基于多层神经网络的饱和非线性输入自适应控制

针对一类具有未知饱和模型的单输入单输出非线性系统的控制问题,根据滑模控制原理和多层神经网络的逼近能力,提出了一种直接自适应神经网络控制器的设计新方案。该方法将控制增益推广到未知函数,通过补偿饱和模型方法取消了饱和模型各参数已知的条件。鲁棒项的引入消除了建模误差和参数估计误差的影响。理论分析证明了闭环系统是半全局一致终结有界,跟踪误差收敛到零的邻域内。仿真结果进一步表明所提控制方法的有效性。     

基于BP神经网络反演云顶高度

精确估计云顶高度可以在数值天气预报以及气候模型领域中起到举足轻重的作用。云顶高度首先影响着加受油机对接,影响着飞机通讯质量,其次降低对目标的识别,还会破坏电磁干扰与抗干扰。因此,获取更精确的云高信息,不仅节约了时间,还避免了错误估计而造成不必要的损失。本文以训练样本集中日本葵花8静止气象卫星光谱通道数据为输入,以美国CALIPSO卫星的结果为输出,通过构建神经网络模型方法,利用BP神经网络,针对葵花8静止气象卫星,建立葵花8卫星云顶高反演模型,使用检验样本集,对反演模型取得的云顶高反演结果进行检验与分析,研究模型的云顶高反演能力、特性和效果。     

动态联盟企业合作伙伴的选择评判分析

首先建立动态联盟企业合作的评价指标体系;接着应用AHP改进法求合作伙伴的权重,应用粗集理论的模式识别方法对数据信息去除冗余条件属性和进行决策规则简化。在此基础上应用灰色关联理论对合作伙伴的选择进行评价,并作为神经网络的输入数据,通过隐含学习和训练,输出神经网络拟合值,对评价结果进行验证和排序;最后使用MATLAB6.5对算例进行分析,验证其可行性。     

基于人工智能的海南黄花梨木与越南黄花梨木识别研究

为实现对海南黄花梨木及越南黄花梨木成品家具在无损伤的情况下进行分类识别,本文通过采集成品家具纹理图像并分别对图像在RGB和HSV颜色空间下的颜色直方图各分量的峰值进行分析,计算图像灰度共生矩阵(GLCM)在步长d取值为2和4的情况下4个方向上图像纹理的对比度、相关性、熵、平稳度、能量,5个特征值用SPSS软件做显著性分析。通过分析最终确定R、G、B、V、相关性、对比度、能量,7个特征值作为海南黄花梨与越南黄花梨识别的特征值向量,通过对比BP神经网络与SVM向量机2种识别方法,发现SVM向量机准确率更高,准确率可达到94%。结果表明本文方法可作为一种在无损伤的情况下识别海南黄花梨木与越南黄花梨木成品家具的可靠方法。     

基于GRU神经网络的供热负荷预测研究

供热负荷预测是实现智慧供热的关键技术之一,对降低供热能耗具有重要意义。本文以开封市J集中供热系统某换热站的2020年供暖季历史供热数据为研究对象,设计了基于门控循环单元(gate recurrent unit, GRU)神经网络的短期供热负荷预测模型。将1次侧供回水温度、室外温度、风速、天气情况、流量作为输入变量,供热负荷作为输出变量,前70%的数据作为训练集,后30%的数据作为测试集。通过MALTAB进行仿真模拟,并与传统的BP神经网络、Elman神经网络进行对比分析。仿真结果显示GRU神经网络预测模型MAPE为3.94%,RMSE为76.77,预测效果最佳。     

水文模型在不同时间尺度的适用性研究

为了探讨人工神经网络和概念性水文模型在不同流域模拟日及月尺度径流的适用性,分别在长春岭和元江流域构建径流预报模型,日尺度用倒传递神经网络(back-propagation neural network, BPNN)和新安江模型,月尺度用BPNN模型和ABCD水量平衡模型,并以线性插值方法提高径流序列自相关性来提升模型模拟的精度,采用流量过程曲线图和纳什效率系数进行定性和定量评价。研究结果表明:(1)ABCD水量平衡模型适用于流域的月尺度径流模拟,该模型参数少、易优化,对数据要求低,而新安江模型对较小流域的适用性较差;(2)BPNN模型适用于径流时间序列自相关性高的日尺度径流模拟;(3)通过线性插值方法可有效增加数据量,并提高BPNN模型模拟的精度。     

基于RNN的短期太阳辐照度预测算法研究

预测太阳辐照度对于有效及时的利用可再生能源至关重要。本文旨在研究递归神经网络(RNN)的5个变体,并得出有效可靠的5 min短期太阳辐照度预测模型。5个RNN网络分别是长期短期记忆(LSTM),门控循环单元(GRU),简单RNN,双向LSTM(Bi-LSTM)和双向GRU(Bi-GRU);前3个类别是单向的,后2个类别是双向的RNN模型。基于24个月连续采集的相关天气与辐照数据对5个网络模型进行训练与测试,研究不同参数以及模型结构下预测精度与误差的变化,最终得到最优的模型种类与结构。实验表明模型的深层次的体系结构会产生显著效果,同时,与单向预测相比,Bi-LSTM和Bi-GRU能提供更准确的预测。Bi-GRU模型提供了最低的RMSE和最高的R²值,分别为46.1和0.958;此外,双向RNN显示出较高的鲁棒性与非线性表达能力。     

时变时滞的BAM神经网络的指数稳定性分析

引入一种全新的BAM神经网络系统,通过一种变换变为易于处理的情形,并用LMI(线性矩阵不等式)的方法对它进行了指数稳定性分析;介绍了一维和二维的两种模型,两种模型存在着很多相同点.