基于支持向量回归神经网络的动态系统辨识

结合支持向量机和神经网络各自的优点,提出了一种新颖的自适应支持向量回归神经网络(SVR-NN).首先,利用支持向量回归方法确定SVR-NN的初始结构和初始化权值,基于支持向量自适应地构造SVR-NN神经网络的隐层节点;然后,使用退火过程的鲁棒学习算法更新网络节点参数和权值.为了验证所提出方法的有效性,给出了自适应SVR-NN应用于非线性动态系统辨识的实例.仿真结果表明,与以前的神经网络方法相比,基于SVR-NN网络的辨识方案能获得相当好的性能,它具有很快的收敛速度.因此,自适应的SVR-NN为非线性系统辨识提供了极有吸引力的新途径.     

基于RBF神经网络的X型四旋翼飞行器优化控制

为使X型四旋翼无人机系统能够在受到扰动时快速调整状态以适应环境变化,对X型四旋翼无人机进行区别于传统的受力分析,建立动力学数学模型,采用RBF神经网络和PID联合控制方法,依靠神经网络自学习和非线性映射特征实现系统控制参数的动态整定。以MATLAB/Simulink为实验平台,对RBF神经网络PID控制系统和单纯PID控制系统分别进行仿真。实验结果表明,RBF神经网络PID控制比传统的PID控制调整时间更短、控制效果更好,增强了系统自适应性。     

RBF神经网络在道路交通事故预测中的应用

分析了RBF神经网络在事故预测领域的适应性,提出了采用RBF神经网络建立道路事故预测模型．利用我国1990—2009年道路交通事故数据,运用RBF神经网络建立了非线性回归预测模型,并利用该模型预测了2000—2010年的道路交通事故死亡人数,结果显示该模型具有较高的可靠性,可为我国道路交通管理提供数据支持。     

一种井下瓦斯传感器故障辨识方法

鉴于目前煤矿井下瓦斯传感器故障辩识速度慢、辩识准确度不高等缺陷,提出基于小波包分解与砸BF神经网络的瓦斯传感器故障辨识方法.采用小波包分解提取瓦斯传感器故障特征向量并输入至RBF神经网络,应用粒子群-人工蜂群(PSO-ABC)算法优化砸BF神经网络结构参数,并通过大量的瓦斯传感器样本对砸BF神经网络模型进行训练和检测.实验分析表明:本方法的辨识速度快、诊断正确率高,为精准辩识瓦斯传感器故障提供一种更加科学高效的新途径.     

基于PSO优化的模糊RBF神经网络学习算法及其应用

有一种基于PSO优化的模糊RBF神经网络学习算法,该算法首先将模糊RBF神经网络需要调整的参数作为粒子,利用PSO算法的全局搜索及快速收敛特性对模糊RBF神经网络结构进行优化,然后将经PSO算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,再结合梯度下降法对网络的各参数进行动态调整。将之应用于对UCI数据集的分类及函数逼近,仿真结果表明优化后的模糊RBF神经网络具有更高的精度及鲁棒性。     

基于神经网络的开关磁阻电机建模

基于神经网络具有很好的非线性逼近能力,利用RBF网络,其函数取高斯函数,在分析测量数据和开关磁阻电机非线性磁特性的基础上,建立了开关磁阻电机的模型.通过与样机实测数据比较,验证了模型的有效性.同时更为突出的优点是使得系统的运行特性对参数的扰动有很强的鲁棒性,从而使系统获得更高的调速性能.     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

基于神经网络的伺服系统辨识与内模控制

根据一组伺服驱动系统的辨识试验数据，进行了基于神经网络的非线性系统的正模型与逆模型辨识，分析了辨识结果，给出基于神经网络模型的内模控制方案，并提出了实现高速高精运动的可能方式。     

基于神经网络遗传算法求非线性系统的最优解

应用神经网络对非线性系统进行拟合,将训练好的神经网络作为非线性系统模型,并用遗传算法寻找非线性系统模型的最优解.通过多次重复仿真实验表明,提出的非线性系统寻优方法有效,均能以较快的收敛速度找到近似最优解,说明用RBF神经网络和遗传算法寻求非线性系统最优解的方法是有效的.     

神经网络在股市预测中的应用

针对股票市场的非线性、复杂性等特点,研究了RBF神经网络在股票价格预测中的作用,利用基于人工免疫遗传算法的BP神经网络对模型进行改进.提高了模型预测能力以及精度.并选取了上证180指数7年的数据进行了精度对比.     

