基于数据驱动的磁浮列车悬浮系统参数整定

为了解决由于磁浮列车悬浮系统模型存在复杂非线性所带来的控制器参数整定难题,考虑仅依靠悬浮系统单次悬浮调试的输入输出数据来实现控制器参数整定,研究了基于数据驱动的磁浮列车悬浮系统快速参数整定方法. 首先,通过磁浮列车悬浮系统的建模分析了悬浮系统的开环不稳定性和复杂非线性;其次,针对虚拟参考反馈参数整定方法存在的参考模型确定问题,利用估计闭环响应方法来实现数据驱动的控制器参数整定;并且考虑到数据中存在的干扰噪声会影响控制器参数整定,提出了基于信号投影的磁悬浮系统数据噪声抑制方法;最后,以单铁磁悬浮系统为研究对象,通过单铁悬浮实验验证了本文提出的基于数据驱动的磁浮列车悬浮系统参数整定方法的有效性. 研究结果表明:悬浮系统的开环不稳定性和复杂非线性会给参数的快速整定带来较大困难;基于信号投影的噪声抑制方法能够将带噪声数据的方差降低54.1%;基于数据驱动的参数整定方法能够快速地整定好悬浮系统控制器参数,经参数整定后的系统相较于初始条件下只粗调好的PID反馈控制系统的阶跃响应超调量下降72.0%,平方误差积分 （ISE）下降79.8%,绝对误差积分 （IAE）下降54.5%.      

An Adaptive Sliding Mode Tracking Controller Using BP Neural Networks for a Class of Large-scale Nonlinear Systems

A new type controller, BP neural-networks-based sliding mode controller is developed for a class of large-scale nonlinear systems with unknown bounds of high-order interconnections in this paper. It is shown that decentralized BP neural networks are used to adaptively learn the uncertainty bounds of interconnected subsystems in the Lyapunov sense, and the outputs of the decentralized BP neural networks are then used as the parameters of the sliding mode controller to compensate for the effects of subsystems uncertainties. Using this scheme, not only strong robustness with respect to uncertainty dynamics and nonlinearities can be obtained, but also the output tracking error between the actual output of each subsystem and the corresponding desired reference output can asymptotically converge to zero. A simulation example is presented to support the validity of the proposed BP neural-networks-based sliding mode controller.     

基于模糊神经网络的高速公路路面质量评价

为提高高速公路沥青路面使用质量的评价精度,将T-S模糊理论与BP神经网络相结合,以高速公路沥青路面的路面状况指数、路面结构强度指数、道路行驶质量指数和路面抗滑性能指数4个检测指标作为输入变量,根据模糊推理规则构建路面质量评价的非线性映射关系,路面检测指标经过模糊神经网络的学习和训练,直至网络输出与期望输出的误差达到最小,去模糊化后得到各路段的精确评价结果,建立了路面使用质量的综合评价模型.用实际检测数据对该模型进行了验证,结果表明:该模型具有模糊系统的逻辑推理能力和神经网络的定量数据处理能力,通过本文方法仿真得到的路面质量的综合评价结果,与期望值的相对误差小于2.1%.      

基于LS—SVM逆系统方法的非线性动态矩阵控制

针对神经网络逆系统建模存在的诸多问题,提出了基于最小二乘法支持向量机的α阶逆系统方法的非线性动态矩阵控制新方法．将最小二乘支持向量机辨识非线性对象的α阶逆模型与原系统串联组成伪线性系统,根据线性动态矩阵预测控制方法对伪线性系统进行控制．仿真结果表明,系统存在扰动和模型参数发生变化时,依然具有很好的动、静态性能,且表现出很强的鲁棒性,证明了方法的有效性．该方法不依赖于系统的数学模型,简化了非线性对象动态矩阵控制器的设计,为非线性预测控制的研究提供了一种新途径．     

