基于自适应小波正交基神经网络的参数辨识

提出了一种基于小波正交基神经网络的非线性在线辨识方法.小波变换具有良好的收敛速度和逼近精度,神经网络具有强大的非线性映射能力、自学习、自适应等优势,采用正交基小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数和神经网络的优点;制导航弹数字仿真结果表明, 该方法对含噪声数据进行处理效果好,能很好地满足非线性在线辨识的需求.     

一种新的MIMO非线性系统动态解耦控制方法

提出了一种基于回归小波网络(recurrent wavelet networks)的多输入多输出系统(multi-input multi-output)动态解耦控制的新方法.该方法为分散式控制结构,采用回归小波网络作为解耦辨识器(decoupling identifier),在线动态辨识、回馈对应输入输出的灵敏度信息(sensitivity information),PID神经网络控制器根据回馈信息实现自适应分散独立控制.小波函数的紧支性、波动性以及回归网络较强的动态非线性映射能力使得回归小波网络具有较好的综合性能.仿真结果表明,用该方法构成的控制系统解耦效果好,收敛速度快,且具有较好的鲁棒性.     

神经网络在某交流伺服系统建模中的应用

针对某交流伺服系统的模型辨识问题,提出了基于遗传算法优化的BP神经网络的辨识方法.BP神经网络在非线性系统的辨识中已得到了广泛的使用,但是其存在易陷入局部极小值和对网络结构初值要求高等缺点.根据遗传算法具有全局寻优的特点,先用遗传算法优化得到神经网络权值和阈值的初值,再由BP算法进行局部寻优.辨识结果表明,该算法辨识精度高、收敛速度快.     

基于小波神经网络的蒸汽发生器水位辨识与控制仿真

提出一种基于小波神经网络的控制方法,对蒸汽发生器水位进行控制仿真.该方法利用小波神经网络作为控制系统的辨识器和控制器来构成控制系统.小波神经网络辨识器能更准确逼近非线性对象,小波神经网络控制器能自适应产生最佳的控制规律.仿真结果表明,该方案具有响应快、超调量小、较强抑制干扰能力等良好性能.     

基于自适应无迹卡尔曼滤波的小波网络算法及其应用

针对扩展Kalman滤波(EKF)训练小波网络存在收敛慢、精度不高、计算Jacobian矩阵困难等问题,在自适应Kalman滤波理论基础上,提出一种基于自适应无迹Kalman滤波(UKF)的小波网络训练算法。该算法在在UKF框架内引入自适应因子,通过其调整观测协方差与状态参数协方差的比例,使状态向量预测值的协方差更趋向真实值,有效地提高了小波网络的精度。仿真结果表明,基于自适应UKF的小波网络的收敛速度快,估计精度高,无需计算Jacobian矩阵,适于解决非线性系统的建模预测问题。     

自适应学习率的小波神经网络逼近算法

提出一种自适应学习率的小波神经网络算法,从根本上解决了小波神经网络学习率的取值和收敛速度慢的问题,并有效地克服了小波神经网络易陷入局部极小的缺点,仿真实验表明,提出的学习算法可靠,学习率能够随着网络的运行参数而自动变化,无需任何人为调整,克服了小波神经网络学习率靠人为试算选取所带来的问题.采用该种改进算法用于非线性函数逼近明显优于同等规模的固定学习率的小波神经网络.     

基于B样条小波的异常数据辨识

为解决靶场测量数据中系统误差引起的大量连续奇异数据的辨识难题,同时针对传统和目前国内外较先进的异常值识别方法的不足,提出了基于B样条小波的异常数据辨识。首先描述了异常值,然后分析了小波异常值识别原理和物理意义,构造了用于异常数据辨识的B样条小波分析方法。通过对不同情况仿真数据的计算分析,证明了该方法科学、合理,实现了测量数据异常值的辨识和重构。     

基于BP网络的BTT导弹逆控制方法

运用BP神经网络结构和Levenberg-Marquardt算法,对导弹动力学特性进行动态逆模型辨识,并以辨识模型为控制器与BTT导弹控制系统串联构成动态伪线性系统,进而应用逆系统方法设计了一种用于解决BTT导弹非线性控制问题的经典控制与神经网络在线自学习控制相结合的控制方法.从理论上证明了该控制方案可以实现对导弹三通...     

基于改进克隆选择算法的复杂系统测试选择

为了解决复杂系统测试优化选择问题,提出了一种基于改进克隆选择算法的测试选择方法.该方法针对测试选择问题的具体特点,对基本克隆选择算法进行了以下改进:采用二进制编码方式进行抗体编码,选用加性分段函数形式构建亲和度函数,利用混沌搜索优化初始种群的生成方式,并引入免疫网络的抗体抑制操作对抗体种群进行预处理.最后,以某实际系统为例进行了算法验证,实验结果表明:该方法搜索效率高,具有很强的全局和局部搜索能力,可有效解决复杂装备系统测试性设计中的测试优化选择问题.     

