基于模糊神经网络的钳式吊大车行走力矩跟随控制系统

根据主机参数设计一个模糊神经网络控制器,利用模糊神经网络使从机的速度和力矩跟随主机,以实现主从跟随模式;根据设计参数进行仿真和运行,成功用于钳式吊控制系统.     

基于理想轨迹学习的机械手神经自适应控制

在机械手鲁棒控制的基础上,讨论了神经网络逼近误差界未知情形下机械手的神经网络直接自适应控制方法,这里神经网络用于补偿系统的不确定性,提高整个系统的跟随性能。提出设计方法的主要特点是神经网络控制器设计采用机械手待跟随的理想关节信号代替实际的机械手关节角、关节速度和关节角加速度作为神经网络的输入,此外神经网络的逼近误差界假设是未知的。给出了具体的系统设计算法,并证明了神经网络学习算法的收敛性和整个系统的全局稳定性。最后,一两连杆机械手的控制器设计仿真实例验证了提出算法的有效性。     

船舶冷却水系统智能故障诊断设备

以大连海事大学实习船“育鲲”轮冷却水系统为研究对象,开发一种可应用于船舶主机冷却水系统中的智能故障诊断设备.以RBF神经网络为故障诊断模型,利用MATLAB与VC++混合编程方法,开发故障诊断程序.程序根据所设计的训练样本集创建并训练神经网络,程序接收由下位机MCGS所采集的系统运行参数,计算后将结果返回.MCGS工控机根据计算结果判断冷却水系统的实时运行状态,并给出相应的报警提示,从而达到智能故障诊断的目的.     

无人机神经网络重构控制

针对无人机可重构飞行控制系统提出一种基于径向基神经网络的模型跟随自适应逆重构控制方法,其核心是建立内外控制回路,内回路运用自适应逆控制,使得系统不受外部扰动和测量噪声的影响。外回路采用神经网络模型跟随自适应控制结构,使用神经网络和比例混合控制器,对参考模型和系统输出之间的误差进行自适应调整,利用误差来改变神经网络控制器的参数,使得系统达到满意的动态性能。并通过一个具体重构仿真结果证实了该方法的有效性。     

一种用于非线性系统的神经网络自适应控制系统结构

本文提出了一种用于非线性系统的神经网络自适应控制结构。仿真计算表明它具有较好的跟随性和抗干扰性指标，对系统参数的变化具有较强的鲁棒性。在系统结构和寻优方法上，它不依赖于被控对象的数学模型，所以本文提出的系统结构对于非线性系统的设计、综合具有比较普遍性意义。     

基于BP神经网络PID的直流电机调速系统设计

本文根据直流电动机的数学模型,建立了状态空间方程,分析了直流电动机的可控性。同时,本文根据BP神经网络算法的控制理论设计了双闭环直流调速系统的相关算法。并用MATLAB软件进行仿真,实现了闭环控制系统的响应速度快、跟随性能好等功能。     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.     

双重积分时滞对象的二自由度IMC-PID控制

针对一类具有时滞的双重积分对象,根据内模控制理论提出一种二自由度IMC-PID控制器设计方法.所设计的控制器具有两个可调参数,而且被调节参数与系统性能直接相关,通过调节这两个参数,可使系统同时具有良好的目标值跟随特性和干扰抑制特性.仿真结果表明它的有效性.     

“巨”型负磁导率材料的优化设计

针对单回路＂巨＂型负磁导率材料结构和设计要求,基于神经网络和遗传算法理论进行了结构优化设计.通过正交实验法选出了负磁导率材料结构参数样本;利用HFSS得到的仿真实验样本对BP神经网络进行训练,建立了结构参数和结构性能之间的映射关系;根据设计要求定出相应的适应度函数表达式,经过遗传进化得到了优化的负磁导率材料结构参数.     

离散时延系统最优模型跟随的H_∞算法

讨论了H∞范数最小意义下离散时延系统的模型跟随问题．根据被控对象开环零点的不同分布，可分为完全模型跟随、不完全和临界不完全模型跟随．当对象参数未知时；通过系统参数辩识组成自适应模型跟随控制器，并给出相应算法．     

某型航空发动机涡轮盘的可靠性灵敏度设计

航空发动机涡轮盘结构比较复杂,无法直接获得极限状态方程的显示表达式.针对这一问题,提出了涡轮盘可靠性灵敏度设计的Monte Carlo-随机有限元法与神经网络技术相结合的方法.考虑了涡轮盘结构的几何尺寸、材料性能特性和环境载荷的随机性,利用神经网络的非线性映射功能,模拟得到随机响应与随机参数的关系表达式,采用一次二阶矩法进行可靠性设计;通过对涡轮盘的可靠性灵敏度设计,得到了各参数均值和方差对涡轮盘可靠性的影响情况.利用结构可靠性分析软件NESSUS验证了所提方法的正确性,为涡轮盘可靠性灵敏度设计提供了理论参考.     