桥梁非线性自激气动力参数解析识别

随着自激气动力的非线性部分在桥梁风致振动中地位的显现,非线性自激气动力参数的合理确定显得至关重要。结合非线性自激气动力的解析表达式,基于分状态强迫振动风洞试验,提出了一种特征系统实现算法和非线性最小二乘法相结合的非线性自激气动力参数的解析识别方法。理想平板数值仿真结果表明:在无噪声情况下,识别结果与理论值完全一致;在20%白噪声情况下,识别最大误差仅3.7%,表现出较强的抗噪声能力。非线性气动力仿真结果表明:解析法能够精确确定非线性自激气动力谐波阶数,在20%白噪声情况下,各谐波幅值及相位的识别最大误差仅3.2%。将解析法运用于实际风洞试验,进一步论证了该方法的可行性和有效性。      

基于神经网络方法的柴油机气缸压力识别

分析了柴油机气缸盖系统激励和响应信号的非线性特性,阐述了基于BP神经网络的柴油机气缸压力识别方法.对测试的振动响应信号进行时域统计平均和低通滤波后,训练BP神经网络,利用自适应梯度下降算法,自适应调节学习速率,提高网络精度,识别柴油机气缸压力.结果表明,恢复出来的缸内压力信号和实测信号十分接近,该方法对柴油机的实时在线控制、监测和故障诊断有重要的应用价值.     

人脸非线性视角流形建模方法

针对线性子空间不足以描述头部视角空间非线性变化等因素影响人脸视角流形的精确建模问题,提出一种新的视角流形建模方法,并从理论上将该方法与经典的流形学习建模方法及概念驱动的视角流形建模方法进行比较,通过基于非线性张量分解的人脸及视角识别实验比较视角流形对识别结果的影响,从而给出视角流形的有效性比较.实验结果表明,本文提出的视角流形建模方法比概念驱动的视角流形和TensorFace中的线性视角系数均有更好的识别效果.     

神经Chebyshev正交多项式均衡器及自适应算法

提出一种全新结构的非线性均衡器———神经Chebyshev正交多项式自适应均衡器.该均衡器由1个非线性神经自适应滤波器和1个Chebyshev正交多项式滤波器级联而成.基于最陡下降方法,推导出了相应的自适应算法.仿真结果表明,在线性信道中,该均衡器的均方误差(MSE)比神经自适应均衡器和二阶Volterra均衡器小;在非线性信道中,以更为简单的结构达到了和BP算法训练的三层神经网络相似的性能.     

磁流变半主动座椅悬架建模及振动特性分析

磁流变阻尼器力学模型及控制电流逆模型对半主动控制系统的控制精度具有重要影响.采用正弦及余弦型魔术公式，基于骨架曲线与滞回分离的建模方法，建立改进的磁流变阻尼器动态阻尼力模型；采用基于Sobol序列的差分-禁忌混合优化算法对阻尼力模型进行参数识别，构建包含激励特性及控制电流参数的通用数学模型；在试验测试及正向模型基础上，利用自适应神经模糊系统建立阻尼器控制电流逆模型.研究结果表明：本文建立的正逆模型均能够有效表征磁流变阻尼器的非线性行为及滞回特性；改进魔术公式模型在不同激励特性及电流工况下的平均百分比误差在3.4%附近变化；逆向动力学模型计算的控制电流误差均方根值为0.086 9～0.1171 A；经过控制电流逆模型与阻尼器正向模型串联模型计算的预测阻尼力误差均方根值为阻尼器最大阻尼力的5.6%；通过试验测试与仿真结果对比，验证了本文提出的阻尼器数学模型具有较好的精度和适用性，能够改善座椅悬架系统振动传递特性.     

基于PSO优化RBF-NN的磁浮车间隙传感器温度补偿

针对高速磁浮列车悬浮间隙传感器的温度漂移现象,建立了基于RBF（radial basis function）神经网络的间隙传感器温度补偿模型.通过对全局最优粒子执行梯度下降寻优,将粒子群优化算法与梯度下降算法结合得到一种寻优能力更强的混合算法,并将该方法用于RBF温度补偿模型参数优化,提高了间隙传感器的补偿精度,最后,使用现场可编程门阵列FPGA（field-programmable gate array）实现了该补偿模型并进行了实验.实验结果表明:该方法能够较好地对间隙传感器进行温度补偿,补偿后的传感器输出不受环境温度影响,全量程范围内最大误差为0.45 mm,8~12 mm工作间隙范围内误差为0.16 mm.      

