基于双向权值调整算法的神经网络非线性系统辨识

使用神经网络建模是非线性系统辨识的一个重要方法。为克服传统BP算法训练多层前向神经网络进行系统辨识中存在的一些问题,本文提出一种使用双向权值调整学习算法训练单隐层前向神经网络进行非线性系统辨识的方法。此辨识方法使用结构简单的单隐层前向神经网络,在正向阶段由Moore-Penrose广义逆确定输出权值,反向阶段则按误差梯度下降原则对隐层权值进行调整。算法能在正向和反向两个过程对网络的权值做出调整,具有较快的学习速度,并且能在一定程度上保证神经网络的泛化能力。通过基准辨识仿真实验验证,基于此方法的非线性系统辨识具有建模结构简单、训练速度快且辨识精度高的特点。     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

基于神经网络的机车速度传感器故障诊断方法研究

建立了RBF神经网络预测器模型,将其应用到机车双速度传感器的故障诊断中,并提出了诊断决策方法。利用MATLAB实现了RBF神经网络预测器的仿真,并模拟了机车速度传感器输出的3种故障模式进行了故障诊断辨识。仿真结果表明文中提出的方法能够准确地进行速度传感器在线故障诊断,为机车速度传感器故障诊断提供了新的思路。     

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。     

异步电动机直接转矩控制系统的Simulink仿真

在分析了异步电动机直接转矩控制(DTC)基本原理的基础上,对目前DTC研究中不同的控制策略进行了比较,提出了一种采用Matlab/SimulinkPSB建模和仿真DTC工作过程的简便方法。该方法通过d—q坐标系下建立的异步电动机数学模型,采用带滞环的比较器控制转矩、磁链和磁链幅值,建立了一种简便的开关选择表,成功实现了对异步电动机转矩和转速的直接转矩控制,为进一步改善DTC系统性能及投入实际工程应用奠定了基础,并给出了仿真结果     

级联神经网络用于单扫描示波极谱信号的测定

将改进小波神经网络与BP神经网络相结合,提出一种新的混级联神经网络结构,用于单扫描示波极谱信号的同时测定.通过对网络结构的优化和网络参数的调整,加快了训练速度,提高了预测的准确度.用该法对邻、间硝基氯苯混合样进行了预测,结果满意.对级联神经网络法与单一BP神经网络法的预测结果进行了比较,表明级联神经网络优于单一BP神经网络.     

改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。     

无速度传感器异步电动机直接转矩控制

分析了速度传感器在机车运行中故障率较高从而导致牵引传动控制设备可靠性降低的现状,介绍了无速度传感器技术应用于轨道牵引传动系统的优点。在异步电动机Γ型等效电路模型基础上,构建Luenberger自适应状态观测器,得到状态偏差的方程。通过李亚普诺夫稳定性理论,推导出一种无速度传感器控制的速度自适应辨识算法。在TMS320C31和TMS320F240构成的双微机控制平台上,对提出的无速度传感器控制算法进行了全数字化实现,利用大功率IGBT牵引逆变器和异步牵引电动机对无速度传感器直接转矩控制进行了试验研究。试验结果表明,该系统具有优异的性能。最后分析了影响转速辨识精度和实际应用的2个关键问题:逆变器死区效应及补偿方法;低速再生区稳定运行。     

改进型柔性神经网络及在开关磁阻电机磁化曲线建模中的应用

针对传统神经网络建模的不足提出了一种改进型的柔性神经网络。阐述该网络在学习、训练过程中不仅可以调节连接权,而且加强了对网络非线性函数参数的实时修改,通过多自由度的训练与调整,使所建网络达到最佳的性能。给出了所建网络的结构与学习算法,并通过算例的形式将其与传统BP神经网络及传统已有柔性神经网络进行了全方位比较。结果表明,改进型网络由于其三自由度调节参数的能力,具有比传统BP网络及已有柔性神经网络更强的学习能力,它以最少的迭代循环次数实现了期望精度。     

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。     

基于神经网络的无速度传感器感应电机转子电阻辨识方案

针对矢量控制系统提出了一种转子电阻在线辨识方案.应用神经网络理论,以转子磁链电压模型的输出为参考值,神经网络模型的输出为估计值,通过反向传播算法不断调节神经网络的权值,使转子磁链的估计值跟踪参考值,间接辨识出转子电阻.在MATLAB6.5/SIMULINK下,对无速度传感器感应电机矢量控制系统在电阻变化时的情况进行了仿真.仿真结果表明,辨识算法具有较好的静动态性能.     

基于RBF神经网络的铁路沿线短时风速预测方法

对实测风速数据进行Kalman滤波,去除实测风速数据的偏差;通过归一化处理,消除数据中的冗余成分;针对RBF神经网络的预测误差会随着时间的推移而增大的问题,采用滚动式训练方法在线训练RBF神经网络;用训练好的RBF神经网络进行风速预测,再对预测结果进行反归一化处理,得到最终的预测风速.仿真结果表明,运用基于RBF神经网络的铁路短时风速预测方法对短时风速进行预测,最大相对误差仅为5.92％,可满足铁路防灾安全监控系统中风速预测子系统的要求.     

现代控制理论与交流电机调速(Ⅲ)--智能控制(2)

介绍在交流电机调速中应用智能控制的第二部分——人工神经网络控制技术。这种网络由基本处理单元——人工神经元构成,它的输出包含一个非线性的响应函数,因此人工神经网络适于处理诸如交流电机一类具有明显非线性特征的系统。通过不同方式的训练,连续修正网络内连接权的大小,可将其用于交流电机的系统辨识和控制。     

柔性神经网络及其在开关磁阻电机建模与仿真中的应用

作为一种新型的神经网络,创建了具有高度柔性特性的网络结构,给出了柔性神经网络(FNN)的基本原理,并将其应用于开关磁阻电机(SRM）的建模与仿真,展示了SRM新型建模方法的主要优点。FNN在实现系统功能的同时,需要较少的神经元和迭代循环,大大降低了网络的复杂性,加速了网络的学习与实时计算速度。     

基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。     

部分预应力混凝土梁裂缝宽度应用BP网络计算的研究

本文利用BP神经网络模型,对部分预应力混凝土矩形截面梁裂缝宽度的计算方法进行了探讨。首先,通过理论分析,找出影响预应力混凝土梁裂缝宽度的主要因素,在此基础上,建立预测预应力混凝土梁裂缝宽度的优化BP神经网络模型。然后,针对所建模型,输入一定量的实测的预应力混凝土梁裂缝宽度数据样本,进行模型参数的训练和学习,利用人工元神经网络的特点,训练好裂缝宽度计算模型。仿真计算的结果表明,应用人工元神经网络方法,进行部分预应力混凝土梁的裂缝宽度的预测计算是可行的,而且与我国现行规范公式的计算结果相比,计算精度更高。     

改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用

本文提出了一个基于改进粒子群优化算法的BP神经网络优化模型来进行轴承故障诊断,此模型融合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了诊断结果的精确性.仿真结果表明机车滚动轴承故障得到了有效诊断.相比于常规的BP神经网络模型,此方法不仅改进网络的收敛速度并且提高了预测准确性.