混沌背景下微弱信号时域参数检测的研究

数字示波器不能测量混沌背景中的微弱信号,该文结合混沌和神经网络构建检测模型实现该功能。运用混沌时间序列的相空间重构理论计算嵌入维数作为神经网络的输入维来构建网络模型,并采用单步预测方法,在混沌状态下直接测量混沌背景中微弱信号,获取微弱信号的波形。该方法能够测量微弱信号的时域参数,测量范围宽,逼近目标精度高,计算量小。实验结果证明了该方法具有很强的实用性。     

电弧炉电极系统双模控制策略研究及应用

针对交流电弧炉电极控制系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,采用基于最近邻聚类方法的径向基函数(RBF)神经网络快速学习算法,通过实时在线辨识,建立电弧炉电极系统的精确逆模型并用于控制,实现了将具有强耦合特性的多变量输入/输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与比例微分(P/D)控制相结合的双模控制策略。应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性。     

基于规则的前馈神经网络的混沌梯度下降耦合学习算法

提出用规则判断由于BP神经网络学习过程中因梯度搜索产生的局部极小 ,并利用具有全局寻优的特点的混沌优化算法 ,使学习过程能有效地逃离局部极小。即 ,梯度下降进研“粗搜索”、混沌优化法进行“细搜索”及建立规则将两者结合起来 ,就构成了本文的基于混沌梯度下降的前馈神经网络学习算法。这种算法有效地利用了梯度下降算法的快速性和混沌寻优的全局性。将该算法应用于铜锍吹炼过程智能决策支持系统模型库中的模型学习 ,产生了良好的应用效果。     

基于ARM与多模型实现的试运线列车超速防护系统

针对试运线列车运行的安全性与停车准确度的要求,提出一种基于ARM与多模型实现的列车超速防护系统。通过车载设备传感器采样时间序列数据,并将其进行小波去噪,从而得到基于傅里叶模型的目标跟踪运行曲线。设计以模糊神经网络为动态预测模型的速度控制器,利用预测控制的滚动优化与误差矫正特性增加速度控制器在不同运行环境下的鲁棒性。为加快模糊神经网络的训练速度,将改进型粒子群模糊聚类算法的聚类结果作为模糊神经网络的前件规则构建参数。以中车试运线数据为例对其进行仿真,并通过基于曲线面积误差的评价指标对全局速度下的停车精确度进行分析。仿真结果表明:所提出的以傅里叶模型作为目标函数实现的基于模糊网络的预测控制策略具有明显的优势。     

基于改进免疫遗传算法的神经网络及其在股票预测中的应用

针对BP神经网络学习速度慢、容易陷入局部极小的缺点,提出了一种基于改进免疫遗传算法的多层前向神经网络,将该算法用于多层前向神经网络的权值优化,扩大了神经网络的权值搜索空间,提高了网络系统的学习效率和精度。将该神经网络用于上证指数的趋势预测,仿真结果表明:该神经网络比BP神经网络具有更好的全局收敛性、更高的学习效率和预测精度。     

基于支持向量回归模型的间歇过程优化

针对间歇过程的优化问题,提出了一种基于支持向量回归模型的批次到批次的优化控制策略。通过对支持向量回归模型在当前控制轨迹处的线性化,构造了一种批次到批次的优化控制方法。在苯乙烯聚合反应器的仿真实验中,该方法能够在存在模型失配与过程扰动的情况下,逐批次地改善过程性能。     

基于神经网络的信息产业收益率预测

基于神经网络的预测技术的基本原理是首先利用前馈神经网络,在大量历史数据的支持下,学得输入（影响或决定预测对象的诸因素）——输出（预测对象）之间的映射关系,然后将预计的输入值输入到神经网络,由此获得预测值（神经网络的相应输出值）并将这种方法应用于信息产业收益率预测中     

基于模糊神经网络的可控串补控制策略

目前已运行的可控串补(TCSC)工程都是采用常规的控制策略,采用各种先进控制策略比如非线性控制策略、智能控制策略能使TCSC的作用得到最大限度的利用.设计的TCSC模糊神经网络控制系统采用TCSC当地测量的频率增量及功率增量作为模糊控制的输入,用一种神经网络模拟模糊推理机的知识模型和推理模型,采取误差反传的方法依据输入量的值和系统当前的状态来设计调整神经网络的连接权值以及隶属度函数的参数,从而调整模糊控制规则和量化因子.通过对系统处于不同运行点受到不同干扰下的仿真,表明所设计的TCSC模糊神经网络控制系统具有良好的鲁棒性.     