基于MSA的智能火灾报警系统

针对传统的采用单一火灾传感器的自动消防系统易产生误报警、漏报警的问题,提出基于MSA(mu lti-step-alarm)的智能火灾报警系统.该系统采用基于BP神经网络的多传感器数据融合技术融合各种火灾传感器的信号,以减少报警时间、误报警和漏报警.提出了相关判定规则,以确认火灾报警信号,克服BP算法容易陷入误差局部最小、单纯使用训练值会产生振荡的缺陷.实验结果表明,与3种单一传感器的平均值比较,基于MSA的智能火灾报警系统的误报率和漏报率分别减少了80%和92%,报警时间缩短了50%.     

����Hession�����Ż���NDEKF�������ʶ����ֱ��ͬ���������Hession�����Ż���NDEKF�������ʶ����ֱ��ͬ�����

永磁直线同步电动机模型的建立对研究其稳态特性、动态特性和控制策略都是非常重要的。首先，将带外部输入的非线性自回归模型展成多项式形式，然后在此基础上用残差分析法导出真实的阶次所满足的条件。为了克服神经网络结构依靠人工试凑的不足，使用基于Hession矩阵的修剪法来优化其结构。考虑到BP算法的一些固有缺点，使用NDEKF(基于节点的解耦扩展Kalman滤波器算法)来训练网络。实验证明，网络的输出结果与试验样机(永磁直线同步电动机驱动的垂直运输系统)的实际输出十分接近；同时将NDEKF与BP算法进行对比，NDEKF算法具有收敛较快、泛化能力强、不易陷入局部极小等特点。     

基于BP 神经网络的铁路客运服务质量评价研究

为了客观、准确地评价铁路客运服务质量,从旅客感知角度出发,构建了评价 指标体系,建立了BP神经网络求解模型,提出了基于BP算法的铁路客运服务质量评价 算法.通过对网络的训练,使得网络输出达到了期望的精度,满足了客运服务质量评价的 要求.最后通过对铁路旅客的调查问卷实例,从均方误差、统计识别率方面进行了分析、仿 真,对客运服务质量进行综合评价,并与模糊综合评价法进行了对比.实验结果表明,本文 构建的评价指标体系科学、合理,提出的评价算法收敛速度快、误差小,评价结果能够有 效地反映客运服务质量水平,为提高和改进铁路客运服务质量提供参考依据.     

车联网中驾驶员反应时间实时估计方法

结合车辆非线性分段制动特性和车辆状态数据对驾驶员反应时间进行实时估 计,采用特征数据拟合出初速度与减速度上升时间关系模型,通过BP神经网络推算减速 度上升过程中减速度随时间非线性变化关键参数,并在此基础上基于车辆动力学运动规 律求解车辆分段制动位移,通过实际位移与理论位移等价关系实现驾驶员反应时间实时 估计,最后利用Newell 跟驰模型场景对本文提出方法进行仿真验证.结果表明：不同初速 度条件下,反应时间估计值平均误差不超过0.022 s;不同反应时间条件下,反应时间估计 值平均误差不超过0.013 s.本文提出的反应时间估计方法不用增加通信负担和额外设备, 能够达到较高精度,具备更优的适应性、可用性及工程价值.     

