动态测量误差灰色预测建模辨识参数修正方法

基于现代误差修正技术,研究灰色系统理论建立的动态测量误差短期预测模型,以进行误差修正,提高动态测量精度.文章重点分析了所给模型的参数辨识与修正问题,并以长光栅测量系统为对象,对其得到的动态测量误差进行实践,提出在预测过程中对影响测量结果的模型辨识参数修正的方法,从而提高测量模型的精度.     

基于RBF神经网络多步预测的自适应PID控制

提出一种基于RBF神经网络多步预测的自适应PID控制算法．该算法用无局部极小的径向基函数网络对非线性系统进行在线辨识，利用多步预测误差对PID型控制器网络进行训练，从而实现PID参数的在线自适应寻优．通过对典型非线性系统的仿真研究，该控制系统具有较强的适应性和鲁棒性．     

改进型灰色神经网络模型在水质预测中的应用

介绍了三类改进的灰色模型和BP神经网络。将三类改进的灰色模型与神经网络进行组合,得到改进型灰色神经网络组合模型,将一维序列通过三个改进的灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构。将组合模型应用到嘉陵江磁器口断面总磷浓度的预测中,结果表明:(1)用该组合模型进行预测,相对误差均在5%以下,预测精度较高,取得了较理想的预测效果;(2)WPGM(1,1)、pGM(1,1)、CGM(1,1)、组合模型预测的平均相对误差分别为5.05%、34.01%、33.65%、3.02%,与单一灰色预测方法和灰色神经网络模型相比,组合模型的适应能力和预测推广能力更好,预测精度更高。     

基于灰色模型的耕地变化预测

应用灰色系统预测理论,建立了福州市耕地预测模型GM(1,1),利用1990-2005年耕地面积建立时间数列,对其求解、检验和预测,得到今后数年的福州市耕地面积数量.     

基于灰色预测对我国心血管疾病的研究

针对我国心血管疾病发病率,选取2005—2012年我国城市男性及女性不同年龄段心血管病发病率的时间序列数据,通过级比检验,确认所选数据适合进行灰色预测,为此运用所选数据建立相应的GM(1,1)模型.运用MATLAB编程,对男性及女性不同年龄段心血管病的发病率分别拟合,拟合精度良好.作外推预测,得到2013—2020年男性及女性不同年龄段心血管病发病率的预测值.预测结果表明,不同年龄段的我国城市男性心血管病发病率高于女性,而且随着年龄的增长呈现上升的趋势.     

煤炭市场价格的灰色预测

本文通过对煤炭市场价格及其影响因素的分析,应用灰色系统理论建立了煤炭市场价格灰色动态预测数学模型,通过计算举例及误差分析表明,该模型的建立是合理的．它为煤炭市场价格的预测提供了一种有效的方法和手段．     

滑动平均法改进型灰色预测模型在德山开发区电力负荷预测中的应用

利用灰色控制理论对德山开发区电力需求量进行预测.用生成方法对原始数据进行处理,消除了影响电力需求量的众多非重要因素,并从原始数据中挖掘有用的信息,建立微分拟合方程,基于残差修正提出滑动平均法改进型灰色预测模型,增加当年数据的权重,避免数值的过度波动.德山开发区电力负荷预测结果表明该模型能有效提高预测精度.     

基于修正动态组合模型对公共交通客运量的预测

针对公共交通客运量的预测问题,结合ARIMA、灰色预测以及BP神经网络的优势,采用临近期的误差平方和来计算动态权重,将突发事件定义为影响因子,建立了修正动态加权组合模型．选取北京市1978—2021年公共交通客运量进行实证分析．实证分析结果表明,修正动态加权组合模型的预测效果比单一模型和固定权重组合模型更好．     

基于神经网络股票预测的研究

利用股票市场的理论和神经网络的BP算法来预测股票价格.先对股票进行基本面的分析,再对股票进行技术面的分析.运用技术分析的技术指标和神经网络优势,对股票进行大数据量的训练,使得模型可靠,再对股票进行测试.从实验的效果来看,取得令人满意的效果.     

广义预测自适应控制及改进算法研究

控制实践中许多复杂的工业系统数学模型很难精确建立,而且工业对象的结构和参数往往具有不确定性,要建立精确的数学模型非常困难.针对此问题提出了广义预测自适应控制算法,在此基础上介绍了隐式广义预测自校正控制,对其进行仿真研究,结果证明了该算法的有效性和优越性.     