基于神经网络房地产价格指数的预测研究(续)

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

基于过程神经网络的六维力传感器动态解耦研究

六维力传感器动态解耦方法主要集中于不变性动态解耦方法和迭代解耦方法,其解耦效果取决于建模精度,强耦合情况下解耦误差大,工程实现复杂.文章针对这一问题提出一种基于过程神经网络动态解耦算法,将六维力传感器输入输出及网络权函数进行相同正交基展开,简化计算过程,求解六维力传感器输出输入耦合关系.实验结果表明,过程神经网络在六维力传感器动态解耦中应用效果良好,为动态解耦提供了一种新方法.     

基于神经网络房地产价格指数的预测研究

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

补偿模糊神经网络的改进及实例分析

建立了一种改进的补偿模糊神经网络系统,使模糊系统较强的知识表达能力与神经网络强大的自学习能力优势互补.并提出了一种动态调整学习步长的机制,能够避免较大震荡现象的出现;同时加快了迭代速度,最后将该方法应用到预测我国第三产业的产值比重中,结果较为满意;与常规神经网络相比,迭代速度和误差精度都有大大的提高;实践证明该方法值得进一步推广运用.     

基于GA-BP神经网络的数控插齿机热误差建模

热误差作为影响数控插齿机加工精度的重要因素之一,而目前有关插齿机的热误差补偿相关资料欠缺。提出基于GA-BP神经网络的机床热误差优化建模方法,针对插齿机减少其热误差,提高加工精度。针对神经网络算法较多,但补偿效果仍存差距,因此比较了遗传算法(GA)和BP神经网络算法,介绍GA-BP神经网络模型的具体步骤,以YKS5132DX3型数控插齿机为实验对象,获得了敏感点温度和主轴X、Y方向的热误差值,在此基础上,建立BP神经网络热误差预测模型和GA-BP网络热误差优化模型。实验结果表明：与BP神经网络热误差模型相比,GA-BP神经网络热误差模型的预测精度更高,残差变化幅度较平稳,稳健性强。     

基于邻域粗糙集神经网络的审计意见预测模型研究

审计意见类型及其预测结果受到企业各利益相关方的高度关注.同时选用财务指标和非财务指标为变量,构建了基于邻域粗糙集神经网络的审计意见预测模型.将领域粗糙集作为BP神经网络的前置系统,在保持分类能力不变的前提下进行指标约简,提取关键指标,再将约简的指标体系作为神经网络模型的输入变量.以2013-2015年沪深A股176家公司数据作为研究样本,采用三种模型进行审计意见预测对比分析,结果表明:本模型预测准确率达到97.06％,与单纯利用神经网络建模或单纯利用财务指标建模的预测效果相比具有更好的预测效果.     

基于不变集的半挂汽车列车防侧翻控制研究

针对行车过程中的不确定性干扰及半挂车高度的强非线性导致的模型失配问题,应用不变集理论,将状态、控制输入和干扰的约束考虑为鲁棒控制不变集并作为控制器的终端约束,建立了反映半挂车横摆及侧倾运动学特性的7自由度动力学模型,用于预测控制算法设计控制器、跟踪参考信号、解决滚动优化带约束的有限时域最优控制问题,得出最优控制输入,即3根主车轴的防侧翻力矩,并由主动防侧倾杆实施以达到防侧倾控制。最后进行了典型工况的仿真,结果表明:应用所设计的鲁棒模型预测控制器可较好地防止半挂车侧翻。     

