LMBP神经网络PID控制器在暖通空调系统中的应用研究

针对BP神经网络学习过程收敛速度慢及易陷入局部极小值的缺陷,研究了levenberg-marquart算法(即LM算法).为解决LM算法中学习速率的选择和逆矩阵的求解这两个严重影响训练时间和收敛精度的问题,采用LU分解法对LM算法进行改进和优化,并通过MATLAB语言编程实现,将得到的LMBP神经网络PID控制器应用于暖通空调冷冻水循环的控制回路中,将其控制效果与PID控制算法、BP神经网络PID控制算法进行仿真对比研究.研究结果表明,采用LMBP神经网络PID控制器在减少超调量、加快收敛速度、减少稳态误差等方面的性能都得到了明显的改善.     

关于对BP神经网络算法改进的研究

为了减小标准BP算法中迭代次数并提高其收敛速度，现提出将负梯度下降法与DFP变尺度算法相结合进行权值修正的方法．在误差寻优初期，首先采用标准BP算法进行迭代，每迭代一次的工作量较小、所需存贮量较少，义对初始点的要求不高．然后，当寻优过程开始接近最优时，更改寻优算法，即使用DFP变只度算法．最后，运用MATLAB工具箱和VisualBasic实现算例．实验结果表明；改进后的BP算法减少了迭代次数，提高了寻优的收敛速度．     

压缩算子下线性方程组的非线性迭代算法

利用压缩映射定量，不动点原理及矩阵的相关性质，对求解一般线性方程组问题进行了研究，导出了一种求解线性方程组的非线性迭代算法。特点是：无需对矩阵进行各种变换及求逆等运算，能始终保持收敛性且收敛速度较快。仿真结果表明，该算法稳定，收敛速度快，且有实用价值。     

基于LMBP算法的液压油缸内泄漏故障诊断方法

针对液压油缸内泄漏故障诊断中提取时域参数过多以及各参数间相互交叉等问题,提出一种基于主成分分析（Principal Component Analysis,PCA）和改进的Levenberg—Marguard（LM）神经网络的诊断方法．首先采用Lu分解法对LM算法中逆矩阵的求解进行优化,以加快网络的收敛速度,然后提取压力信号的8个时域参数作为原始特征,采用PCA法对其进行降维和去相关,提取前2个主成分作为最终特征,输入到改进的LM网络中进行故障模式识别,并将诊断结果与LM算法和GA—BP算法进行仿真对比研究．研究结果表明：基于LMBP算法的故障诊断方法在减少识别误差和提高诊断速度等方面取得显著改善,是一种行之有效的液压油缸内泄漏故障诊断方法．     

非线性最优化中超线性收敛的序列线性方程组方法

提出了一个超线性收敛的序列线性方程组方法（ＳＳＬＥ）．此方法与现有的序列二次规划（ＳＱＰ）方法相比，其优点有：（１）由于新方法每一次迭代只需计算三个系数矩阵完全相同的线性方程组，因此迭代的计算量减少且算法的稳定性提高；（２）每一次迭代产生的点是可行的；（３）具有一步超线性收敛速度。     

基于共轭梯度迭代算法受控AR模型的参数辨识

推导了单输入单输出系统的辅助模型,它有助于减少计算量和提高共轭梯度迭代算法（新算法）的收敛速度.相比于受控移动平均模型中所提出的交互式随机梯度算法,新算法用更少的迭代步骤就可求出模型的参数估计.另外,新算法能避免出现矩阵的逆矩阵形式.对新算法与双共轭梯度算法进行比较,并给出数值实例检验新算法的有效性.     

一种改进的LDPC码译码算法

指出了由于短LDPC（低密度奇偶校验）码的Tanner图中会出现环路,使得变量节点之间的信息不再相互独立,从而导致对数域BP译码算法的性能下降．从平衡迭代译码性能与硬件实现复杂度的角度出发,提出了一种改进的BP算法,通过变量消息的修正来补偿校验消息简化的损失．仿真结果表明：改进的算法加快了算法的收敛速度,降低了迭代译码...     

一种基于质点动力学原理的快速自适应建模算法

针对自适应逆控制技术中最小均方(LMS)算法建模速度慢的缺点，基于重力场中超曲面上质点的动力学原理，提出了一种快速自适应建模算法．该算法的特点是将滤波器权系数的迭代求解过程类比为重力场中超曲面上质点的运动，在质点的自由运动微分方程中加入比例阻尼项，使各模态的阻尼系数均接近于临界阻尼，从而使权系数以较快速度收敛，并利用质点微分方程中的非线性项实现变步长迭代，明显提高了自适应维纳滤波器的权系数收敛速度．仿真试验结果证明该算法优于LMS算法．该算法运算代价小，收敛速度快，可替代LMS算法用作自适应逆控制的建模工具。     

