基于Levenberg—Marquardt算法的应力集中预测

应用应变电测的基本原理及技术,测量所研究试件应力集中附近处的应变值,以神经网络技术为基础,采用单隐层网络结构,以Levenberg-Marquardt算法来训练网络,笔者在收集已有相关资料的基础上,对应力集中处的最大值进行了预测,通过与常用的应力集中预测模型进行数值计算比较,表明该模型预测精度高,可靠性强,模型中所采用的数据预处理方法,大大扩大了模型的应用范围。     

一个解非光滑方程组的Levenberg-Marquardt算法

给出了一个求解非光滑约束方程组的Levenberg-Marquardt算法,每一步迭代中只需求解一个严格凸的二次规划问题．首先,利用松弛变量的绝对值函数将原问题转化成一个无约束方程组;然后,结合光滑化技术设计Levenberg—Marquardt算法．此算法具有全局收敛性,并且在弱于非奇异性的局部误差界条件下,具有局部二次收敛性质．初步的数值试验结果表明,此算法实际计算效果良好．     

基于Levenberg-Marquardt算法的用户鉴别

为了维护计算机系统的安全,一般通过设置用户口令以便进行身份鉴别,防止他人冒名顶替.口令鉴别的主要弱点在于,一旦被窃,冒名顶替者就可以轻而易举地进入用户的私人账户进行非法活动.击键动力学的研究是给口令加上一个简便而有效的保护措施.击键动力学方法通过获取并分析用户敲击键盘的特征数据,自动地识别出用户的真实身份.这一辅助身份鉴别的关键问题主要是寻找准确率高、执行速度快的识别算法.本论文采用Levenberg-Marquardt(LM)算法对上述存在的问题进行了研究.     

神经网络监督控制在船用一体化压水堆功率控制中的应用

设计了一种船用一体化压水堆功率控制的神经网络监督控制系统,在系统中神经网络作为前馈控制器,PID控制器作为反馈控制器.对压水堆功率控制过程进行了计算机仿真,仿真结果表明,与传统的PID控制相比,神经网络监督控制具有较强的自适应能力和鲁棒性,有效地提高了控制系统的精度.     

一种新的电液伺服系统神经网络自适应控制

提出一种基于直接模型参考的神经网络与滑模变结构控制相结合的神经网络自适应控制方法并对电液伺服系统进行控制,仿真结果表明用该控制方法的控制系统能实现较高粗度的控制,且具有较强的鲁棒性和自适应能力,具应用价值。     

基于神经网络PID控制的电液位置伺服系统

针对电液位置伺服系统,利用神经元的自学习、自适应特点,将神经网络与PID控制方法相结合,对电液伺服系统在线边学习边控制,实现系统的快速实时控制。仿真研究表明,该电液伺服系统具有令人满意的静、动态性能。     

基于模拟退火的Levenberg-Marquardt算法在神经网络中的应用

针对一般BP网络存在的一些缺陷,首次提出了利用基于模拟退火的Levenberg—Marquardt算法．在相同的初始条件下,用基于模拟退火的Levenberg—Marquardt算法的神经网络和Levenberg—Marquardt算法进行了比较,得出前者的特点和优点：收敛于全局最优解。一般函数逼近的实现表明,提出的算法是可行的,有效的。     

一种基于神经网络的LD—CELP算法

在低延时矢量激励性线预测（ＬＤ－ＣＥＬＰ）编码算法的基础上，提出了直接矢量量化的低延迟矢量激励线性预测编码方案（ＤＶＱ－ＬＤ－ＣＥＬＰ）采用误差反向传播神经网络（ＢＰＮＮ）来实现ＤＶＱ－ＬＤ－ＣＥＬＰ方法中的码本搜索算法，实现在保持原编码方法（ＬＤ－ＣＥＬＰ）生成误音的音质和码率的同时，降低码本搜索的复杂率，提高码本搜索算法的效率。     

基于RBFNN的PID控制及其在电液位置伺服系统中的应用

针对具有参数不确定性的电液位置伺服系统的跟踪控制问题,利用径向基函数神经元的自学习、自适应特点,将其与传统的PID控制方法相结合,对电液位置伺服系统进行学习和控制.仿真研究表明,利用基于径向基函数神经网络的PID控制能使电液位置伺服系统获得令人满意的跟踪特性和快速响应特性.     