基于粒子群RBF神经网络的双关节机械臂系统控制

针对RBF神经网络算法用于控制时难以求解网络隐含层参数中心向量c和标准化常数b的问题,提出基于粒子群参数优化的RBF神经网络(PSO-RBF神经网络)控制方法。建立旅客列车自动上水装置双关节机械臂动力学模型,将粒子群算法与RBF神经网络控制机械臂动力学特性结合,在连续空间快速搜索网络隐含层参数最优解,得到PSO-RBF神经网络控制方法;建立针对双关节机械臂的PSO-RBF神经网络控制系统并进行仿真,与基于遗传算法调节隐含层参数的RBF神经网络控制方法进行对比和分析。研究表明,采用PSO-RBF神经网络控制方法可以有效避免机械臂控制失效,能够使肩关节和肘关节响应时间缩短52%和47%,最大稳态误差减小49%和58%,平均稳态误差减小54%和55%。     

基于MEA-BP神经网络的压气机特性曲线预测

针对燃气轮机建模过程中压气机特性曲线的预测在非设计工况条件下精度较低和泛化能力较差的问题,提出了一种基于思维进化算法(MEA)的BP神经网络预测模型。该模型融合了MEA全局寻优的能力,在神经网络的权值和阈值范围内,通过MEA的"趋同"和"异化"操作,得到全局最优解并将其应用于BP神经网络的初始值,进而通过迭代得到最优输出预测曲线。预测结果表明:与独立的BP神经网络相比,MEA-BP神经网络的预测结果具有更好的精度和泛化能力,相对误差也降低了很多。可见,该方法适用于压气机特性曲线的预测,有助于压气机的实际运行分析,为燃气轮机的整体建模打下了较好的基础。     

基于神经模糊PID的ABS控制策略研究

ABS系统中主缸压力和轮缸压力具有强非线性关系,且传统的控制算法中控制参数不能根据路面的变化及时进行调整,很难在多变的路面工况下取得较好的控制效果。为提高ABS的控制效果,提出一种神经网络模糊PID控制策略。将理想滑移率与实际滑移率之差作为系统输入,经模糊化和归一化后输入神经网络,应用神经网络的自学习和误差反向传播,采用遗传算法优化网络的初始权重,利用BP算法完成网络训练实现模糊规则,使模糊规则的生成转变为加权系数初值的确定和调节,从而表示出模糊规则,寻找一个最佳的PID非线性组合控制率,调整车轮制动力矩,以适应多变的路面。仿真结果表明:该控制策略兼备了神经网络、模糊控制、PID控制的优点,能适应复杂多变的路面。     

基于网络搜索指数和EMD-ARIMA-BP组合模型的游客量预测——以张家界为例

科学的客流量预测有利于完善旅游安全预警体系和优化旅游资源配置体系。为进一步提高游客量预测的准确度,提出一种基于网络搜索指数的EMD-ARIMA-BP组合模型,以探究互联网时代旅游消费者出行行为规律。该模型首先对网络搜索行为数据进行指数合成,其次利用EMD算法对游客量和网络搜索数据进行去噪处理,最后将ARIMA模型和BP神经网络进行组合,对游客量进行预测。实证分析以张家界为例。研究发现：（1）运用网络搜索数据预测旅游消费者出行行为切实可行,接近于实时的网络数据可以大幅提升预测的时效性;（2）经过EMD去噪算法对游客量与网络搜索行为数据进行去噪处理后,游客量的预测精度有较大程度提高;（3）基于网络搜索指数和EMD-ARIMA-BP组合模型的预测误差显著低于ARIMA模型和BP神经网络等基准模型。     

以模糊评判为基础的大学生素质BP神经网络模型

文章建立了大学生综合素质评价的指标体系,并利用模糊数学多级综合评价的原理,对大学生的综合素质进行模糊评判。同时,利用评判结果建立了误差反传的BP神经网络模型,并在该模型中引入非模糊评判的教师对,该模型克服了模糊评判时权重的不可改变性,实现了素质评价指标和大学生综合素质的非线性映射。计算结果表明:该神经网络模型具有一定的合理性和实用性。