医用内窥镜图像校正的BP神经网络方法

用传统的畸变校正法对内窥镜图像进行校正存在畸变模型复杂、计算量大、易产生误差等问题. 该文利用标准模板,提取样本点在标准图像和内窥镜拍摄的畸变图像中的坐标,分别作为BP神经网络训练的输入和目标,通过神经网络的训练拟合成像镜头的畸变模型,从而确定标准图像和畸变图像上像素点的位置关系. 再通过图像插值的方法进行图像恢复,实现图像校正. 实验结果表明该方法简单有效,具有精确性.     

一种基于神经网络辨识的预测方法

针对时变的非线性系统,将传统的预测控制与神经网络逼近任意非线性函数的能力相结合,提出一种基于神经网络辨识的预测方法.同时选用含有调整参数的双曲正切函数作为节点的激活函数,弥补由于未考虑激活函数的输出值域、影响神经网络辨识精度和速度不足的问题.仿真结果表明,它适用于无滞后和有滞后的时变非线性系统,辨识收敛速度快、精度高,并具有较强的自适应性和鲁棒性.     

基于T-S模型的智能PID控制

提出一种基于分段线性模糊模型的T-S模型,并与传统PID控制器相结合设计了一种模糊神经网络PID控制器,它具有模糊系统非线性、可解释性的特点,神经网络的自学习和自组织功能.对其进行非线性时变系统仿真,仿真结果表明该控制器较常规PID控制器的调整时间可明显缩短.     

脉冲电镀电源的一种神经网络控制方法

提出了一种用于脉冲电镀电源的神经网络控制器,并对脉冲变压器建立了数学模型.通过对整个电源系统进行仿真、实验,表明这种给予动态BP神经网络的控制器可以提高控制精度,并且对非线性.时变电镀负载有较强的适应能力.     

基于人工神经网络的CSTR温度控制研究

在对自适应神经网络进行分析和研究的基础上,对连续搅拌反应釜进行了建模,使用基于径向基函数的神经网络系统对釜内的温度进行了控制.使用MATLAB实现了温度控制系统,仿真实验结果表明,文中设计的模型和系统具有良好的自适应性、鲁棒性和抗干扰能力.验证了人工神经网络在CSTR中的温度控制的应用,为CSTR的控制提供了一种新的方法.     

基于神经网络的机械臂自适应输出反馈控制设计

研究了机械臂的位置跟踪问题,提出了基于神经网络的自适应输出反馈控制方法. 该方法无需系统精确的数学模型,适用于具有非线性不确定性和外界干扰的机械臂控制系统. 设计的控制器由三部分组成：基于动态补偿器的输出反馈控制项、神经网络自适应控制项和鲁棒控制项. 神经网络的权值自适应学习率由Lyapunov稳定性理论得出. 仿真结果表明设计的控制器能驱动机械臂精确跟踪期望的位置,验证了该控制方法的有效性.     

基于混合神经网络的协同过滤推荐模型

数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络(convolutional neural network, CNN)和降噪自编码(denoising auto-encoder, DAE)神经网络混合的神经网络评分预测模型(convolutional-denosing autoencoder, CDAE)对用户未评分项目进行预测评分,从而解决数据稀疏性问题.首先将向量化后的用户评论数据通过卷积神经网络训练得到用户特征向量矩阵,其次将用户特征向量矩阵作为降噪自编码神经网络的初始权重,结合用户评分数据经过降噪自编码神经网络训练,得到用户-项目预测评分,然后在此基础上进行基于用户的协同过滤推荐.最后使用movielens-1M实验数据集对比验证了提出的混合神经网络协同过滤推荐(convolutional-denosing autoencoder collaborative filtering, CDAECF)模型.实验证明,所提出的CDAECF模型能够有效地结合隐性反馈和显性反馈数据,具有较高的推荐准确率.     

单幅图像的三维重构视觉系统误差修正

基于改进两步法的标定思想,在三维重构中提出了一种新的视觉系统参数标定与镜头畸变修正方法。该方法利用图像中心附近点畸变量较小的性质,用中心附近点和全场视点对CCD相机和DLP投影仪的内外部参数标定和镜头畸变校正进行分离。标定过程中,所设计的带标准圆阵列的靶标和伪随机连续方形编码可以实现特征点的自动识别和匹配。实验证明,该方法能快速、方便地对视觉系统进行标定和畸变误差修正,提高了三维重构精度。     

网络控制系统的自适应预测控制

针对具有随机时延的网络控制系统,提出一种自适应预测控制方法. 利用Elman神经网络对网络控制系统的随机时延进行在线预测,然后采用一种增加微分作用的改进隐式广义预测控制方法对网络时延进行补偿,实现了随机时延网络控制系统的自适应预测控制. 仿真结果表明,该方法对网络随机时延有很好的补偿效果,可明显改善系统输出性能,保证控制的稳定性与快速性.