基于Hession矩阵优化的NDEKF神经网络辨识永磁直线同步电机

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.     

粒子群优化BP网络建模及在缓冲包装设计中的应用

利用粒子群优化(PSO)算法取代传统BP网络算法中的梯度下降法,对参数(权值、阈值)进行优化,并将其应用于缓冲包装设计,建立缓冲包装材料特性模型.仿真数据表明:PSO优化的BP网络算法在函数逼近误差、迭代次数上均比传统BP网络算法有显著提高,可有效地解决缓冲包装中的非线性问题.     

基于BP神经网络的煤炭企业可持续发展评价

在分析煤炭企业可持续发展评价方法的基础上，建立了煤炭企业可持续发展评价指标体系，构建了基于误差反向传播算法（BP算法）的多层前向神经网络模型．为减小希望输出与实际输出之间的误差，从输出层神经元到输入层神经元逐层反向修正各连接权，并在网络训练学习的过程中不断执行误差反向传播修正，以提高网络对输入模式响应的正确率．通过算例验证了运用BP神经网络评价煤炭企业可持续发展的有效性和准确性．     

基于LM算法神经网络的PMSM转子位置估算

针对永磁同步电机控制中传统机械传感器容易故障或失效,常规无传感器转子位置估计方法实现复杂、计算量大、易受干扰等问题,提出了基于LM算法神经网络的永磁同步电机转子位置估算器.通过采集两相静止坐标系下电压、电流以及与转子位置相关联的数据集来创建估算器模型,针对标准BP神经网络算法收敛速度慢、效率低的问题,将采用LM算法对数...     

船舶永磁同步电机的直接转矩控制研究

介绍了船舶永磁同步电动机(PMSM)的直接转矩控制(DTC)原理和设计方法.为了克服低速时常规DTC系统存在的磁链和转矩脉动较大、难以控制等问题,引入了滑模变结构控制算法.基于MATLAB平台,建立了具有滑模变结构功能的直接转矩控制系统仿真模型,实验结果表明该算法可改善原系统的动、静态性能,对系统参数和外部干扰表现出较...     

基于粗糙集-BP神经网络客户群特征与服务映射模型研究

针对客户服务项目的不确定性，基于不可分辨关系的粗糙集理论和BP神经网络算法优良的分类映射能力，提出了面向细分客户群的基于粗糙BP神经网络客户群特征与服务项目映射模型。本文将分析客户特征，运用粗糙集理论进行客户特征约简、划分等价关系、建立BP神经网络的初始拓扑结构，运用K-means算法划分客户群。通过引入粗糙集理论，改进BP神经网络算法，加快BP网络收敛的速度和逃离局部极小值点，并利用rosetta软件和Matlab编程实现面向细分客户群的客户特征与服务项目映射模型。     

用于磁悬浮列车的长定子同步直线电动机的电磁设计

介绍用于磁悬浮列车中的长定子同步直线电动机的工作原理，指出其电磁设计特点，特别是与一般旋转电机在设计上的不同之处。并编制了电磁设计程序，为长定子同步直线电动机的计算提供了依据。     

基于GRNN神经网络的ZigBee室内定位算法研究

基于固定参数的无线信号传播损耗模型的定位算法,不能很好解决由于多径传播效应和环境复杂性所带来的测距误差问题。提出使用GRNN神经网络来拟合室内RSSI值与距离值之间的映射关系,得到RSSI值与距离值的映射模型,再将定位实验中实测的RSSI值作为训练好的GRNN神经网络的输入层,在输出层得到与RSSI值相对应的距离值,最后使用加权质心算法来进行待测节点的定位。该算法不仅简单而且性能良好,并且不需要额外的硬件。经过Matlab和ZigBee实验仿真验证,与路径损耗模型和基于BP神经网络的定位算法相比,所提出的算法可以提供较好的定位结果。     

基于实例改进的BP算法的联合应用

BP(Back Propagation)神经网络模型是当今的科学技术领域中应用最为广泛的一种，其突出优点是具有很强的非线性映射能力以及根据具体问题灵活处理的柔性的网络结构。但是目前BP网络还存在一些缺陷，如训练时间长、易陷入局部极小等。分析BP神经网络的几种优化算法，实例证明这些优化算法的联合应用可以提高网络的性能。     

考虑偏差补偿PSO-BP模型的SCR入口NOx软测量

针对燃煤电厂SCR入口氮氧化物(NO_x)烟气连续监测系统存在较大延时性和维护过程无法连续测量的问题,提出一种考虑偏差补偿基于改进型PSO优化的BP神经网络软测量模型.首先,利用改进的PSO算法对网络参数进行优化,解决各神经元阀值与权值初始选择随机性强和训练过程易陷入局部极值的问题,从而提升网络的训练速度和精度;其次,构建模型误差补偿网络修正预测结果以提高网络的预测精度与泛化能力;然后将改进模型应用于SCR入口NO_x软测量,基于某电厂DCS运行数据仿真计算,并与BP模型、标准PSO优化的BP模型和改进型PSO优化的BP模型进行了对比.仿真实验表明提出的软测量模型具有更高的收敛速度、更强的泛化能力、更佳的测量精度.     

