网络遥操作机器人系统神经网络预测控制仿真研究

为了改善网络随机时延影响网络遥操作机器人系统稳定运行的问题,采用RBF神经网络对网络实测时延进行预测,取得较好的预测效果。结合Smith预估控制,提出了一种基于网络实测时延的遥操作机器人系统神经网络预测控制新方法,仿真实验结果表明了该方案的有效性和鲁棒性。     

人工神经网络控制器在水下无人运载器导航中的应用

本文以水下无人运载器（AUV）绕平面圆周航行的速度、位置控制为例，推广到任何轨迹的控制问题。利用神经网络学习AUV运行的内在规律，预测未来一步的运行情况，并用改良的PID方式前馈与后馈相结合控制其执行机构。系统学习、预测及PID各增益量利用GESA（GuidedEvolutionarySimulatedAnnealing）全局优化方法求得。本方法具有自适应性、强非线性及前馈控制等特点，优于其它一般的控制器。     

自适应灰色神经网络控制器在液位控制中的应用研究

针对实际工业生产过程中被控对象的时变和纯滞后特点,本文根据神经网络具有能够充分逼近任意复杂的非线性关系和能够学习严重不确定系统的动态特性,具有适应性、智能性较好的特点并结合灰色预测控制的超前预测的特点,提出了基于BP神经网络的灰色预测控制算法.仿真结果的对比分析表明:本文的控制算法与传统控制器相比,具有控制简便、自适应性较强等特点,适用于对纯滞后和模型时变对象的控制.最后采用xPC技术在实际设备上进行了算法的验证,取得了满意的效果.     

PSO-BP神经网络在船舶二级脱硝系统中的应用

随着国际海事组织（IMO）标准Tier III标准的实施，船舶柴油机尾气中的氮氧化物（NOx）的排放受到了更严格的限制。选择性催化还原脱硝技术因其高效、可靠等优势成为船舶柴油机NOx减排的主要选择。本文先根据SCR反应机理在MATLAB中搭建一级SCR脱硝系统和二级SCR脱硝系统模型，通过仿真结果对比，发现加入二级脱硝系统后，脱硝率可以得到提高。鉴于BP网络预测精度较低，本文将粒子群（PSO）算法加入到BP权值训练过程中，利用PSO-BP 神经网络预测 SCR-DeNOX系统出口处NOX浓度。结果表明：PSO-BP 神经网络不但可以预测SCR-DeNOX系统出口处的NOX浓度，而且与传统BP 神经网络相比可以提高预测结果的精度，为有效控制喷氨量、降低氨气逃逸量提供帮助。     

基于PCA和RBF神经网络的绞吸挖泥船实时产量预测

绞吸挖泥船在实际作业过程中的动态特性非常复杂,影响产量的控制因素众多。若这些控制因素全部参与产量预测比较耗时。为了实时训练网络及预测产量,先对影响绞吸挖泥船产量的控制因素进行主成分分析(PCA),再根据分析结果约减控制因素;在系统仿真建模中,分别以全部因素和约减后因素作为径向基(RBF)神经网络的输入变量,以产量作为输出变量来建立绞吸挖泥船产量预测模型。结果表明,减少输入变量,不仅降低产量预测模型的复杂程度,减少神经网络计算耗时,而且能保持模型良好的预测精度,从而为施工现场的操作人员提供实时的产量参考。     

改进PSO-ANN神经网络算法在船舶安全性预测方面的研究应用

利用神经网络网络的自学习能力强、并行计算快、容错性高的特点来评估船舶航行安全性状态,同时利用微粒群算法(PSO)优化反向传播神经网络的连接权值和阈值。阐述反向传播神经网络在船舶航行安全性系统状态评测中的流程,相对于目前的船舶航行安全性预测方法,本文提出的智能模型具有结构简单及预测精度高等优点。     

局部回归神经网络在水下机器人运动控制中的应用

探讨了水下机器人神经网络运动模型的结构,提出了带有局部回归结构的水下机器人神经网络控制器结构及预测控制的实现方法,给出了该神经网络的教师样本生成方法及学习方法,计算机仿真与水池实验结果验证了本文提出方法的有效性和可行性。     

基于神经网络的无人无缆水下机器人运动建模与控制技术研究

对自主型水下机器人（ＡＵＶ）神经网络运动模型的结构进行了理论分析和探讨,提出了非完全回归型神经网络、增加积分层的输出层结构及相应的分步式学习方法。对ＡＵＶ运动过程中目标运动路径和目标运动速度的同时跟踪控制进行了系统研究。提出了由主控网络和伴随网络构成的神经网络控制器结构,给出了通过计算机模拟来生成教师样本的方法,提出了预测控制的思想。计算机仿真及水下机器人“Ｔｗｉｎ－Ｂｕｒｇｅｒ”的水池实验结果验证了本文所提出的建模方法和跟踪控制方法的有效性和可行性。     

人工神经网络控制器水下无人运载器导航中的应用

本文以水下无人运载器（ＡＵＶ）绕平面圆周航行速度、位置控制为例，推广到任何轨迹的控制问题。利用神经网络学习ＡＵＶ运动的内在规律，预测未来一步的运行情况，并用改良的ＰＩＤ方式前馈与后馈相结合的控制其执行机构。系统学习、预测及ＰＩＤ各增益量利用ＧＥＳＡ全局优化方法求得。本方法具有自适应性、强非线性及前馈控制等特点，优于其它一般的控制器。     

