基于神经网络的汽车操纵逆动力学模型识别

针对驾驶员建模中不确定因素的影响,采用操纵逆动力学方法,反求出驾驶员的操纵输入来避开驾驶员建模.神经网络作为一种较好的识别驾驶员输入的方法,其学习速度和收敛精度会影响识别精度.为了提高汽车操纵逆动力模型识别时神经网络的学习速度和收敛精度,基于Elman网络,采用一种新的动态神经网络结构——状态延迟输入动态递归神经网络(SDIDRNN).首先,建立三自由度人—车闭环模型并以实车试验数据验证了模型的正确性.然后,通过建立SDIDRNN网络模型,取闭环模型的仿真结果做为训练样本,对汽车操纵逆动力模型进行了识别,所得结果及误差分析说明了该神经网络在学习能力上的优越性及识别模型的有效性.     

基于神经网络的迟滞非线性逆模型

为了补偿迟滞特性对系统的不良影响,提高迟滞非线性系统的控制精度,建立了神经网络迟滞非线性逆模型.由于神经网络不能够直接逼近迟滞逆这种具有记忆性的多映射现象,通过引入一个迟滞逆算子,将多映射的迟滞逆转换成一一映射,然后运用神经网络来逼近这个一一映射从而建立一个基于神经网络的迟滞逆模型.该模型的主要优点是结构简单、精度高,可以在线调整神经网络的权值以适应不同工作条件下的迟滞逆辨识.最后,运用该方法对压电执行器中的迟滞非线性建立了逆模型.     

具有延时的神经网络的稳定动力学运行为分析

用Ｒａｚｕｍｉｋｈｉｎ型的Ｌｉａｐｕｎｏｖ泛函方法得到了如下结果：当仅矩阵对称或属ＤＳ类非对称时，小延时的Ｈｏｐｆｉｅｌｄ模型及ＣｏｈｅｎＧｒｏｓｓｂｅｒｇ模型与无延时的模型都具有渐近稳定的吸引子－平衡点集。     

基于遗传-神经网络的电机故障诊断

本文采用非线性最小二乘法中的LM(Leven-berg-Marquardt)算法,结合遗传算法进行电机故障诊断的方法,并应用于电机故障的仿真实验,性能明显优于单一的算法结构.1神经网络模型及算法本文采用的LM算法是一种利用标准数值优化技术的快速算法,是高斯-牛顿法的改进形式[1].LM算法网络     

基于遗传神经网络的股票价格预测

针对股票市场的复杂性,本文将遗传算法用于BP神经网络的训练过程,建立了相应的优化模型,并将其应用于股票价格的预测。采用遗传算法对网络结构和权值进行优化,提高了网络的预测精度。实践表明：该方法预测精度高、误差小,值得推广。     

基于遗传神经网络的汇率价格短期预测

该文将遗传算法和人工神经网络相结合,建立了遗传神经网络模型,并且应用到汇率价格的短期预测.结果表明,如果对网络以一组汇率数据加以良好的训练,该模型就有较好的预测能力.     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

免疫遗传优化Elman神经网络的旋转机械故障诊断

针对旋转机械故障诊断过程中故障知识相互关联的过程难以用传统机器学习模型快速得到全面的典型故障数据,提出一种免疫遗传算法（immune genetic algorithm,IGA）优化Elman神经网络的故障诊断模型。首先对滚动轴承振动信号进行经验模式分解（empirical mode decomposition,EMD）,得到多个内禀模态分量（intrinsic mode function,IMF）,再提取表征状态特征的内禀模态分量能量构建特征向量输入到IGA优化的Elman神经网络进行故障模式辨识,IGA参数优化可快速准确得到Elman神经网络的全局最优权值和阈值向量,提高Elman神经网络     

柔性机械臂逆动力学问题的分析和求解

采用割线坐标系对机械臂的运动进行了描述 ,并分快变和慢变两方面进行逆动力学问题的分析与求解 .在对快变部分逆动力学性质的分析中发现 ,快变部分精确的逆动力学解是发散的 .在进行柔性机械臂逆动力学求解时 ,应在慢变的意义上进行 .文中给出了一种去掉系统快变部分的简单方法 ,并进行了逆动力学求解 .数值仿真结果表明 ,该处理方法是合理的     

基于神经网络逆系统的智能汽车纵横向解耦控制

针对汽车纵横向运动中的耦合现象,以四轮驱动、前轮转向的智能汽车为研究对象,建立汽车纵横向动力学模型并通过Interactor算法对模型的可逆性进行分析.在已有的传统伪线性系统结构的基础上,根据智能汽车的特点,建立了可对接智能汽车上层规划模块的伪线性系统.为了实现汽车纵横向运动之间的解耦,采用基于神经网络逆系统的解耦控制策略,构造神经网络并对其进行训练,并将神经网络逆系统与内模控制器组成闭环控制回路,对纵向速度和横摆角速度进行内模反馈调节,进一步提升控制系统的性能.仿真结果表明,所设计的基于神经网络逆系统的控制方法能实现良好的解耦特性,且相比于其他的控制方法,在各种输入条件下,都能实现对于期望速度和期望横摆角速度良好的跟踪性能,同时,质心侧偏角始终被控制在一个较小的范围内,这有利于智能汽车路径跟踪的精确性和行驶稳定性.     

基于遗传神经网络的AZ91镁合金力学性能预测

在合适的参数条件下径向基函数神经网络能够以任意的精度来逼近任意的函数,遗传算法是一种高效的全局寻优的搜索方法.将遗传算法和径向基函数神经网络相结合,建立遗传神经网络,运用到合金设计的性能预测方面.使用简单易行的二进制编码方法,在寻求径向基函数神经网络隐含层神经元最优中心矢量的同时确定其最优个数,通过设定合理的目标函数解决网络函数逼近能力与泛化能力之间的矛盾.试验证明,该方法在合金性能预测方面有较好的效果,能够成为合金设计有力的辅助手段.     