液压系统中粒子群优化神经网络权值的控制算法

针对非线性、时变等缺陷导致传统的控制器控制效果较差、不适应电液伺服系统的现象,提出了用于电液伺服控制的基于粒子群优化算法对神经网络的权值进行学习训练的PSO-NN算法。结合电液伺服系统实例分析,用MATLAB仿真得到了输入阶跃信号和正弦信号时,PSO-NN算法的输出曲线以及适应度曲线;为了展示PSO-NN算法的效果,用BP算法仿真了对应输入阶跃信号和正弦信号的输出。仿真结果表明:在电液伺服系统的控制中,PSO-NN算法性能优于BP算法,系统输出具有更好的收敛性和对输入的跟随性,从而证明PSO-NN算法对于电液伺服系统的控制是合适并有效的。     

基于神经网络控制的电力机器人位置控制系统研究

建立了以气缸和气动阀为主的电力机器人位置控制系统的动力模型.根据系统的非线性特点,引入神经网络控制策略.利用神经网络自学习、非线性映射等特点,设计出基于BP网络的PID控制器,并进行仿真.结果表明,这种控制策略,能明显地改善系统的动静态性能,可以实现气缸活塞全行程任意位置的精确定位.     

一种基于BP网络的预测控制算法及其应用

将传统预测控制的优化策略与神经网络逼近任意非线性函数的能力相结合,提出了一种基于BP神经网络的新的预测控制算法,并针对一个工业装置控制实例,探讨了该算法在工业过程控制中的应用。仿真研究结果表明,该神经网络预测控制算法是切实可行的。     

基于免疫遗传算法的超声电机模糊神经网络控制

针对超声电机参数的时变性、系统内在的非线性和系统的强耦合性等特点,提出基于免疫遗传算法的超声电机模糊神经网络速度控制策略．实验结果表明,与传统模糊神经网络速度控制相比,采用该方法的系统能较好地实现设定的超声电机速度参考模型的自适应跟踪,响应速度脉动小,具有控制灵活、适应性强、控制精度高、鲁棒性强等优点．     

Wiener型系统基于神经网络的在线训练算法广义预测控制

利用RBF神经网络在训练算法和广义预测控制算法进行了Wiener型非线性模型预测控制的研究,仿真表明这种做法是可行的。     

神经元网络智能预测控制

本文基于自学习神经元网络模型，建立了智能预测控制系统，给出了网络系统的算法，阐明了智能控制器的设计以及自学习机理。仿真结果表明，方法具有良好的动态特性和鲁棒性，适用于大滞后系统和非线性系统。     

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。     

基于神经网络的拉索主动控制力的实现

拉索容易在外部激励下发生大幅振动,给拉索提供轴向控制力进行拉索主动控制是一种新的方法.本文拉索主动控制策略采用经典二次型线性最优控制,由于LQR控制的关键是根据状态矩阵即时求出Riccati方程,但是Riccati方程是一个矩阵非线性方程,其阶数高,变量间又相互耦合,求解十分困难,为了减小控制力输出滞后,更快的求解出控制力,更好的应用于拉索实时控制,本文基于神经网络具有很强的学习能力和非线性逼近能力,根据大量实验数据采用神经网络方法来预测下一步拉索振动状态所对应的控制力,并进行了仿真,证实了其有效性.     

基于神经网络的无监督自学习控制系统

所论系统的控制由两个神经网络完成,即对象放识器和系统控制器。并且提出了一种 新的学习算法,它能利用存贮于辨识网络的信息改进控制策略。该控制系统可以对非线性系统,不确定系统等进行无监督的学习控制。     

基于贝叶斯算法的神经网络优化方法

提出了一种近似建模的前馈网络训练算法一贝叶斯算法,该方法能对模型中的未知量构造其后验分布,提高网络的泛化性能,获取对应于后验分布最大值的权值向量．结果表明,贝叶斯算法所建立的神经网络近似模型具有更高、更稳定的精度．