混合智能控制技术在船舶电站励磁控制中的应用

将混合智能控制技术应用于船舶电站同步发电机励磁控制，通过一种结合自组织学习和BP学习的混合学习算法，学习并调整控制器参数和结构，该算法比通常的BP算法收敛性好，速度快。仿真结果表明，该算法能很好地稳定机端电压。     

Wasserman自适应学习率算法的改进

在Wasserman自适应学习率算法的基础上提出一种新的BP网络改进算法--分层自适应学习率附加动量项算法,并应用该算法建立了凝汽器故障BP网络诊断模型.仿真结果表明该算法较之Wasserman自适应学习率算法能进一步提高网络的学习速度.     

基于动态BP算法的非线性系统预测控制

以包含滞后环节的非线性系统为对象,提出一种增加动态特性的动态BP（Back Propagation）学习算法。该算法以传统BP算法为基础,在多层感知机网络的第1隐层和输出层分别引入可调节的自适应延迟参数,并通过误差梯度对其进行修正,实现了对滞后系统的建模和延迟时间的辨识。进而将该算法与神经网络自适应控制器相结合,提出了一种基于神经网络模型的预测控制结构。仿真结果证明了方法的有效性。     

基于IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.     

预测高速旋转机械转子随机响应的人工神经网络(ANN)方法

提出了一种新的预测旋转机械随机响应方法--人工神经网络方法.研究了这种神经网络结构的学习算法.为了保证快速学习收敛,应用Lyapunov函数得到一种自适应学习率方法.用这种方法对某直立转子的地震响应进行在线预测,计算机仿真结果表明,这种网络学习算法是有效的,并且是可行的.     

一种基于神经—模糊的船舶航向控制器研究

文中针对船舶航向这种非线性、时变、滞后控制对象，提出了一种基于人工精神网络的模糊控制器。利用人工精神网络的学习能力，将抽象的模糊控制规则转化为神经网络的学习样本，通过ＢＰ学习算法记忆这些规则样本，并以“联想记忆”的形式来使用非样本规则。仿真结果表明该控制器具有很好的控制精度，动态特性和鲁棒性。     

三维仿真在船舶机舱管路布置中的应用

计算机技术快速发展,三维仿真在船舶设计中的作用越来越重要。本文以船舶机舱管路布置为研究对象,利用三维仿真工具与计算机程序语言,实现了机舱管路的智能布置。为了有效提高管路布置算法的质量,本文使用了人机结合的管路智能布置算法,并且在遗传算法中引入爬山法提高算法的收敛速度。仿真实验结果表明,本文所描述的方法能够获得较好的仿真设计结果。     

基于遗传算法的多传感器管理

分析了针对多传感器多目标分配的传感器管理算法的特点以及存在的问题,结合遗传算法的思想,给出了一种以效能函数为目标函数的传感器管理算法,并进行了算法的仿真。仿真结果表明,基于遗传算法的传感器管理算法是有效的,特别是问题规模较大时更比规划方法具有实用性。     

基于集员估计理论的神经网络学习算法

针对前馈神经网络BP算法在处理非线性对象时,收敛速度慢,易陷入局部极值,需调节参数多等缺陷,提出了将最优定界椭球(OBE)算法引入到神经网络的学习中,该算法比BP算法在收敛速度,精度方面都有显著提高,仿真结果证明了此算法的有效性。     

基于粗糙集理论的遗传属性约简算法研究

传统的属性约简算法效率低下,容易陷入局部极小值,不适用于大型知识库。文中提出一种基于粗糙集理论的遗传属性约简方法,在传统的属性约简方法基础上对适应度函数、交叉和变异的概率、变异方式和种群修复方式进行了改进。在正域区分对象集的研究基础上,用启发信息设计了一种快速的属性约简算法,并利用 Matlab 工具进行仿真,将仿真结果与前人研究结果作对比。实验表明此算法优于前人的算法,能够快速高效地对大型知识系统求其约简。     

Feedback-feedforward variable gain iterative learning method adopted in electro-hydraulic position servo system北大核心CSCD

[目的]为了实现电液位置伺服系统的精确控制,提出一种反馈-前馈变增益迭代学习法。[方法]首先建立电液位置伺服系统的简化模型,然后对迭代学习控制算法进行改进,采用带遗忘因子的变增益学习律,最后开展Matlab仿真对比验证。[结果]仿真结果表明:相较于传统的迭代学习和传统PID控制,改进后的迭代学习算法具有更好的收敛性和更小的跟踪误差,可以使电液位置伺服系统快速精确地跟踪位置曲线,从而提高系统动态特性。[结论]研究成果可为电液位置伺服系统的控制性能优化及实际工程应用提供参考。     

