基于RBF神经网络的水轮机振源参数识别方法

在对水轮机进行力学建模和分析时,其振动荷载特性往往是未知的,但却是十分重要的.基于径向基函数(RBF)神经网络,提出了水轮机振动荷载参数识别方法.根据在丰满水电站现场观测的水轮机振动响应数据,识别出了水轮机在不同运行状态下的振动荷载参数,其中包括振动力的频率、相位差和幅值.利用人工神经网络具有解决参数识别反问题不适定性的能力,建立了水轮机系统响应与模型参数之间近似的非线性函数关系.现场实际应用结果表明,经过充分训练的神经网络具有较快的收敛能力和较高的预测精度.     

线性时变参数识别与非线性因素估计

本文讨论了利用非线性时不变振动系统的响应，根据线性模型识别出的线性参数的时变性质判断非线性项的存在、估计系统非线性因素的问题．大量的算例表明，据此判断非线性项的存在是可行的．文中还分析了利用具有非线性项的时变系统的响应，根据线性系统模型识别线性时变参数的问题．模拟计算表明，利用非线性系统的响应籍助线性模型，可以在相当大的范围内较好的识别出系统的线性时变参数。     

非线性振动控制的神经网络离散逆系统方法

针对非线性结构振动控制难以用线性控制方法精确控制的情况，提出神经网络离散逆系统方法．建立了结构的离散化模型，再用神经网络将非线性系统通过逆系统变换变为伪线性系统，对该伪线性系统可以用一般线性方法精确控制．该方法将非线性结构控制问题转化成了线性结构控制问题，使问题难度大大减小．对某非线性建筑结构振动作了控制仿真，实现了精确线性化，控制效果曲线与对线性结构控制效果曲线几乎完全吻合．神经网络离散逆系统方法发挥了神经网络和线性控制各自的优点，可用于强非线性结构的振动控制．     

链状非线性振动系统识别的无编一致算法

本文提出链状非线性振动系统非参数识别的新算法。利用чеσъΙщев多项式级数逼近一般无记忆非线性恢复力，以回归方法求展开系数。对系统非线性引入的相关残差，用时间序列分析方法处理，迭代修改初估值，最后得到具有无偏性和一致性的识别结果。     

非线性系统的非参数识别

对一个系统进行非线性的判别,进而识别出其非线性的类型,可统称为非线性系统的非参数识别。本文阐述了一些非线性时间序列的非参数识别的方法：对于确定性非线性振动系统,识别方法为极限环法和Ｈｉｌｂｅｒｔ变换;对于随机非线性振动系统,采用概率统计方法．其中有概率密度函数的分布,高阶矩,高阶相关和多维功率谱。计算机仿真实验证明,以上方法是行之有效的。     

局部非线性振动系统参数识别的空间法

研究了具有平方非线性刚度和平方非线性阻尼的两自由度局部非线性振动系统,提出了一种参数识别局部非线性振动系统模型的空间法．该方法有效地利用模型的时间函数、频率函数和空间参数,使参数识别更为准确．利用该方法对非线性频响函数进行估计,并利用了最小二乘法对模型的非线性刚度系数和非线性阻尼系数进行了优化．     

对称铺设复合材料层合板的非线性参数振动分析

根据复合材料层合板的各向异性、几何非线性、耗散阻尼非线性，建立了对称铺设的正交各向异性矩形层合板二阶近似下的非线性参数振动方程，应用数值解分析了系统的振动特性、分岔和混沌运动。     

卫星振动频率漂移现象与非线性参数识别

针对卫星振动实验中的频率漂移现象进行了分析.通过实验数据对比、等效线性化模拟和单自由度非线性模拟计算,对随振动实验载荷烈度增加而导致的频率降低、模态阻尼增大的现象作了定性解释,并对铝蜂窝板的非线性特性进行了振动实验及分析.根据谐波平衡法原理,对各级等效线性系统进行模态参数识别,进一步基于Duffing假设,对非线性刚度、阻尼系数进行了识别,并基于多自由度非线性系统理论进行了仿真检验.证明了实验现象与理论仿真的一致性.     