改进卡尔曼滤波的IRFPA非均匀性校正算法

提出一种改进的卡尔曼滤波的IRFPA非均匀性校正算法,该算法使用求逆引理对传统迭代公式进行求逆变换,使用误差协方差逆阵形式实现迭代过程,使算法计算复杂度由nk×nk阶矩阵求逆降低至nk维对角矩阵求逆,简化了传统卡尔曼滤波算法的递推过程,提高了实时性能．通过对实际采集的红外图像序列进行仿真实验,结果表明：该算法在继承传统校正算法校正精度的同时,兼顾提高了算法校正速度,运行效率可以提高至2倍．     

Sylvester矩阵方程的改进IO迭代算法

通过对Sylvester矩阵方程的理论分析,可知IO迭代算法中迭代矩阵的谱半径随内迭代次数的增大而减小,更新了IO迭代算法中内迭代次数的选择方法,并证明了该算法收敛性与初始矩阵无关。Sylvester矩阵在满足一些特定条件下,为了进一步提高收敛速度,可通过选择适当的相关参数,使得IO迭代算法有较好的收敛速度且比Smith算法的迭代次数明显减少。     

基于动态调整位移参数的BP改进算法

人工神经网络应用中,80％～90％采用BP网络,BP神经网络实质是一个无约束非线性最优化计算过程,计算时间长,且难得到最优结果．文中提出了一种动态调整位移参数的BP改进算法,使得BP网络能尽快跳出平坦区,加快计算速度．实验对太阳黑子进行预测,证明改进后BP算法具有速度快、精度高等方面的优点,达到了预期效果．     

基于精细积分思想的反演简单迭代算法

为了提高走时层析成像中反演算法的性能,采用一种基于精细积分的简单迭代算法。反演计算归结为一个简单的迭代求解过程,对过程中出现的逆矩阵求解利用精细积分思想,确保迭代收敛且能收敛到方程的真解,同时具备较高的迭代速度。检测板模型恢复测试以及实际资料反演结果表明:该方法计算过程简单,在迭代次数较少时即能得到分辨率较高的波速剖面图;与目前常用的一些方法相比,本文方法在反演图像分辨率和迭代效率上都具有一定的优势。     

基于PSO-GA-BP神经网络的视觉伺服控制系统

传统的基于图像视觉伺服控制需要计算雅可比矩阵和解雅克比矩阵的逆,其结构复杂、计算量大且系统 的实时性不够理想。基于粒子群遗传算法优化的 BP(Back Propagation)神经网络(PSO-GA-BP: Particle Swarm Optimization-Genetic Algorithm-BP)通过学习图像特征空间到机器人运动空间的映射关系,实现了“眼在手上”的 机器人视觉伺服控制,通过优化 BP 神经网络的权值和阈值,防止了其训练时间长、收敛速度慢等弊端。实验 结果表明,优化后的算法运算效率较高,所设计的控制器能使机器人末端执行器在更短的时间内达到预期位 置,图像特征点运动位置的实际值与期望值平均误差约为 2 个像素,具有良好的收敛速度和控制精度。相关结 论可为机器人视觉伺服控制提供优化依据,提高算法的应用性能。     

对角相似变换下的非负矩阵最大特征值算法

通过引进一个参数构造与迭代矩阵的行和相关的正对角矩阵, 应用矩阵的正对角相似变换, 给出不可约非负矩阵最大特征值与对应特征向量的数值算法, 算法中每一步参数的选择灵活性都较大, 从而提高了收敛速度.     

对角相似变换下的非负矩阵最大特征值算法

通过引进一个参数构造与迭代矩阵的行和相关的正对角矩阵, 应用矩阵的正对角相似变换, 给出不可约非负矩阵最大特征值与对应特征向量的数值算法, 算法中每一步参数的选择灵活性都较大, 从而提高了收敛速度.     

大型矩阵奇异值分解的多次分割双向收缩快速QR算法

针对传统QR算法在处理某些大矩阵的奇异值分解时可能不收敛的本质原因,提出采用双向收缩、多次分割的解决对策。研究了在一般矩阵数值计算文献中被忽视的、然而对奇异值分解精度有重要影响的细节如从左至右、从下至上的非零元素直线驱逐算法,提出了矩阵分割时子阵首、末行搜索算法,在这些基础上实现了完整的针对大型矩阵奇异值分解的多次分割、双向收缩QR算法。通过实例比较和分析了不分割与多次分割双向收缩QR算法的收敛速度的差异,证实了多次分割双向收缩QR算法具有迭代次数少、迭代过程无停滞、收敛迅速等优点,解决了传统QR算法处理某些大矩阵的SVD时可能不收敛的问题,对任何大矩阵都可实现快速SVD运算。     

基于改进神经网络的边坡岩体弹性力学参数识别方法

基于人工神经网络的 BP算法 ,建立了根据边坡开挖后岩体位移观测数据识别岩体弹性力学参数的数值方法 .在网络训练过程中采用改进的 BP算法 ,通过对学习算子的优化搜索 ,大大提高了网络的收敛速度 ,解决了 BP算法迭代过程中目标函数振荡问题 .通过算例表明 ,提出的改进的 BP算法有助于提高岩土材料参数识别收敛速度和识别精度 .图5 ,表 3,参 15