基于遗传神经网络的AZ91镁合金力学性能预测

在合适的参数条件下径向基函数神经网络能够以任意的精度来逼近任意的函数,遗传算法是一种高效的全局寻优的搜索方法.将遗传算法和径向基函数神经网络相结合,建立遗传神经网络,运用到合金设计的性能预测方面.使用简单易行的二进制编码方法,在寻求径向基函数神经网络隐含层神经元最优中心矢量的同时确定其最优个数,通过设定合理的目标函数解决网络函数逼近能力与泛化能力之间的矛盾.试验证明,该方法在合金性能预测方面有较好的效果,能够成为合金设计有力的辅助手段.     

车轮踏面擦伤的集成粗糙神经网络预示诊断

车轮踏面擦伤的预示诊断对列车安全运行具有重要意义。在分析粗糙集和神经网络特点的基础上,结合预示诊断中多传感器、多特征的要求,提出了一种粗糙集与多个神经网络相结合的车轮踏面擦伤预示诊断方法。该方法采用时频域都具有高分辨率的小波分析从车轮振动信号中提取擦伤特征,利用粗糙集的数据约简确定神经网络的初始拓扑结构,通过网络训练建立故障特征与故障之间的映射关系,从而实现踏面擦伤的多传感器融合诊断。实验结果表明该方法具有良好的预示诊断性能。     

基于模式识别神经网络的重力匹配算法

为了提高重力辅助惯性导航系统在重力异常明显区域内的定位精度和匹配率,用模式识别神经网络的方法进行了重力匹配.在匹配时刻,根据惯导指示位置确定在一定的网格点范围内搜索载体真实位置,以每个网格点为终点把惯导指示航迹放置到重力图上,由此提取一系列的参考重力图上数据,并把它和对应网格点的位置定义成一个模式类,把所有的模式类作为概率神经网络的样本训练一个模式识别神经网络,然后把重力仪测量数据使用该神经网络识别到某个模式类,对比模式类的定义可以确定此时的载体位置.计算仿真研究表明,该算法的重力匹配率优于通常的相关匹配算法,其组合导航系统的定位误差在1个重力图网格左右.     

基于GA-BP神经网络的深海集矿机避障系统

结合深海集矿机的实际作业环境,建立集矿机的实时避障神经网络模型。该模型采用多传感器融合技术,将声纳传感器采集到的环境信息进行处理后作为BP神经网络的输入;设定车体的注视向量、转向角和速度为网络输出;根据集矿机实际行进情况,并综合人的行走经验,设置能够实现实时避障的网络导师训练信号。引入遗传算法对已建立BP避障模型进行改进,以克服局部极小值问题。仿真研究表明:遗传算法优化后的BP神经网络,能够有效训练达到预期目标,并能在很大程度上克服BP网络的局部极小值问题。在Matlab中给出障碍物环境中的避障仿真结果,表明此方法的可行性。     

基于自适应遗传算法的神经网络字符识别

为了增强传统自适应遗传算法在进化初期的鲁棒性及避免早熟收敛,给出了一种改进算法,并利用这一算法来调整BP模型的网络权值与阈值,最后将新算法应用于字符的识别.仿真结果表明,新算法比BP算法具有更强的识别能力.     

基于PSO-RBF神经网络的串联机械臂逆运动学分析

针对目前基于神经网络对串联机械臂求逆解方法中出现的精度不足和实时性较差的问题,使用粒子群优化(particle swarm optimization,PSO)算法对径向基函数(radial basis function,RBF)神经网络进行结构优化,提出一种基于PSO-RBF神经网络的机械臂逆运动学算法。首先由正运动学模型获取神经网络训练和测试参数样本,经过欧拉角变换在神经网络输入端建立机械臂关节位姿映射关系,然后通过PSO算法对径向基核函数进行参数寻优并对测试样本求解分析,最后获取经逆运动学求解后机械臂的运动轨迹,验证了该算法的可靠性。仿真结果显示,由PSO-RBF神经网络逆运动学算法能够快速得出满足精度要求的关节角度,为进一步机械臂工业控制提供了理论支持。     

神经网络的遗传繁殖策略

借助神经网络技术对遗传算法中的后代个体的繁殖进行了研究,介绍了基于神经网络的遗传繁殖新策略,探讨了基于神经网络的遗传繁殖策略的实现,对基于神经网络的繁殖策略还进行了初步实验.数值实验结果表明,提出的基于神经网络的遗传繁殖策略能产生优良的后代个体.     

基于遗传算法的Hopfield神经网络集成

针对遗传法中存在的缺欠,根据神经网络和遗传算法原理在优势互补的条件下,提出了一种新的求解方法,即GA-Hopfield 网络方法;该方法就是利用 GA 很强的全局搜索能力来弥补 Hopfield 网络容易陷入局部最优的缺陷的优化方法,且对此模型进行了有效性验证,具有一定的理论研究和应用价值.     

基于GA-BP神经网络的加速工况车内声品质研究

遴选出15辆乘用车三挡全油门加速工况车内噪声,选择专业评审者进行主观评价试验,选择具有噪声时变特征的4个客观评价参量,基于GA-BP神经网络建立精准的预测模型,同时将用该模型与多元线性回归模型得出的结果进行对比。研究表明,GA-BP神经网络模型更适合描述车内噪声品质评价的复杂性和非线性,可以获得更好的预测结果,可较大程度的提高预测精度。