基于神经网络的振动压路机土壤压实度数据处理

应用BP神经网络数据处理,研究在振动压路机振动加速度实时检测中,振动加速度与土壤压实度之间的关系。研究结果表明:振动加速度与土壤压实度之间是正相关的,但并不是线性关系;通过BP神经网络的非线性映射可以很好的映射二者之间的关系。     

基于奇异谱分析的GRNN模型在金融时间序列中的应用

奇异谱分析(SSA)作为一类无参数、独立于模型的时间序列分析技术,适用于具有非线性、非平稳性、含噪声的金融时间序列数据的分析与研究.目前,基于SSA的预测通常采用线性递归、BP神经网络等模型,但其预测精度、训练速度并不理想.为此,该文提出基于SSA的广义回归神经网络(GRNN)预测模型,它以SSA所获取的主成份重构序列...     

线控转向系统的神经网络模型与模糊控制

采用魔术公式表达的轮胎模型,建立线控转向系统非线性三自由度整车动力学模型,该模型在整个轮胎侧偏角范围内有效,反映轮胎侧偏角超过5°后轮胎侧偏力与轮胎侧偏角的非线性特性,并采用BP神经网络训练模型。转向传动比采用模糊控制。结果表明：采用BP神经网络训练模型较好的映射了输入与输出的非线性关系,采用转向传动比模糊控制算法得到转向传动比随车速的变化规律,可较好的实现低速转向灵敏和高速转向稳定的控制目标。     

��ɼ�������������Լ�����ʾ

洛杉矾是汽车城市的代表，许多研究引用洛杉矾为案例分析汽车城市交通问题的一般性，本文则从洛杉矶的特殊性进行分析，进而从洛杉矶城市的自然条件和人文环境以及城市发展历程等角度，分析洛杉矶低密度开发和机动化的相关关系．本文认为，洛杉矾的低密度城市形态主要是由于其特殊的自然条件和人口构成，而不是单纯的小汽车因素，而其快速机动化与快速城市化的历史“共振”加剧了低密度开发，是洛杉矶成为典型汽车城市和蔓延城市的重要原因．文章还分析了这种发展路径背后的交通政治及其趋势．最后通过中美城市化和机动化的对比，指出了洛杉矶城市交通发展对我国城市规划和城市建设的借鉴意义．     

��������Ԥ���һ�ָĽ�Winters����

提高航线需求预测精度是航空客运收益管理系统的重要研究课题。提出一种首先运用EM算法对航线历史订座数据中由于受资源限制而没有被满足的需求进行修复，取得更为准确的需求数据，然后，针对航班销售具有提前预订的特点，将航线历史订座数据整合成一个提前日矩阵，使预测时能够利用更多的已知信息并减少了计算数据量，最后再运用Winters模型进行预测的航线需求预测方法。以成都到广州航线历史数据为例仿真计算，预测结果的平均误差为4.9％ ，而直接采用winters法进行预测的平均误差为21.7％ ，验证了算法的可行性和有效性。     

On the algorithms of adaptive neural network-based speed control of switched reluctance machines

AbstractA switched reluctance machine(SRM)drive is a time-varying,strongly nonlinear system.High performance control can no longer be achieved by using linear techniques.This paper describes the back-propagation (BP)neural network-based proportional-integral-derivative(PID)speed control of the SRM.It’s the interest of this paper to explore the utilization of the prior empirical knowledge as guidance in the initializing and training of the neural networks.The purpose is to make the networks less sensitive on the initial weights.Two modified algorithms are presented and simulation experiments show some interesting findings about their control effects and their corresponding sensitivity on the initial weights of the networks.     

基于改进的BP神经网络模型参考自适应控制

针对传统BP算法的神经网络模型参考自适应控制实时性差、精度不高、收敛慢等不足,结合BP改进算法和非线性系统的可逆性,提出了基于改进的双向权值调整BP算法的神经网络模型参考自适应控制.基于此算法设计的系统辨识器和控制器的网络结构简单,精度高,仿真结果表明该算法的辨识和控制效果均很理想,可应用于工程实际.     

基于BP神经网络的预测模型

预测是数据分析的基本任务之一,传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的产生为处理非线性问题提供了一条新途径。文中运用智能计算技术建立了BP网络模型。通过珠江三角洲天河水文站的水位预测结果表明,BP网络模型有较好的泛化能力,预测更为可靠。     

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。     

Term Structure of Interest Rates Based on Artificial Neural Network

In light of the nonlinear approaching capability of artificial neural networks （ ANN）, the term structure of interest rates is predicted using The generalized regression neural network （GRNN） and back propagation （BP） neural networks models. The prediction performance is measured with US interest rate data. Then, RBF and BP models are compared with Vasicek＇s model and Cox-Ingersoll-Ross （CIR） model. The comparison reveals that neural network models outperform Vasicek＇s model and CIR model, which are more precise and closer to the real market situation.