基于Schur收敛性条件的扰动特征泛函凸组合模型

研究Schur收敛性条件的扰动特征泛函凸组合模型的收敛性和稳定性,是实现对特征灵敏的前馈网络系统连续性和非线性控制的关键理论依据。传统分析方法采用的模糊免疫时滞环节进行完全跟踪补偿,构造李雅普诺夫泛函线性矩阵不等式,进行非线性凸组合模型构建,但模型因扰动特征泛函收敛效果不好。构建了基于Schur收敛性条件的扰动特征泛函凸组合模型,求解平均扰动特征泛函的平均互信息量,设定扰动特征连接权值下的系统函数,通过实时自适应学习算法对被控对象进行亏损特征分解,得到Schur收敛性条件,对凸组合模型的收敛性和渐进稳定性进行证明。最后进行数值算例分析,得出构建的凸组合模型收敛性和渐进稳定性较好,计算精度精确,寻优过程可靠。     

一类随机泛函微分方程的边值问题收敛性分析

随机泛函微分方程模型对大规模海量数据集的处理和训练上,有其独特的优势,解决随机泛函微分方程的边值问题,并进行收敛性分析,具有重要的意义。通过数学推导证明了半正定最小正特征带状稀疏条件下的稳定特性,对随机泛函的连续边值就行稳定误差逼近分析,采用共轭梯度法进行奇异分解,将边值收敛条件代入随机泛函椭圆函数,得到一个自回归线性最优解集,根据多目标优化理论,构建随机泛函微分方程扰动夹逼定理,根据复值函数凸组合优化定理,给定刚度矩阵小的半正定最小特征,求得该类随机泛函微分方程的边值凸组合模型渐进收敛条件。研究理论将在位移逼近和稳定性控制等领域具有较好的应用价值。     

基于BP神经网络的智能车电磁导航控制算法

针对智能车模型,提出了基于BP神经网络的智能车电磁导航控制算法,该算法在车辆体积受限情况下使用短前瞻传感器采集赛道信息输入给神经网络模型,输出前轮的舵机控制角度。实验结果表明,这种算法可以较出色的比拟传统PID控制器的控制性能,具有较高的稳定性。     

基于改进型BP神经网络PID的电阻焊机电源恒电流控制

针对实际电阻点焊过程复杂多变,精确数学模型的建立较为困难,传统PID控制器难以保证系统在不同的工作状况下具有良好的控制特性,提出了一种改进型BP神经网络PID的电阻焊机电源恒电流控制方法。将BP神经网络与PID控制方法相结合,通过神经网络的自学习、加权系数的调整,优化PID控制器参数Ki、Kp、Kd,并将粒子群算法引入到神经网络中作为其学习算法,有效的提高了BP神经网络算法收敛速度。仿真结果表明,该电源智能控制方法能够根据系统运行状态对PID参数进行自适应调整,有效的对焊接电流进行恒定控制。     

基于GA-BP神经网络岩石可钻性预测模型

本文基于地层岩石的测井资料,构建基于遗传算法(GA)优化后BP神经网络地层可钻性预测模型。经GA优化后的BP神经网络避免了传统BP神经网络收敛速度慢和易陷入局部极小值等不足,大大提高了模型的预测精度和收敛速度。结合实例分析,通过对比BP、GA-BP和PSO-BP三种模型的可钻性级值的预测结果,发现GA-BP的预测精度更高。具有一定的参考价值。     

基于遗传算法的BP神经网络在高校图书馆流通服务质量评价中的应用研究

针对高校图书馆流通服务质量问题,建立了评价系统的BP神经网络模型,利用遗传算法对传统的BP神经网络权值进行全局优化运算,提高了网络收敛速度,并经过实例计算验证了该模型的有效性。     

线性约束下随机泛函微分方程的超线性收敛性

研究线性模型约束下随机泛函微分方程的超线性收敛性,可以优化实现对海量数据集的聚类分析和模式识别。以K分布概率分度函数为基函数,得到随机泛函微分方程Banach空间中的特征函数,构建了线性约束模型,并进行微分方程数值分析,基于贝叶斯估计方法,以一阶原点矩和二阶原点矩为特征,对随机泛函微分方程的约束参数进行优化估计,给出扰动特征泛函原理,根据最小描述(MDL)准则和自回归传递(CAT)函数准则,进行方程解向量的超线性收敛特性分析和证明,得出线性约束下随机泛函微分方程的超线性渐进收敛的。该结论将在海量数据集的聚类分析和模式识别中具有重要应用价值。     