基于LM算法的组合导航系统的故障诊断

LM (Levenberg-Marquardt)算法是梯度下降法与高斯-牛顿法的结合,在训练次数与精度上明显优于标准的BP算法.介绍了BP神经网络,采用LM算法对标准BP算法进行改进,并应用于船舶组合导航系统的故障诊断.仿真结果表明,LM算法可有效地提高学习速度,缩短训练时间,诊断效果好.     

基于局部线性重构的全景高光谱影像低维可视化

论文提出一种基于局部线性重构的半监督学习全景高光谱影像扩散坐标系延拓方法.基于半监督学习思想,利用ε-net近似逼近全景高光谱影像的特征空间,并计算出对应的扩散几何坐标,进而基于局部线性性质在ε-net所逼近的特征空间上局部线性重构出外采样点的扩散几何坐标.相对于基于坐标系配准达到大尺度高光谱影像可视化的方法,半监督学习范式能够给出全景高光谱影像更为一致的坐标表示.     

船舶航向非线性系统的模型参考模糊自适应控制

考虑船舶航向控制系统模型中存在不确定非线性函数，并假设该函数是连续的，在以模糊系统对该函数进行逼近的基础上，利用Lyapunov理论，提出了一种新的模型参考模糊自适应控制算法。其特点是，无论取多少条模糊系统规则，自适应学习的参数只有一个，便于工程实现，而且还确保闭环系统渐近稳定，并使系统的模型跟踪误差为零。最后以远洋实习船“育龙轮”为倒，进行了船舶航向模型参考模糊自适应自动舵设计，并利用Matlab工具箱进行了仿真研究，结果证明该算法十分有效。     

柴油机双层隔振的自适应模糊控制方法及模拟试验的研究

该文针对船舶柴油机振动特点，提出了一种自适应模糊控制方法，构造了自适应模糊控制器，并可在线自适应调整模糊控制器的有关参数，由柴油机双层隔振系统模拟台架试验的结果表明，该模糊控制方法对柴油机的振动具有良好的控制效果。     

模糊神经网络控制在调速系统中的应用研究

针对无刷直流电机(BLDCM)调速系统的特点,在分析BLDCM(Brushless DC Motor)的数学模型的基础上建立了控制系统的仿真模型,设计了一种新的模糊神经网络控制器FNNC(Fuzzy Neural Network Controller),并运用遗传算法优化模糊神经网络结构和改进在线学习算法,将其应用到直流电机调速系统中。仿真试验表明,该方法较传统PID控制有更好的控制效果。     

灰色系统与神经网络算法相结合的分析与研究

采用BP神经网络对模型参数进行预测,算法的学习训练速度和建模时间比较长;采用灰色系统理论对模型参数进行预测,对数据信息的学习和训练能力比较有限,两种算法都存在各自的缺陷,为了提高模型中参数的收敛速度和估计精度,本文将灰色系统理论和BP神经网络算法相融合,通过仿真可以看出,模型参数的估值精度比较高,误差较小,证明了该算法的有效性和鲁棒性。     

基于卷积神经网络的船舶自动识别系统

基于船舶自动驾驶存在的问题以及需求,提出了一个基于卷积神经网络的船舶自动识别系统。系统设计使用的生成对抗神经网络算法,基于互信息理论,能够无监督式地学习船舶图像特征。通过实验论证,在分类准确度上取得了显著地提升,表明本系统方法合理有效,具有较高地运用前景。     

人工神经网络在故障诊断系统中的应用

人工神经网络以其独到的联想、记忆、储存和学习功能，在故障诊断领域受到了广泛关注。其中，BP网络是最成熟、应用最广泛的一种网络。但BP网络在实际应用中也存在诸多不足，如学习率的取值需要凭借经验或试算选取，网络学习收敛速度慢以及易陷入局部最小点等。针对BP网络的这些不足，采用了Rumelhan附加惯性冲量和动态调整学习率相结合的改进的BP网络方法，并尝试用该改进算法来对凝汽器进行故障诊断。事实证明，在平均情况下，本系统收敛速度远远快于基本的BP算法。