神经网络模型在港口吞吐量预测中的应用与误差分析

应用神经网络BP算法对杭州港的吞吐量预测实例进行了详细分析。通过对网络各种参数的调试与组合得出,当隐含层节点数为15,训练控制误差为0.035,分级迭代级数为4级,平滑因子参数为0.2,学习速率参数为1.5时,网络性能最佳。将网络预测结果与时间序列和回归分析2种方法进行了比较,得出神经网络方法在短期预测中要优于传统方法。通过对模型预测误差产生原因的简要分析,得出神经网络方法并不适用于吞吐量长期预测。最后对其应用过程中可能存在的一些问题提出了建议。     

基于神经网络与专家系统的火控系统故障诊断

为了能在火控系统发生故障时，更快更好地诊断和排除，分析了人工神经网络和专家系统各自特点及其局限性，采用人工神经网络技术与专家系统相结合的方法，建立基于人工神经网络与专家系统故障诊断机制，对火控系统的故障进行智能诊断。克服了传统的诊断专家系统缺少有效的自学习、自适应机制，难以解决非线性系统故障问题的不足。这对于解决火控系统多征兆、多原因的复杂故障问题，是一条方便快捷的途径。     

一类复合MRACS在舰炮随动系统中的应用

舰炮随动系统的快速性,稳定性和控制精度是影响舰炮武器系统作战性能的重要因素。针对舰炮随动系统参数时变性和负载干扰大对其快速性,稳定性和准确性的影响,设计了一种神经网络直接模型参考自适应控制器,建立了该控制器的仿真模型,并以某型舰炮为例进行了计算机仿真。结果表明该复合控制器调节时间短、控制精度高、鲁棒性强。该类控制器能够在舰炮随动控制中获得良好的控制性能。     

基于神经网络的蒸发循环智能仿真研究

论述了经典的蒸发循环数值仿真在实际应用中的局限性,在此基础上引入了智能神经网络理论,并以压缩机为例,建立了计算其热力性能的智能仿真模型。仿真结果表明,该模型在仿真描述压缩机性能方面具有很好的效果。     

人工神经网络理论在煤炭海运系统优化中的应用研究

本文应用人工神经网络方法，以经济指标为衡准，在考虑了航线的船型，港口装卸效率等因素后，对我国煤炭海运系统中的主要航线运量分配方案最优化进行讨论，为国家有关决策部门制订合理发展我国煤炭海运计划提供了理论依据。     

基于神经网络的舰艇指控系统故障诊断专家系统

针对舰艇指控系统设备故障的复杂性、多样性,采用神经网络和专家系统相结合的方法,构建了舰艇指控系统故障诊断系统,阐述了该系统的基本结构,以及知识库、推理机和解释机的实现方法。较好地解决了舰艇指控系统故障诊断问题。为舰艇指控系统故障诊断提出了一种新的途径。     

基于神经网络的柴油机遥控系统故障智能诊断研究

为了克服传统模拟电路故障诊断方法的不足,通过对船舶柴油机遥控系统工作原理的分析,提出采用BP神经网络诊断船舶主机遥控系统的智能诊断方法。介绍BP神经网络结构确定方法及其数值优化技术,并以具体电路模块为例探讨神经网络在船舶柴油机遥控系统故障诊断中的应用。通过Matlab仿真可以发现基于BP神经网络的电路故障诊断方法具有自适应性好、训练时间短、准确性高等特点。     

测控装备故障诊断专家系统的设计与实现

通过分析测控装备故障诊断专家系统的目的和任务,将模糊神经网络理论与专家系统相结合用于测控装备故障诊断,建立了故障诊断专家系统的模型。探讨了故障诊断专家系统中知识库的构建及维护、不精确推理等问题。用面向对象分析方法分析故障诊断专家系统,并用软件加以实现。     

基于FNN的船舶舵伺服系统故障诊断研究

分析某型船舶舵伺服系统的故障信息,建立了模糊神经网络故障诊断模型.利用模糊逻辑处理数据以便于充分利用经验知识;利用神经网络诊断,避免了复杂故障树诊断系统的"匹配冲突"、"组合爆炸"和"无穷递归"等问题,并采用改进的BP算法训练神经网络,解决了收敛速度和收敛振荡的问题.诊断实例结果表明:该故障诊断系统具有较强的鲁棒性和泛化能力;该算法采用无模型化诊断,容易实现自学习,可不断完善系统性能,具有一定的理论和工程应用价值.     

模糊神经网络在船舶电力推进系统状态评估中的应用

船舶电力推进系统状态评估是状态检修的前提和基础,建立科学、全面、合理的评估指标体系,选择合适的评估方法,并最终开发切实可行的状态评估系统是船舶电力推进系统状态评估的必要步骤。提出船舶电力推进系统状态评估的流程、基于模糊神经网络的船舶电力推进系统状态评估模型和具体评估步骤,结合船舶电力推进系统的实船运行数据进行状态评估模型仿真试验。仿真试验结果表明,模糊神经网络方法应用于船舶电力推进系统的状态评估具有一定的准确性。     

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。