基于高斯RBF神经网络的可伸缩机械臂系统动态建模与仿真

设计了一种新的多模块机器人机械臂系统,该机械臂的每个模块具有可伸缩杆和旋转节两部分.为了进行有效控制,给出了系统的解析公式和机械臂自适应控制的相关技术.使用高斯函数的RBF神经网络对系统的动态方程参数进行了估计,使用李亚普诺夫稳定性分析确定神经网络权重的自适应修正规则,并给出了相应的自适应控制器模型.对该机械臂系统的控制进行了计算机仿真分析,结果表明:该方法在响应时间和控制精度方面都有提高,并且在有负载等非线性事件突然干扰的情况下亦能进行有效控制.     

人工神经网络在自密实混凝土抗压强度预测中的应用

针对传统BP神经网络的不足,采用不同改进算法的网络模型对自密实混凝土抗压强度预测进行了详细的分析.研究表明:采用变梯度算法的模型M1、P-B复位算法的模型M2、拟牛顿算法的模型M3以及LM算法的模型M4,这4种模型均成功地建立了自密实混凝土强度的非线性关系,可用于其强度预测;通过用MATLAB编写程序,为解决BP网络隐层节点数的不确定性提供了一种较为方便的途径.     

基于模糊神经网络的煤矿安全评价综合评判

针对煤矿安全综合评价方法中因人为因素、模糊因素及动态因素而导致评价结果不够准确的情况,依据煤矿安全评价指标体系结构,构建了基于模糊神经网络的多级模糊评判模型,提出了神经网络分级BP学习算法,解决了多级模糊评判中权值学习困难的问题,使训练速度和评判的准确性大幅提高.以鸡西矿业集团煤矿为研究对象,建立了基于模糊神经网络的安全评价模型.结果表明:该方法能有效地对煤矿进行安全评价,综合评判客观、准确.     

行列式的计算方法

通过对入侵检测、自组织特征映射神经网络和模糊技术的研究分析后,提出一种基于模糊神经网络的入侵检测系统。仿真实验表明,可以形成一个稳定的神经网络系统,有效地识别网络正常行为和异常行为。     

模拟电路故障诊断方法的研究

对模拟电路故障诊断方法的研究现状进行了述评和归纳,同时指出了目前各种故障诊断方法和技术的特点及局限性,并预测了模拟电路故障诊断技术的发展趋势。     

基于自适应模糊PID控制的双闭环直流调速系统

在模糊PID控制器的基础上,利用模糊推理的方法实现了对PID参数的在线自动整定,并且在MATLAB软件下将该控制器在双闭环直流调速系统中的应用进行了研究,仿真结果表明,参数自适应模糊PID控制能使系统达到满意的控制效果,对进一步应用研究具有较大的参考价值。     

一类非线性滞后系统的自整定PID控制

针对采用传统PID控制一类非线性滞后系统,难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法.利用具有在线能力的最近零聚类学习算法,训练RBF神经网络,从而自适应调整系统的控制参数.仿真结果证明了,该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力.     

自适应小波神经网络在故障诊断中的应用

为提高传统BP神经网络在故障诊断中的效率,提出用小波神经网络加以改进.采用动量法和学习率自适应调整结合的网络训练算法对小波网络的初始参数进行设置,提出自适应小波神经网络的故障诊断方法,详述其诊断原理,并结合实例证实了该方法应用于故障诊断的有效性.     

一种基于自适应小波变换的矢量量化方法

运用小波变换进行图像压缩的算法其核心都是小波变换的多分辨率分析以及对不同尺度的小波系数的量化和编码.本文提出了一种基于能量的自适应双正交小波变换和矢量量化相结合的算法.即在一定的能量准则下,根据子图像的能量大小决定是否进行小波分解,然后给出恰当的小波系数量化.该方法充分利用了不同尺度间小波系数的相关性并采用自组织特征映射神经网络进行矢量量化.实验表明,该方法获得较高的编码效率和重构图像质量.     

Learning Vector Quantization Neural Network Method for Network Intrusion Detection

A new intrusion detection method based on learning vector quantization （LVQ） with low overhead and high efficiency is presented. The computer vision system employs LVQ neural networks as classifier to recognize intrusion. The recognition process includes three stages： （1） feature selection and data normalization processing;（2） learning the training data selected from the feature data set; （3） identifying the intrusion and generating the result report of machine condition classification. Experimental results show that the proposed method is promising in terms of detection accuracy, computational expense and implementation for intrusion detection.