基于RBF神经网络的交通流数据修复研究

完整的传感器数据是交通管理和控制的基础,但由于传感器自身或传输线路故障等原因,常常导致数据缺失,亟需对传感器缺失数据进行修复。鉴于此,以离散和连续缺失的线圈检测器交通流量数据为研究对象,构建基于RBF神经网络的数据修复模型。并将其结果与利用非线性回归模型、BP神经网络模型进行修复的结果相比较。RBF神经网络模型在离散缺失3 个数据、连续缺失3 个数据和连续缺失5 个数据情况下,平均百分比绝对误差分别为0.67%, 0.66%和1.33%,修 复值和实测值的总体相关性为0.992,修复精度优于非线性回归模型和BP神经网络模型。研究结果表明,RBF神经网络模型与其他方法相比可更精确地进行交通数据修复。     

桥梁结构非线性地震响应极值分布的估算方法

为了研究近断层脉冲地震作用下桥梁非线性地震响应极值分布，进行小失效概率下的桥梁动力可靠度精确计算，提出了一种有效的近断层脉冲地震作用下桥梁结构非线性地震响应极值分布分析方法. 首先考虑桥梁结构的非线性和地震动的不确定性，采用拉丁超立方抽样对近断层脉冲地震动随机参数和结构随机参数进行随机抽样，通过模拟的高频地震动均方值和与精确值的相对误差确定出所需要的样本数量；其次以合成的近断层脉冲地震动作为地震激励，通过时程分析对结构非线性动力方程进行求解，从而得到结构非线性地震响应极值样本，再采用改进的分数阶矩最大熵原理获得结构非线性地震响应的极值分布；最后通过非线性单自由度系统和三层非线性剪切框架验证了该方法的有效性. 研究结果表明:该方法不仅能够有效的模拟近断层脉冲地震作用时，桥梁结构与地震动双重不确定性影响下的动力响应极值分布，更能在兼顾效率和计算精度时，精确估计桥梁结构非线性地震响应极值的尾部分布，能够为桥梁结构非线性动力可靠度评估提供一种有效的途径.      

基于改进 BP 神经网络的铁路货运量预测

在分析铁路货运量预测方法的基础上,针对标准BP神经网络的不足,提出改进的BP神经网络预测模型。首先,利用动态陡度因子来改变激励函数的陡峭程度,以此来得到更好的激励函数响应特征以及更好的非线性表达能力;其次,利用附加动量因子,通过对以前经验的积累,既降低了神经网络对误差曲面的局部细节敏感特性,又较好的遏制了神经网络易于限于局部最小的缺陷;最后,采取改变学习率的方法,给定一个较大的学习率初始值,在学习的过程中学习率不断减小,网络最终趋于稳定。改进BP算法既可以得到更优的解,还能够缩短训练时间。利用全国铁路货运量的相关数据对改进BP神经网络进行了验证。验证的结果表明,改进的BP神经网络预测模型在相对误差和迭代次数上有较大改善,对铁路的货运量预测很有效。     

管式差压流量传感器标定数据的数学模型确定

管式差压流量传感器的输入与输出成非线性关系，分别运用了几种不同的数学模型对该传感器的标定数据进行了最小二乘拟合运算，在比较运算结果及误差分析的基础上，找出了适合于该传感器输入与输出拟合曲线的数学模型。     

基于BP算法的中密度纤维板热压机压力控制研究

在中密度纤维板生产过程中,针对热压压力控制存在的大惯性、纯滞后和非线性问题,提出具体的解决方法.建立中密度纤维板热压机压力模型,运用基于BP(back propagation)神经网络的经典增量式PID控制方式,实现对热压过程的优化控制.通过仿真实验和结果分析得出:BP神经网络优化控制具有稳定性好、超调量少、震荡现象少等优势特点,改善了被控过程的动态性能和稳态性能,在提高系统抗干扰性能及参数时变的鲁棒性等方面优越于常规PID调节器     

基于BP神经网络算法的特大跨度斜拉桥施工过程中的线形预测

随着斜拉桥跨度的增大,其几何非线性因素影响越来越明显,这就需要寻求考虑几何非线性影响的特大跨度斜拉桥施工线形预测方法。文章分析BP神经网络算法的基本原理及改进措施,借助Matlab语言建立预测模型,探讨其在特大跨度斜拉桥施工控制中的应用。以某主跨为1088m的特大跨度钢箱梁斜拉桥为工程背景,验证该方法的合理性和可行性,为同类型桥梁的线形控制提供参考。