裂纹转子振动的非线性特性分析

在裂纹转子的非线性特性分析中考虑了裂纹产生对转子两个方向刚度的影响，此为基础在旋转坐标下建立了裂纹转子的非线性动力学模型，裂纹的“开闭”取决于转子振动，不平衡与重力的综合作用，利用数值方法对裂纹转子的拓动响响进行了计算，并根据数值计算的结果分析转子系统振动随不平衡，转速等参数变化的分叉混沌特性，同时，对系统响应描率谱进行计算得出，亚谐波与高次谐波分量可作为识别裂纹的重要特征。     

链状非线性振动系统识别的无偏一致算法

本文提出链状非线性振动系统非参数识别的新算法。利用多项式级数逼近一般无记忆非线性恢复力,以回归方法求展开系数,对系统非线性引入的相关残盖,用时间序列分析方法处理,迭代修改初估值,最后得到具有无偏性和一致性的识别结果。     

改进的神经网络观测器在非线性系统中的应用

为降低非线性观测器对模型精度的依赖性, 提出一种非传统的神经网络观测器设计方法。该神经网络为三层前馈网络, 采用带修正项的误差反传算法进行训练, 以保证控制的精度和权值有界, 利用神经网络识别系统的非线性部分, 并结合传统的龙伯格观测器重构系统状态; 利用Lyapunov 直接法保证基于权值误差的非观测器的稳定性, 并将该观测器应用于机器人轨迹跟踪控制中。仿真结果表明, 该方法解决了模型不确定系统状态观测问题, 适用于模型精度较低的非线性系统。     

RF功放非线性特性的在线神经网络建模

为了改善功放系统的非线性特性,采用了基带数字预失真技术,其中功放系统的建模是其关键技术.由于功放系统是一个复杂的带记忆效应的非线性时变系统,为了能够实现实时校正,采用级联相关算法进行在线神经网络建模.首先选用残差相关性判别方法来确定神经网络功放模型的结构和初始参数,然后使用带遗忘因子的递推最小二乘法对神经网络模型参数进行在线自适应调整.对实测数据的验证表明,建立的神经网络模型完全能达到给定的性能指标要求.     

多层递归神经网络自适应控制及稳定性分析

提出一种基于多层归神经网络的自适应控制离散时间系统的方法,使用多层递归神经网络及新的动态ＢＰ算法（ＤＢＰ）描述未知系统的输入／输出关系。基于此神经网络模型,提出一种自适应控制方案,并对该方案的闭环稳定性进行了分析。     

利用串/并联神经网络建立化学反应器模型

本文研究使用线性动态神经网络与非线性的静态网络相结合的混合建模方式解决复杂非线性系统的建模问题。使用混合神经网络建模，可以降低单个网络的训练难度，基于此，也可将非线性系统控制策略的求解分解，转换为线性系统的求解。从而改善使用单一神经网络建模存在的精度不高以及训练时间长等不足，也为非线性系统控制策略的求解提供方便。本文以一个典型多变量系统——连续搅拌釜式反应器（CSTR）作为仿真对象，详细研究和实现了两类神经网络串联和并联的混合建模方法，并对结果进行了比较。     

摆式客车倾摆控制系统神经网络预测控制

考虑伺服电机及机械系统的非线性对车体倾摆的影响，并包括伺服电机的饱和非线性特性的影响在内，采用神经网络方法对非线性特性的动态系统的输入输出关系进行辨识研究，建立摆式客车伺服系统神经网络非线性模型；提出在摆式客车中运用神经网络预测控制结合鲁棒控制的复合控制系统，解决这类非线性系统的控制问题，即应用神经网络进行辨识及预测控制．研究表明，从理论及工程应用角度看神经网络预测控制都是切实可行的，为在摆式客车倾摆控制系统中应用神经网络预测方法提供了一个新的方向．     

基于B—P神经网络的非线性系统预测控制的研究

预测控制是以计算机为手段基于模型预测进行控制的方法,但是已有的预测控制算法通常是针对线性渐进稳定对象的,或者即使针对非线性使用了非线性模型,但由于算法过于复杂不能适用于快速系统,本文对复杂非线性系统提出了一种基于Ｂ－神经网络的预测控制方法,仿真和实际结果表明该方法的有效性和快速性,能够实现对非线性系统的实时智能优化控制。     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.     

Application research of wavelet neural networks in proces control

非线性过程的建模和控制问题尚无通用的模型结构和方法可用于过程控制。结合小波和神经网络方法进行过程控制的通用模型和方法的研究,提出了一种仅用尺度函数逼近的小波神经网络模型,并用它来实现非线性预测控制方案。该模型能用线性最小二乘方法进行拟合,因而具有易于实现和通用的优点。由于简化了在线优化方法,所提出的非线性预测控制方案已在线实现。用该方法进行了两个非线性系统的模型辨识和一个双线性系统的控制仿真,模型的通用性、辨识和控制方法的简单易用和仿真结果表明,所提出的方案对过程工业和非线性、高阶系统有很好的实用性,有着比标准ＰＩＤ控制器好得多的控制效果。     

基于动态神经网络解耦线性化的内模控制

采用动态神经网络对一类多变量仿射非线性系统进行建模，利用解析求得的模型动态逆，将非线性对象近似输入输出解耦线性化。针对复合后的伪线性系统采用内模控制，分析了存在建模误差的情况下闭环系统的鲁棒稳定性。仿真表明了所提方法的有效性。