排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
基于改进Elman神经网络的非线性预测控制 总被引:1,自引:1,他引:0
为了提高非线性预测控制中预测模型的精度,提出一种基于递归神经网络建模的预测控制方案.采用改进Elman神经网络在线建立预测模型,用递推最小二乘法在线修改神经网络权值,并引入误差补偿环节,从而达到改善预测模型精度的目的,使控制系统的控制性能得到提高.仿真实验表明了该方法的有效性. 相似文献
4.
5.
在神经网络故障诊断模型的基础上,引入粗糙集理论,给出连续属性值的离散化方法.并应用粗糙集对故障诊断决策表进行属性约简,剔除其中不必要的属性.仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景. 相似文献
6.
基于前向神经网络的多新息随机梯度辨识算法 总被引:7,自引:0,他引:7
为了提高动态系统的辨识精度,提出一种基于前馈神经网络的多新息随机梯度辨识算法,它通过动态调整网络权值来提高网络在线辨识性能.由于多新息随机梯度辨识算法利用了系统的当前数据和历史数据,对动态辨识,特别是对具有纯时间延迟动态系统的辨识,较传统的BP算法在辨识精度和收敛速度方面具有更好的效果.仿真结果表明该算法的有效性. 相似文献
7.
针对一类非线性系统,利用模糊逻辑提出一种鲁棒自适应控制方法.首先证明在一定的条件下,闭环系统必能稳定,并证明这个条件即必落人某一紧集中成立,同时考虑其控制性能,选择鲁棒控制量,使跟踪误差达到要求的性能指标. 相似文献
8.
9.
通过对Elman网络的研究,提出一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络,给出Elman网络的标准BP学习算法,针对标准BP算法的收敛速度慢和容易收敛于局部极小点的缺点,利用非线性动量项自适应变步长的BP算法进行改进,从而提高算法的收敛速度,避免陷入局部极小点的问题.通过在系统辨识中的应用,表明该网络收敛速度快,模型精度高,并具有较强的自适应性和鲁棒性,适合于动态系统的实时辨识. 相似文献
1