基于长短期记忆神经网络的油田注水预测

为解决目前常用的人工智能注水预测无法考虑数据在时间上的相关性问题,通过选取一种基于循环神经网络(RNN:Recurrent Neural Network)改进的长短期记忆(LSTM:Long Short-Term Memory Neural Network)神经网络构建油田注水预测模型.该模型不仅能考虑到注水量和影响因...     

RF功放非线性特性的在线神经网络建模

为了改善功放系统的非线性特性,采用了基带数字预失真技术,其中功放系统的建模是其关键技术.由于功放系统是一个复杂的带记忆效应的非线性时变系统,为了能够实现实时校正,采用级联相关算法进行在线神经网络建模.首先选用残差相关性判别方法来确定神经网络功放模型的结构和初始参数,然后使用带遗忘因子的递推最小二乘法对神经网络模型参数进行在线自适应调整.对实测数据的验证表明,建立的神经网络模型完全能达到给定的性能指标要求.     

基于朱氏广义采样定理的射频功放行为建模

利用朱氏广义采样定理,在降低ADC采样率情况下,对射频功放进行非线性行为建模和数字预失真研究.以20 MHz的WiMAX信号作为射频功放的输入,通过矢量信号源和矢量信号分析仪组成的测试平台采集功放的输入和输出信号,并利用有记忆多项式模型和朱氏广义采样定理进行模型验证和预失真仿真分析.实验结果表明,在采样率为功放输入信号...     

BPNN-HDMR非线性近似模型方法及应用

提出基于误差反向传播神经网络(Back Propagation Neural Network,BPNN)的高维模型表示(high dimensional model representation,HDMR)方法,即BPNN-HDMR方法.BPNN-HDMR方法的显著优势是将BP神经网络的非线性函数逼近能力与高维模型的层级结构理论相结合来构建近似模型,并能够揭示输入变量之间固有的线性或非线性关系及其相关性,将构造模型复杂度由指数级增长降阶为多项式级,有效地解决了高维建模问题.通过测试和对比验证了该算法的效率和建模能力,并将该算法应用于矿用自卸车安全驾驶室翻车保护装置(Roll-Over Protective Structure,ROPS)的优化设计.通过优化结果验证了所提方法的可行性和有效性.     

求解弹塑性有限元问题的神经网络方法

利用神经网络优化计算原理,引入LPNN(Lagrange Programming Neural Network)模型求解弹塑性有限元问题.通过采用非线性函数作为神经元的传递函数,使神经网络的非线性问题同力学的非线性问题得到统一.对两个简单的弹塑性问题进行了数值仿真,计算结果表明了该方法的正确性及有效性.     

基于径向基函数神经网络的栅格图像非线性畸变校正

为了减小光电成像测量系统中存在的非线性畸变,提高测量精度,提出了一种基于径向基函数神经网络的图像畸变校正方法。提取带有桶形畸变的栅格图像中的栅格交叉点作为控制点,利用光学成像关系推算出栅格交叉点的理想无畸变位置,构成径向基函数神经网络的训练集。经过训练,可以确定径向基函数神经网络结构的优化参数。针对栅格图像进行了畸变校正实验,并与多项式变形法进行了比较。实验结果表明,所提方法能够自动、有效地校正图像畸变,效果优于多项式变形法。     

基于RBF神经网络的自回归系统辨识模型

根据神经网络能以任意精度逼近任意非线性连续函数的特点,通过径向基函数神经网络构建非线性动态系统的辨识模型。针对该模型输入值超出径向基函数的映射区域时将导致系统辨识输出值为零的现象,提出了一种基于改进径向基函数结构的自回归系统辨识的方法,有效地消除了零现象。这使得自适应辨识模型在较大的输入向量下能够逼近实际系统的输出,从而提高了系统辨识的鲁棒性。该方法的可行性得到了仿真验证。     

基于神经网络的复杂过程系统模型辨识

针对复杂生产过程中的一阶和二阶液位系统,利用MATLAB软件的神经网络工具箱,分别应用BP和径向基两种神经网络模型进行系统辨识,得到系统模型．通过结果比较,得出两种神经网络的应用特点：对于一阶非线性液位过程,径向基神经网络创建的数学模型性能较好;对于二阶线性液位过程,BP神经网络的建模效果较好;尽管BP神经网络的模型训练过程有学习收敛慢、局部最小点、层数和单元数不易确定的缺点,但其函数逼近的精确度对二阶线性的辨识具有独特优势．     

大坝变形蚁群聚类径向基函数神经网络安全监控预测模型

本文研究了蚁群聚类法和径向基函数神经网络的基本原理,结合大坝变形安全监控的要求,探讨了大坝变形监测数据聚类处理方法,构建了径向基神经网络隐层基函数,由此表征了大坝变形规律的影响因素与变形之间的非线性映射关系.通过上述研究,建立了大坝变形蚁群聚类径向基函数神经网络(ACC-RBF)安全监控模型.实例分析表明,所提出的模型比传统的径向基神经网络模型预测精度更高.     

