基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

基于IGA的多层神经网络BP算法及在系统辨识中的应用

本文针对用GA训练NN权值时 ,花费的代价随精度的提高而剧烈增加的缺陷 ,提出了一种利用IGA较强的全局搜索能力和IBPA较强的局部搜索能力的结合算法 ;先利用IGA优化多层前馈神经网络的权值 ,然后再用IBPA提高搜索精度 ,有效地避免了IBPA易陷入局部极小点和IGA过早收敛的缺点 ,实验结果表明 ,此算法是有效的     

基于自回归动态神经网络的逆模型辨识及在线控制

研究了自回归动态神经网络及其学习算法。提出了应用于动态逆模型识的结构，并与ＰＩＤ控制相结合形成了非线性动态对象的在线自适应控制系统。仿真结果表明此方案简单可行，克服了静态网络的一些局限性。     

基于神经网络的非线性系统辨识

基于神经网络实现了非线性系统的分析,给出了计算实例,实验结果表明了方法的有效性。     

桥梁振动控制系统的GA-BP神经网络非参数辨识方法研究

文章提出了一种基于GA-BP神经网络的地震激励下桥梁振动控制系统的非参数辨识方法,该方法避免了BP算法易陷入局部极小值、训练速度慢、误差函数必须可导及受网络结构限制等缺陷,克服了传统系统辨识要对结构进行预先假定、容错能力差、无法辨识系统非线性特性等问题,考虑到结构-控制装置的相互作用,可以真实反映桥梁结构动力特性.     

非线性BP算法在系统辨识中的应用

研究利用非线性ＢＰ算法训练多层前馈神经网络,对非线性动力系统进行建模,给出了基于非线性ＢＰ算法的系统辨识计算步骤,通过仿真计算表明,基于非线性ＢＰ算法的系统辨识至少可以获得与常规ＢＰ算法同样的效果,因为不需要计算神经元激活函数的导函数,文中的结果可以更小的代价实现基于神经网络的控制器。     

贯流式机组神经网络在线辨识研究

提出了一种部分递归神经网络结构,给出了学习率的实时调整方法,并将之运用于贯流式机组的在线预测。该网络克服了对被控对象结构先验知识的依赖性,并能反映调节对象的非线性映射关系。仿真试验表明,该网络能迅速地、较为准确地逼近实际系统的输出,可作为贯流式机组自适应控制的实时预测模型。     

PSO算法与BP神经网络在电力系统辨识中的比较研究

系统辨识是控制工程领域中研究的重要问题之一。首先对BP神经网络和微粒群算法进行了深入分析。以含STAT-COM电力系统为辨识对象,分别采用BP神经网络和微粒群算法对其进行辨识分析。对两种算法的收敛精度进行了分析比较。结果表明PSO算法在系统辨识上具有优势。     

基于小波神经网络的非线性动态系统辨识

在小波神经网络的基础上提出了一种辨识非线性动态系统的方法．该方法有效地将系统辨识所需要的结构形式与多层神经网络及小波基函数所构成的分辨率信息处理过程相结合,建立了从数据到符号的自适应机制．仿真结果表明,该方法具有收敛速度快、逼近精度高、鲁棒性好等优点．     

神经网络在线性系统辨识中的应用

本文把具有线性处理单元的神经网络应用于线性时不变动态系统辨识;讨论了用多层前向网络和回归网络分别对线性时不变动态MIMO系统的输入输出模型和状态空间模型进行辨识的方法;提出了用线性系统粗糙模型的先验知识对神经网络权进行初始化的方法.仿真实验表明所提出的初始化方法比随机初始化法的学习有更快的收敛速度.     

一种改进的BP网络图象压缩方法

本文提出了一种改进的ＢＰ网络图象压缩方法．该方法对输入图象矢量进行分类，不同类别的图象矢量分别由不同的ＢＰ网络来实现压缩和恢复．因为同一类别图象矢量间离散度较小，所以可降低ＢＰ网络的映射复杂度，从而达到改善图象质量的目的．实验结果表明，这种改进能有效提高恢复图象的信噪比和视觉质量，对数据压缩比影响很小．     

基于BP神经网络的智能控制器

研究一种新型的智能控制器,该控制器能通过自学习不断进行适应性控制,以保证系统的输出符合实际应用的要求,其主要特点是提供一个跟踪网络来近似确定控制参数,进而进行神经网络控制,仿真结果表明该方法有较好的效果．     

基于BP神经网络的煤层硬度多等级识别方法

针对煤层硬度识别方面存在的问题,提出一种基于BP神经网络算法的煤层硬度多等级识别方法,将煤层硬度划分为6个等级进行识别.以采煤机截割电机和牵引电机的定子电流信号及调高油缸压力信号作为识别信号,利用小波包分解提取各个信号的特征量,并将其作为神经网络的输入样本进行训练和测试.经过实验,在仿真数据条件下本文提出的煤层硬度多等级识别方法对硬度等级的识别准确率为96.7%,在实机数据条件下识别准确率为93.3%,验证了该煤层硬度识别方法的有效性,为采煤机自适应截割过程煤层硬度高精度识别奠定了理论基础.     

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.     

一种基于改进的BP神经网络的入侵检测方法

针对普通BP神经网络算法学习收敛速度慢、易造成局部极小的问题,提出一种改进的BP神经网络入侵检测方法,其采用拟牛顿的方法进行学习,即对目标矩阵求二阶导数.运用该方法能够有效提高学习速度,消除局部极小.仿真结果表明,改进的BP神经网络入侵检测方法收敛速度快,比标准的BP入侵检测方法误检率低,能够很好地提高学习效率,更加有效地检测攻击行为.     

基于BP算法的神经网络内模控制器

文章针对一类非线性系统,采用加入阻尼项的权值调整BP算法,设计了基于BP算法的神经网络内模控制器,并进行了仿真,结果显示该控制器对阶跃信号和扰动均无稳态误差,对非线性环节有较好的控制效果。     

基于模糊BP神经网络的垃圾焚烧炉控制系统

根据固体垃圾焚烧技术原理,结合垃圾焚烧炉运行特点,分析了垃圾焚烧过程与影响焚烧的主要因素,提出了基本模糊BP神经网络算法的垃圾焚烧炉控制方法.建立了垃圾焚烧炉炉温双端输入模糊神经网络（DIFNN）控制模型,并使用模糊BP神经网络控制算法对系统进行控制.仿真实验表明,该模糊BP神经网络控制能够适应复杂多变的焚烧过程的控制...     

基于神经网络辨识的自适应PID控制器

根据实际生产现场对控制的要求,提出了一种将PID控制与神经网络相结合,采用BP网络辨识未知的被控对象,使用单纯形算法寻找最优的PID控制参数,控制与学习并行的控制方案.并对二阶对象进行仿真研究,将其与单位阶跃响应进行了比较.     

基于改进遗传算法的递归神经网络模型辨识

将递归内时延神经网络应用于非线性动力学系统中，引入遗传算法作为其学习算法，提出遗传算法新的编码方案，并且在遗传操作中采用适应度的调整策略，通过仿真实验，表明该方法是有效的。     

基于BP神经网络的直流电机PID控制系统研究

以直流电动机为控制对象,建立数学模型,并在传统PID的基础上结合神经网络算法,充分利用神经网络自学习功能,实现对PID参数的实时在线自整定.克服了PID控制参数难以确定和控制过程无法随环境等变化而自适应的缺点,体现了神经网络较好的智能性与较强的鲁棒性.利用Matlab软件进行仿真研究,结果表明神经网络PID较传统PID更精准,更具适应性,控制效果优越.