基于遗传算法改进神经网络的电力谐波检测算法

提出了基于遗传算法改进神经网络算法进行电力谐波分析的方案。遗传算法全局搜索能力强,收敛速度快的特点弥补了神经网络算法在进行谐波分析时易陷入局部最优解的缺点,同时对初始权值进行遗传算法进化也大大加强了整个算法模型的泛化能力。针对算法本文借助MATLAB的遗传算法和神经网络算法工具箱进行仿真训练发现使用遗传算法改进神经网络算法收敛速度更快,计算结果准确性更高,具有较好的谐波分析效果。     

神经网络内模控制在矿井局部通风机上的应用

根据掘进工作面的局部通风要求,提出了一种新的矿井局部通风机控制方法,神经网络内模控制器根据局部通风机的工作状态对其速度进行实时调整。系统具有设计简单、控制灵活的优点,又具有较好的稳定性和较高的控制精度。     

基于改进Elman神经网络的氧化铝浓度控制建模

铝电解过程是一个非常复杂的非线性、时变和大滞后的工业过程体系,因而采用常规的控制方法很难达到良好的控制效果。针对此问题本文提出了采用改进的Elman神经网络对其进行建模,介绍了改进Elman神经网络结构及其学习算法;分析了影响氧化铝浓度的主要因素,并根据实际情况确定了输入层和中间隐层的维数,从而确定了模型的结构。通过对现场采集的数据进行了仿真,仿真结果表明：与常规Elman相比,神经网络收敛速度和稳定性上都有明显提高,得到了令人满意的结果。     

基于欧氏距离的人工免疫算法的研究

针对基于信息熵的人工免疫算法速度慢的原因,提出了基于欧氏距离的人工免疫算法,通过进行数值仿真比较,证明了基于欧氏距离的人工免疫算法在全局收敛、计算速度、收敛次数等方面的优越性。     

基于模糊自适应PID算法的车辆稳定性控制

针对传统的模糊自适应PID算法在车辆稳定控制的应用中还存在控制精度不高的问题,本文设计了一种以RBF神经网络优化模糊自适应PID算法为基础的车辆稳定性控制模型。这一模型首先优化RBF神经网络算法隐含层的中心数目,这一优化过程主要是借助减聚类的方法进行。然后采用Logistic对其中心值进行精度的提升,最后采用改进RBF神经网络对模糊自适应PID控制算法进行改进,以达到更精确的控制。仿真实验结果发现,与PID算法相比,基于模糊自适应PID算法设计的这一车辆稳定性控制模型的控制精度更高,并且在车辆稳定性控制应用中具有更好的效果。     

基于T-S模型的火电热控制稳定性问题研究

电厂热工过程与其它工业过程在特征方面具有本质意义的不同,热工过程中的动力装置和内部过程具有复杂性的特点,使得火电热过程通常具有非线性、不确定性、信息不充分性的特征,传统控制方法无法达到理想的控制效果,控制稳定性较差。提出一种基于T-S模型的热工信号无关干扰下的火电热控制稳定性分析方法,采用自适应滤波器的最小均方误差算法对热工信号无关干扰进行过滤,获取期望热工信号。分析T-S模型的基本思想,依据T-S模糊模型设计火电热模糊控制器。依据Ly-apunov理论实现火电热控制稳定性的分析。实验结果表明,采用所提方法的火电热控制稳定性较高,所需时间较短。     

基于混沌神经网络的项目投资风险评价模型研究

针对神经网络在搜索寻优过程中存在的收敛速度慢、易陷入局部极小值这一问题,将混沌理论和神经网络有机结合,构造混沌学习算法,建立了基于混沌神经网络的综合风险评价模型,该模型充分利用混沌运动的遍历特性,加快了训练速度,使其收敛于全局最优解。将此模型应用于项目投资风险综合评价的结果表明,该模型具有一定可操作性和实用性。     