非线性系统建模的复合型模糊神经网络研究

针对非线性系统建模问题,提出了一类由函数逼近和规则推理网络构成的复合型模糊神经网络,其规则网络基于过程先验知识用于对操作区间的划分,而函数网络采用改进型模糊神经网络结构完成非线性函数逼近。采用一类非线性函数模型进行了仿真研究,结果表明,复合型模糊神经网络较之普通模糊神经网络在建模收敛速度和预测精度等方面都有较大的改善。     

基于U模型的神经网络PID控制系统设计

研究一类非线性对象的建模,提出通用的非线性U模型表达式。在非线性U模型基础之上,提出径向基神经网络PID控制算法,采用梯度下降法与PID位置增量算法相结合,根据径向基神经网络在线辨识非线性被控对象,得出Jacobian信息去修正PID控制器参数,最终完成非线性系统的精确控制。仿真结果证实,采用高精度的非线性U模型及神经网络PID控制算法提高了非线性控制系统的精度。     

基于U模型的神经网络PID控制系统设计

研究一类非线性对象的建模,提出通用的非线性U模型表达式。在非线性U模型基础之上,提出径向基神经网络PID控制算法,采用梯度下降法与PID位置增量算法相结合,根据径向基神经网络在线辨识非线性被控对象,得出Jacobian信息去修正PID控制器参数,最终完成非线性系统的精确控制。仿真结果证实,采用高精度的非线性U模型及神经网络PID控制算法提高了非线性控制系统的精度。     

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。     

粒子滤波在复杂工业过程中的应用

复杂工业过程往往具有不确定性、非线性、大滞后、强耦合等特点,难以建立在线控制模型.为了克服复杂工业过程中的非高斯、强非线性等因素对系统建模的影响,利用粒子滤波算法对非线性、非高斯系统进行全局优化的优势,对系统模型进行优化,使系统模型能够更加准确地反映系统的真实状态,提出一种基于粒子滤波的径向基函数(RBF)神经网络控制...     

基于RBFNN的强化学习在机器人导航中的应用

在复杂连续环境下,强化学习系统的状态空间面临维数灾难问题,需要采取量化的方法,降低输入空间的复杂度。径向基神经网络(RBFNN:Radial Basis Function Neural Networks)具有较强的函数逼近能力及泛化能力,由此提出了基于径向基神经网络的Q学习方法,并将其应用于单机器人的自主导航。在基于径向基神经网络的强化学习系统中,用径向基神经网络逼近状态空间和Q函数,使学习系统具有良好的泛化能力。仿真结果表明,该导航方法具有较强的避碰能力,提高了机器人对环境的适应能力。     

分解型分类数据挖掘算法研究及改进

神经网络由于具有良好的非线性映射能力和对任意函数的准确逼近能力，用于分类问题中的分类规则提取往往能获得很高的精度．本文针对一种分解型基于前馈网络的数据挖掘算法做了深入研究，给出了算法流程．根据其结构复杂的特点对前端输入做出了优化，并基于JOONE（Java Object Oriented Neural Network）构造了RBF（Radial Basis Function）径向基分类神经网络，且通过UCI数据集验证了该方法的有效性．     

变量可分离函数的RBF神经网络拟合模型及其VC维

提出变量可分离函数的径向基函数网络拟合模型(Fitting Model based Radial Basis Function network to Variable Separable Function,VSRBF)及其学习算法并分析VSRBF的VC维.VSRBF是一个由多个子径向基函数网络组成的分工协作系统,由于把高维模型分解为低维模型,与传统径向基函数网络(Based Radial Basis Function Network,RBF)相比,VSRBF不仅明显地降低了系统复杂性而且网络的收敛速度更快.证明了VSRBF的VC维低于传统RBF的VC维,实验表明VSRBF在处理高维模型的行为明显优于RBF.     

基于IRBFNN和IRAN的非线性动态系统在线自适应建模

将资源分配网络算法(RAN)与相似隐单元合并操作、冗余隐单元删除操作和基于滑动数据窗连接权值学习相结合,形成了改进的资源分配网络(IRAN)算法。IRAN算法用于非线性动态系统的在线建模,能有效地改善模型精度和泛化能力。将改进径向基函数(RBF)神经网络(IRBFNN)和IRAN结合可以用于不确定非线性动态系统自适应建模。仿真研究表明:所提出的建模方法在模型精简、泛化和自适应等方面均具有优良的性能。     

基于对称Levy函数的径向基函数神经网络用于股市预测

在做径向基函数预测股票数据产生的非线性时间序列研究的时候,发现股票数据有标度行为。用对称Levy函数来取代高斯函数作为径向基函数神经网络的径向基来作预测,获得了更好的预测结果.     

变体近空间飞行器的鲁棒自适应控制

针对变结构近空间飞行器在大包络飞行过程中具有切换的后掠翼、非线性、快时变、强耦合和不确定的特性,提出基于全调节径向基神经网络(Fully Tuned Radial Basis Function Neural Network,FTRBFNN)和动态面backstepping的鲁棒自适应跟踪控制策略。该方法利用FTRBFNN在线逼近飞控切换模型中的复合干扰,应用带有动态面的backstepping方法,设计适用于任意切换后掠翼角光滑的反馈控制器。通过公共李氏函数,证明了所提出的控制方法可以保证闭环切换系统的输出跟踪误差在有限时间内收敛到任意小的有界集内。仿真实验结果表明该飞控系统具有良好的控制性能。