基于神经网络的时变参数系统仿真优化方法

时变参数系统的仿真优化问题是一个新兴的研究课题,相比传统仿真优化,时变参数系统对实时性的要求高,而对解的精度要求不高。本文提出将该问题转换为一类神经网络预测问题,并从理论上证明了该方法的可行性。首先,线下构建神经网络模型描述输入参数到最优解的映射关系;然后,利用训练好的神经网络模型线上实时预测最优解。考虑到边界样本对最优解拟合曲面的影响,提出构建中心样本和边界样本,分别训练两个神经网络模型。仿真和实例表明,该方法能够随时变参数的变化实时给出满意解,从而为求解时变参数仿真优化问题提供一种新的解决思路。     

基于神经网络动态优化的再入轨迹设计

为解决当飞行器出现破损以及飞行器受干扰时的轨迹优化问题,新一代的再入式飞行器需要有实时在线轨迹优化的能力。神经网络动态优化算法(neural dynamic optimization,NDO)的主要特点是能使神经网络逼近最优解。神经网络动态优化算法可以避免传统的间接法在求解轨迹优化问题时协态变量初值猜测问题。给出了神经网络动态优化的原理,详细介绍了优化流程。仿真结果表明神经网络动态优化算法可以很好的避免协态变量初值猜测问题,具有较强的鲁棒性,能满足实时性要求。     

一种求解最优控制问题的混合WNN-PSO算法

针对最优控制问题的数值求解,提出了一种混合小波神经网络粒子群(WNN-PSO)算法,算法首先利用小波神经网络的非线性逼近能力参数化最优控制轨迹,将最优控制问题转化为非线性规划(NLP)问题,其决策变量为小波神经网络的参数,然后采用粒子群(PSO)算法优化小波神经网络参数,获得NLP问题的全局最优解.针对Bang-Bang最优控制问题和一个经典的化工过程最优控制问题进行仿真研究,验证了所提出算法的可行性和有效性.     

基于粒子群算法的抽油机故障诊断研究

提出了一种动态改变学习因子的粒子群算法,用以保证在粒子群优化算法的初始阶段,使粒子在进化初期仔细地在自身的邻域内搜索,防止粒子快速向局部最优解汇聚而错过自身邻域内可能存在的全局最优解,而在进化后期,使粒子快速、准确地收敛于全局最优解,提高算法收敛速度和精度。利用改进后的粒子群算法优化神经网络的权值和阈值,并把优化后的神经网络应用到抽油机故障检测中,结果表明用改进后粒子群算法优化的神经网络对抽油机进行故障诊断较传统BP算法更具准确性与快速性。     

四色和K色图着色问题的瞬态混沌神经网络解法

首先给出了用神经网络求解四色图着色问题的神经网络结构和能量函数 ,然后采用了具有瞬态混沌特性的神经网络 ( TCNN)来解四色图着色问题 .由于引入具有复杂动态特性的瞬态混沌使得该法具有很强的搜索全局最优解的能力 .仿真结果表明 ,用该法解四色图着色问题总能保证使能量函数收敛到最优解 ,有效避免了用传统的 Hopfield人工神经网络 ( HNN)解此问题时极易陷入局部极小的缺陷 ,并且收敛速度更快 .另外我们还用此法求解了属于 NP-完全问题的 K色图着色问题.     

求解一类组合优化问题的混沌搜索法

把混沌引入各种传统的优化计算模型中以避免系统落入局部最优陷阱 ,是一种行之有效的方法 .本文提出一种利用混沌搜索一类组合优化问题最优解的模型 ,并对其进行了理论分析和数值模拟 .与混沌神经网络模型相比 ,本模型避免了模型参数选择的难题 ,具有实现方便 ,寻优效果好的优点 ,为解决一类组合优化问题提供了新途径.     

双混沌神经网络及其在优化问题中的应用

分析了三种现有的混沌神经网络模型的优化性能,针对目前混沌神经网络收敛率不高和搜索时间较长的问题提出了一种双混沌神经网络。它不同于以往的混沌神经网络改进方法,不是延长退火时间或改变混沌程度来提高网络性能,而是通过混沌迭代搜索使混沌神经网络在有限步内找到全局最优解的初值来提高收敛率与收敛速度。这种方法能使混沌神经网络在应用中具有更好的全局优化能力,并且可以缩短混沌神经网络的搜索时间,对旅行商问题求解的仿真对比和函数优化问题的仿真,说明了新方法比现有方法具有更好的收敛率和更短的搜索时间。     

基于禁忌搜索的CDMA多用户检测算法研究

基于禁忌搜索 (tabusearch ,TS)的原理 ,提出了两种实现码分多址 (CDMA)系统的多用户检测 (MUD)的算法。一种是通过合理地选择初始解、当前解的邻域以及禁忌搜索表 ,构造禁忌搜索检测方法 ;另外一种是采用禁忌学习神经网络 (TLNN) ,通过神经网络状态方程的迭代完成最优检测目标函数的全局寻优。通过分析以及对同步和异步情况的仿真表明 ,这两种方法均具有多项式的计算复杂度 ,而TLNN比TS复杂度更低 ;它们优于传统、多级、Hopfield神经网络等方法 ,对远近问题不敏感 ,并且具有与最佳检测方法 (OD)接近的误码率性能。     

求解优化问题全局解的广义Gauss机方法

研究求解优化问题全局解的随机神经网络方法,将Gauss机模型拓展为广义Gauss机模型,使之能求解一般优化问题的全局解,算例表明该模型对求解全局最优解是有效的。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于遗传神经网络的自整定PID控制器