机器人柔性变形误差模型建模

对机器人柔性变形误差模型的建模进行了研究,分别建立了机器人运动学参数辨识模型、关节柔性参数辨识模型以及连杆柔性参数辨识模型,并在此基础上推导出运动学参数与柔性参数的耦合误差模型。结果显示,对于在进行运动学参数辨识时有必要考虑机器人柔性变形的影响,本研究可为进行柔性参数的辨识以及运动学参数的辨识提供参考。     

Nonlinear modelling of a SOFC stack by improved neural networks identification

The solid oxide fuel cell (SOFC) is a nonlinear system that is hard to model by conventional methods. So far,most existing models are based on conversion laws,which are too complicated to be applied to design a control system. To facilitate a valid control strategy design,this paper tries to avoid the internal complexities and presents a modelling study of SOFC per-formance by using a radial basis function (RBF) neural network based on a genetic algorithm (GA). During the process of mod-elling,the GA aims to optimize the parameters of RBF neural networks and the optimum values are regarded as the initial values of the RBF neural network parameters. The validity and accuracy of modelling are tested by simulations,whose results reveal that it is feasible to establish the model of SOFC stack by using RBF neural networks identification based on the GA. Furthermore,it is possible to design an online controller of a SOFC stack based on this GA-RBF neural network identification model.     

基于RBF核的SVM分类应用研究

支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中具有优势,但核函数的选取没有定论,且其参数对SVM模型的性能起重要作用。针对这些问题,文章建立了基于SVM的分类模型,并通过UCI数据集验证了径向基核函数(Radial Basis Function,RBF)较其他核函数的有效性,其中核参数的选取采用改进的网格搜索法进行寻优。分类实验结果表明,选择RBF核函数的分类准确度较其他核函数提高了2.5%到35%。     

MCFC燃料电池的非线性建模及基于FGA的模糊控制

1Introduction Moltencarbonatefuelcell(MCFC)isaclearelec tricitygeneratingtechniquewithhighefficiency,which istobeusedwidely.Withoutcombustion,MCFCcon vertschemicalenergycontainedinfuelandoxidantin toelectricenergyviaelectro chemicalreaction.Per formanceof…     

带约束多项式权重LPV模型辨识算法

针对复杂工业非线性系统建模难度大、精度低等问题,基于多模型插值的变参数线性（ LPV）模型辨识算法,提出双工作点变量条件下的带约束多项式权重函数结构及其参数寻优策略,以有效降低非线性系统辨识的难度并充分保证所建模型的全局稳定性。以高纯度分馏塔这一典型非线性工业过程为研究对象进行LPV模型建模与仿真,获得了较好的输出和阶跃响应曲线拟合结果,验证了LPV模型能够充分反映非线性系统的运行特性以及所提算法的有效性和实用性。     

两自由度闭链机器人的神经网络自适应控制

A closed-chain robot has several advantages over an open-chain robot, such as high mechanical rigidity, high payload, high precision. Accurate trajectory control of a robot is essential in practical use. This paper presents an adaptive proportional integral differential (PID) control algorithm based on radial basis function (RBF) neural network for trajectory tracking of a two-degree-of-freedom (2-DOF) closed-chain robot. In this scheme, an RBF neural network is used to approximate the unknown nonlinear dynamics of the robot, at the same time, the PID parameters can be adjusted online and the high precision can be obtained. Simulation results show that the control algorithm accurately tracks a 2-DOF closed-chain robot trajectories. The results also indicate that the system robustness and tracking performance are superior to the classic PID method.     

LS-SVM model based nonlinear predictive control for MCFC system

This paper describes a nonlinear model predictive controller for regulating a molten carbonate fuel cell (MCFC). In order to improve MCFC’s generating performance, prolong its life and guarantee safety, it must be controlled efficiently. First, the output voltage of an MCFC stack is identified by a least squares support vector machine (LS-SVM) method with radial basis function (RBF) kernel so as to implement nonlinear predictive control. And then, the optimal control sequences are obtained by applying genetic algorithm (GA). The model and controller have been realized in the MATLAB environment. Simulation results indicated that the proposed controller exhibits satisfying control effect.     

河口水文的非线性特征研究

以河口区下泻水流速度为变量，建立了非线性动态模型，根据其动力学行为分析了河口形态的成因。给出了河口分段的动力学指标。以过水断面上的径流量和潮流量为变量建立了径流与潮流相互作用的非线性模型，通过求解平衡态及其稳定性分析，揭示了河口段水情变化的内在规律，模型分析结果与实际观测结果基本一致，但更深刻地揭示了水情变化与参数数量变化之间的密切联系，同时揭示了河、海动力作用之间的协同共存状态。     

基于NARMAX模型的Hopfield网络系统辨识

1 Introduction Identification of an unknown systemfrom availabledata is i mportant in many fields . There are severalmodels representing systems that are dominated bynonlinear characteristics . NARMAX model provides aunified and si mple representation for a wide class ofdiscrete-ti me nonlinear stochastic systems , proposedby Leontaritis ,et al.[1]System identification usingNARMAX model consists of two stages : model struc-ture determination and parameter esti mation proce-dure . The ide…