干扰抑制能力,提出了适用于气压伺服系统的自抗扰控制器方案,并讨论了控制参数的整定.自抗扰控制器为非线性控制器,由跟踪微分器、扩张状态观测器和非线性状态误差反馈控制律3部分构成.扩张状态观测器可以实时观测系统状态和扩张状态,从而实现全状态反馈及系统不确定性和外扰的补偿控制.自抗扰控制器的设计不依赖于被控系统的精确数学模型,并对内外扰有较强的抑制能力,在整个系统工作区间都有良好的鲁棒性.仿真结果表明,自抗扰控制器对气动伺服系统模型的不确定性以及外干扰的鲁棒性较好,且具有较优的动态性能.     

基于改进kmeans聚类方法的RBF神经网络设计

提出了一种利用改进的kmeans聚类算法确定径向基函数的数目、基函数中心及宽度,输出层权值由线性方程组确定的RBF网络设计方法．通过对函数逼近的仿真实验,表明该RBF网络比Kmeans聚类算法设计的RBF网络更加稳定高效．     

改进的小波神经网络模型在电力故障信号识别中的应用

研究了小波神经网络用于信号分类识别的模型结构,建立了非显式小波网络的学习算法,给出了一种改进的小波经网络模型,并把该模型应用于电力系统故障信号识别,提高了信号分类识别的精度。     

一种新的模拟电路故障诊断方法研究

针对传统模拟电路检测方法难以发现器件缺陷的问题,提出了一种基于小波分析与人工神经网络的故障检测方法,选取典型滤波器电路。使用MATLAB进行仿真。仿真结果表明,此方法能够有效地识别故障器件,且诊断率高。     

基于DBFNN的非线性自适应控制在CSTR中的应用

讨论了一类放射非线性系统的自适应控制问题.首先对于利用方向基神经网络(DBFNN)对系统的不确定性进行建模.所得到的系统模型作为对象的数学模型用来设计控制器.首先设计了反馈线性化控制器,为了克服建模误差的影响又引入了内模控制机制.证明了只要网络的学习精度足够高,所设计的闭环系统是最终一致有界的.把所设计的控制策略用于CSTR的控制中,仿真结果表明了所设计的控制器有效性.     

基于电信行业小波神经网络模型的应用

为对未来电信业务总量和各类用户数进行有效预测, 利用分析历年电信业务总量和各类用户数, 建立小波神经网络预测模型, 以提高预测精度。在神经网络预测模型建立中, 神经网络中的转移函数使用小波函数替代, 从而得到小波基神经网络系统; 通过对自适应学习速度和参数初始值选取的改进, 获得高几率初始参数并加快算法收敛速度。     

基于PCA-ANN模型中存在的问题及改进

文章深入分析了目前普遍采用的主成分分析——神经网络模型应用中存在的不合理问题,通过推导指出错误所在,提出了相应的改进方案.为了验证改进模型的有效性,以UCI机器学习库中的数据集为样本,选取有导师BP神经网络和无导师SOM神经网络,建立改进的主成分分析——神经网络模型,并与传统主成分分析——神经网络模型进行比较测试,实验结果表明改进的模型效果更优.