边坡岩体力学参数反分析方法

为了提高数值计算结果的可靠度,基于正交设计、差分法和人工神经网络建立了新的边坡岩体力学参数反分析方法. 按照正交设计要求,选定反演参数的水平,确定数值模拟方案;用FLAC2D差分程序计算得出相应的神经网络分析样本;对RBF神经网络进行训练;利用现场监测位移,对某露天矿边坡岩体的力学参数进行神经网络反分析. 反分析结果与理论值的误差很小,满足精度要求,表明该反分析方法的可行性和精确性.     

韩家岭隧道围岩物理力学参数反分析

基于差分法、正交设计和人工神经网络建立了新的隧道围岩物理力学参数反分析方法·按照正交设计要求选取不同物理力学参数,用FLAC差分程序计算得出相应的神经网络分析样本;进行网络训练和网络结构及学习参数优化;利用现场监测数据,对韩家岭隧道围岩物理力学参数进行神经网络反分析,分析结果满足精度要求·     

基于PCA-BNN的页岩气压裂施工参数优化

国内外学者在已有大量国外页岩压裂样本数据的前提下,开展了基于机器学习的页岩气压裂有效期预测及压裂参数优化的研究。随着近年来中国F气田不断地规模开发,积累了大量的压裂施工、生产动态、解释成果数据。通过利用已有的200口井的压裂施工历史数据及储层物性参数建立贝叶斯神经网络模型来优化压裂施工参数。选取对压裂效果有影响的储层物性参数、完井参数、压裂施工参数,用皮尔逊相关系数法分析11个参数的相关性;用主成分分析法（PCA）进一步降维处理,以降维后的主成分作为贝叶斯神经网络模型的输入参数,以压裂效果评价指标（有效期）为输出参数,引入贝叶斯方法自适应调整正则化系数避免神经网络过拟合,生成三层贝叶斯神经网络预测模型。用200口井中90%的井数据作为训练集,10%的井数据作为测试集,对该模型进行训练,实验结果表明,训练后该模型预测测试集的相对误差均值在5%以内,可以用来优化压裂施工参数。     

多模块构架式空间可展开天线结构参数优化

为降低卫星天线的发射成本,提高天线的展开刚度,以多模块构架式空间可展开天线结构的质量和1阶固有频率为目标函数,基于误差反向传播（BP）神经网络和遗传算法对天线的结构参数进行了优化.运用ANSYS软件对支撑桁架的结构参数进行了数值模拟,得到了与设计变量对应的目标函数值;通过正交试验设计,构建了用于神经网络训练和检验的样本集;按照BP算法的基本思想,调整网络模型的参数,建立了用于优化的预测模型;采用分目标乘除法,将多目标优化问题转变成单目标优化问题;采用遗传算法进行了优化分析,得到了支撑桁架各杆件的设计参数.结果表明：该优化方法在降低天线质量的同时,使结构的刚度得到了提高,为天线的结构设计提供了参考.     

软测量技术在发酵过程中的应用研究

针对木糖醇发酵过程中关键参数在线测量难问题,建立基于均匀设计（UD）和遗传算法（GA）和神经网络（NNs)结构法,实现其在线软测量,实验表明,该模型可实现在线测量。     

人工神经网络与劲性混凝土柱截面设计

针对土木工程采用图表进行结构设计的不足,在劲性混凝土柱截面受力理论计算的基础上,综合考虑影响截面性能的主要因素,确定劲性混凝土柱截面设计的人工神经网络模型,该模型具有两个隐含层,分别具有４,９个隐含节点,优化了学习参数,用该模型对不贩样本集合分别进行学习与设计,设计结果与试件实际参数吻合良好,表明应用人工神经网络进行劲性混凝土柱截面设计不仅可行,而且精度较高。     

基于遗传神经网络的拉延筋参数辨识

拉延筋是板料冲压成形质量的一个重要影响因素,设计和布置拉延筋是冲压模具设计的关键。研究反映拉延筋成形效果的3个参数与拉延筋几何参数之间非线性映射关系,采用遗传算法优化的反向传播神经网络构建模型,并对模型进行参数辨识。仿真实验验证了此方法的有效性,可为拉延筋的设计提供帮助。     

基于遗传神经网络的钢管壁厚预测模型的研究

为解决钢管热轧过程荒管壁厚难以计算的问题,首先利用遗传算法优化了BP神经网络,在这种遗传神经网络算法的基础上建立了钢管轧制前毛管温度、长度、外径、轧辊转速、芯棒直径五项工艺参数与钢管轧制后荒管壁厚之间的数学模型.经过测试,基于遗传神经网络的钢管壁厚预测模型的壁厚预测误差远小于常规壁厚公式的计算误差,为设计更合理的设置毛管参数提供了科学的依据,对钢管热轧工艺水平的提高的具有重要意义.     

基于RBF的TCP网络自适应滑模控制

针对TCP网络的拥塞控制问题,提出了一种基于RBF神经网络的自适应滑模控制算法.为了简化滑模控制器的设计,将系统的各个不确定参数和非线性补偿整合成一个总的不确定.考虑到网络系统的不确定性上界很难获得,使用RBF神经网络对系统不确定的上界进行自适应学习.将RBF神经网络的输出作为不确定上界的补偿,从而消除了系统的不确定带...