未知非线性系统的神经网络建模与控制仿真研究

针对一类未知非线性系统的建模与控制问题,采用基于神经网络的多步预测控制算法进行了仿真研究,仿真对象选取控制工程界常用的单摆试验装置.该算法的实现步骤为:获取系统开环试验数据;辨识神经网络正向动态模型;设计非线性优化控制律.仿真研究结果表明,所提出的建模与控制方法是有效的.     

基于神经网络的非线性控制系统自组织辨识

本文首先将自组织神经网络算法向一般化情形引伸，接着把自组织过程应用到一般非线性系统的动态过程分类，使得整个非线性系统能够按照输入输出样本空间的概率密度自组织，成为许多具有不同分类核心和感受野的线性子空间逼近。在此基础上，我们采用通用最小二乘算法，以子空间的非线性问题线性化误差作为依据，并进一步运用自组织神经网络的合作与竞争思想，最终得到一般情形的非线性系统的最小二乘辨识。仿真结果表明了本方法的可行性与优越性。     

共轭梯度反传算法及其在液体火箭发动机系统辨识中的应用

结合非线性优化理论和方法提出了易于实现、收敛速度比较快的多层神经网络共轭梯度反传算法。液体火箭发动机参数辨识技术已得到广泛的应用,由于传统的数学方法必须基于发动机已知模型,使得其参数辨识受到极大的限制。文中基于神经网络共轭梯度反传算法进行液体火箭发动机的系统辨识,结合变推力发动机热试车动态数据,得到了满意的仿真结果。     

自适应控制中的Hartley块算法及实验

针对小波包自适应控制子频带内包含大量卷积和相关运算导致算法收敛速度慢的问题,提出基于Hartley块的小波包滤波最小均方算法。将快速Hartley变换引入块算法,实现频域内快速卷积和相关运算;在子频带内应用Hartley块算法生成控制信号,通过重叠保留法提出基于Hartley块的小波包滤波最小均方算法;通过仿真和实验研究了定频和扫频两种工况下的隔振性能和控制效果。结果表明,基于Hartley块的小波包滤波最小均方算法不仅可以大幅缩短收敛时间,还能显著提高控制精度,且鲁棒性和稳定性良好,能够很好地应用在工程实际中。     

一种有效的常规雷达目标识别方法

基于小波变换和进化网络提出一种有效的常规雷达目标识别方法。即首先利用 Mallat算法对雷达目标一维距离像进行特征提取和压缩 ,然后在进化规划的基础上提出一种混合进化算法来优化设计由多层前向网络构成的分类器。实验结果表明 ,整个目标识别系统的结构简单 ,同时具有较好的推广能力     

基于人工神经网络的齿轮箱载荷识别研究

提出了一种基于实测结构响应识别作用在齿轮箱上激励的方法 ,该方法利用人工神经网络建立响应信号与激励之间的映射模型。通过单级齿轮箱上所做的试验数据表明 ,这种利用人工神经网络识别齿轮箱载荷的方法是可行的 ,并且 ,经过训练的网络模型在齿轮箱载荷识别的过程中显示了极快的收敛速度和很高的识别精度。     

基于改进遗传算法的结构损伤识别

结构损伤识别问题在数学上可以转化为一种带约束的目标函数优化求解。将基于混沌系统的优化理论和免疫系统的基本机制提出的自适应免疫遗传算法用于结构损伤识别,研究其有效性和可行性。通过平面框架单元损伤识别算例分析,表明该方法是实用可行的。     

基于变步长LMS的谐波电流检测方法的研究

能否快速准确检测出三相电力系统中谐波电流是决定有源滤波器整体滤波性能的关键.基于瞬时无功功率的谐波电流检测理论,提出了一种改进的自适应滤波器谐波检测算法,通过构造步长因子与误差信号的非线性函数,调整步长参数,使权向量达到最优,在确保稳态误差的前提下,提高了系统的收敛速度.仿真实验验证了该算法的正确性和有效性.     

多媒体传感器网络中基于ACO的QoS路由协议

针对目前无线多媒体传感器网络QoS路由协议算法复杂、能耗较大等缺点,提出将蚁群优化算法用于改进无线多媒体传感器网络的路由选择.首先,抽象出多媒体传感器网络QoS 路由模型,进而,利用蚁群算法设计了一个运用带网络约束条件的权值去更新信息素浓度增量的路由算法--AntWMSN算法,AntWMSN算法利用正向蚂蚁F_(ant)收集链路带宽、时延、丢包率等参数,结合精华蚂蚁系统更新本地节点的网络状态模型以及每个访问过的节点上的信息素,从而找到满足多约束QoS条件下的最佳路由.仿真结果表明,该算法具有分布式全局优化网络路由选择的特性,比传统的QoS路由协议具有更好的收敛性,并且在满足网络对QoS参数需求的前提下,有效地提高了网络的生命周期.