提出了一种基于遗传算法和神经网络的自整定PID控制器的设计方法。该控制器主要由三个部分组成。第一部分利用遗传算法搜索出一组准优的PID参数，作为PID控制器参数的初值，第二部分利用神经网络具有逼近任意非线形函数的能力，在线调整PID参数，以确保系统的响应具有最优的动态和稳态性能，第三部分是传统的PID控制器，直接对被控对象闭环控制。计算机仿真结果表明，这种控制算法鲁棒性强，响应速度快，可用于控制不同的对象和过程。     

基于Q学习的城市交通信号灯混杂控制

给出了一种单交叉口混杂交通控制器和仿真结果。首先,采用Q学习和BP神经元网络根据环境的变化决定最优的相位切换时间,然后增加一个模糊控制器决定最需要切换的相位,即决定相位次序。该方法在PARAMICS交通仿真软件中进行仿真,和定控制以及定相序控制相比,该方法具有明显的优势。     

高阶带阻滤波器优化设计研究

众所周知，传统BP神经网络收敛速度慢、学习效率低。之所以如此，主要原因在于人工神经元输出函数的同一化。本文提出的神经网络模型的主要特点是：用正交基函数作人工神经元的输出函数，而且每个神经元的输出函数各不相同。该神经网络模型有效克服了传统BP神经网络收敛速度慢、学习效率低的致命缺陷。本文还详细研究了FIR线性相位滤波器的幅频特性与余弦基函数神经网络算法的关系，给出了高阶带阻滤波器优化设计实例。计算机仿真结果表明了该算法在高阶带阻滤波器设计中的有效性和优异性能。     

基于一种改进的RBF神经网络的直接甲醇燃料电池建模

针对直接甲醇燃料电池(DMFC)系统过于复杂，难以数学建模。应用一种改进的RBF神经网络对DMFC系统进行辨识建模。模型以甲醇的浓度和流速为神经网络辨识模型的输入量，电池电压／电流密度为输出量，利用1000组实验数据作为训练和测试样本，建立了不同甲醇浓度和流速下电池电压／电流密度动态响应模型。应用仿真对建模的有效性和精度进行了检验，并与BP神经网络辨识的效果进行了对比。仿真结果证明RBF神经网络比BP神经网络收敛得快，建模精度高，从而为设计DMFC实时控制系统奠定了基础。     

不确定性机器人实时智能补偿控制

在神经网络在线学习控制中 ,实时性和控制精度是非常重要的两大指标。提出的一类具有多维存储结构的CMAC网络 ,提高了网络的泛化能力和学习速度。利用这一网络 ,针对不确定性机器人系统 ,考虑其标称模型 ,提出了一种新的实时智能补偿控制策略 ,并利用Lyapunov方法得出了系统全局渐近稳定的充分条件和网络学习律。在该控制策略中 ,系统的控制输入由两部分组成 :基于标称模型的计算力矩及补偿输入 ,其中补偿输入为系统标称惯性矩阵与神经网络输出的乘积。最后给出了仿真实例来说明该控制策略的有效性     

常规飞机的神经网络逆模型

推导了用低维的神经网络实现常规飞机逆模型的公式。先通过气动方程将飞机的角加速度转换为气动力矩系数,然后根据已知的气动力矩系数与状态变量和舵面偏转量的关系,得到低阶的逆模型方程。接着通过仿真研究了离线训练sigma-pi网络实现F16逆模型的方法。     

基于先验知识和神经网络的非线性建模与预测控制

神经网络模型是模拟非线性系统的有力工具，它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法，提出了一种利用先验知识和神经网络建立非线性系统模型的方法，具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算，从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。     

基于模型跟随的神经网络非线性重构控制

针对歼击机在结构故障下的动力学方程 ,提出了一种基于径向基函数 (RBF)神经网络的模型跟随非线性重构控制策略。该方法不必精确已知系统故障的位置及其损伤程度 ,可直接对故障系统实施重构控制 ,使其输出能精确跟踪期望参考模型的输出。该方法在模型跟随重构控制的基础上 ,引入了神经网络控制器 ,以补偿故障引起的非线性因素的影响。理论分析和仿真验证表明 ,所提方法可保证闭环系统具有良好的重构性能和很强的鲁棒性 ,且算法高效简单 ,易于计算机在线控制。     

基于径向基函数神经网络的燃料电池温度非线性建模与预测

针对现有的熔融碳酸盐燃料电池（MCFC）模型过于复杂的弊端，本文应用RBF神经网络辨识方法建立了MCFC的温度非线性模型。简要分析了MCFC电堆的温度特性，讨论了应用RBF神经网络进行多输入／多输出非线性系统建模的主要问题，并详细给出了其辨识结构，算法和模型训练方案，应用仿真对建模的有效性和建模精度进行了检验，并与BP神经网络辨识的效果进行了对比，仿真结果证明RBF神经网络远比BP神经网络收敛得快，应用RBF神经网络辨识方法对MCFC电堆建模是可行的，它避免了用复杂的微分方程组来描述MCFC，通过神经网络可快速地得到其输入同特性，它为MCFC温度的在线预测和在线控制奠定了基础。     

基于变尺度优化方法的快速神经网络学习算法研究

本文提出一种基于变尺度优化方法的多层前向神经网快速学习算法（ＭＤＦＰ），实验结果表明，这种算法对于加快网络的收敛速度有着显著成效