包装印刷用永磁同步电机模型参考自适应控制

为了提高包装印刷用永磁同步电机速度和位置控制精度,提升其高动态性能。首先给出了永磁同步电机数学模型,并介绍了Popov超稳定性理论,并基于Popov超稳定性理论设计了一种基于模型参考自适应的永磁同步电机无速度传感器控制器。仿真和实验结果表明,本文提出的永磁同步电机模型参考自适应无速度传感器控制方法对转速和负载变化具有很好的自适应能力和较强的鲁棒性,能够实现高性能的永磁同步电机无传感器控制。该控制方法能够显著提高包装印刷用永磁同步电机位置和速度控制精度,对于提升包装印刷质量具有重要意义。     

基于改进粒子群BP算法的神经网络及应用

融合粒子群算法和BP算法的优点,提出了改进粒子群BP算法,阐述了其基本思想,详细的实施步骤及对标准BP算法的改进之处。为了验证提出算法的优越性,以某钢厂引进的连铸板坯二冷动态控制系统为研究对象,设计了基于该算法的表面温度神经网络控制器。以实际生产现场的设备、工艺参数为基础进行了仿真研究,改进粒子群BP算法在收敛速度、计算精度、最优解的搜索能力、算法稳定性等方面优于标准BP算法。     

基于NWP和改进神经网络的短啦风电功率预测研究

风电场功率预测对电力系统稳定运行起着决定性作用。首先对传统BP神经网络进行改进,以某一风电场获取的2月1日-10日的天气预报（NWP）数据和功率数据作为改进后BP神经网络的训练数据,对神经网络进行训练;其次以2月11号3小时的数值天气预报数据作为改进后BP神经网络的输入数据,对未来3小时的输出功率进行预测。预测过程和结果显示,改进后的BP神经网络在满足低预测误差的同时,能够提高BP神经网络的稳定性和收敛速度。     

BP神经网络在主汽温控制系统中的应用

电厂主汽温被控对象是一个大惯性、大迟延、非线性且对象变化的系统,基于BP神经网络的PID控制,利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定,充分利用PID和神经网络的优点。用一个多层前向神经网络,采用反向传播算法,依据控制要求实时输出Kp、Ki、Kd,依次作为PID控制器的实时参数,代替传统PID参数靠经验的人工整定和工程整定,以达到对大迟延主汽温系统的良好控制。对这样一个系统在MATLAB平台上进行仿真研究,仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力,对大迟延和变对象的系统可取得良好的控制效果。     

强鲁棒性小方差类间类内特征文本数据分类

提出一种基于改进TFIDF算法的海量文本分类识别方法,将特征之间的信息熵与特征内信息熵作为文本分类识别的加权因子,采用神经网络的非线性映射能力实现权值计算和TFIDF算法的模糊化,从而解决文本分类不准确和海量文本的分类问题。采用5个类别文档,每个类别5个文档,3个特征项来进行实际试验验证,结果表明,改进的TFIDF算法能够更好的实现文本识别分类,具有更小的方差特性,对随机文本分布具有更强的鲁棒性,收敛速度更快,具有很好的应用价值。     

动态属性权重智能前馈神经网络电力控制方法

在工业园区光伏并网控制中,电力控制驱动过程中呈现阻尼振荡,影响系统响应速度和稳定性。提出一种改进的基于动态属性权重人工智能前馈神经网络的电力控制方法,提高工业园区光伏并网电力控制性能。控制系统设计中,采用两个PI控制器,并结合使用磁链控制器和转速控制器,在转子磁场坐标系下,利用仿射PARK变换,使得工业光伏并网控制电力系统所有运算在转子磁场坐标系下实现。构建人工智能前馈神经网络,通过功率前馈控制加快并网系统的响应速度,采用动态属性权重预测电流控制技术补偿延时,实现无差拍控制和正弦脉宽调制。系统测试表明,采用该控制方法进行工业园区光伏并网电力控制,能有效抑制控制延时和电感量偏差对并网电流造成的畸变,控制系统鲁棒性和稳定性较高。