基于T-S模糊模型的非线性系统辨识

研究了非线性多变量系统的T-S模糊辨识问题．提出一种利用测得的输入输出数据来计算非线性动态模糊模型的方法．使用模糊聚类简化了T-S模糊规则及前提参数的生成，采用加权最小二乘算法得出结论参数．将该辨识器用于一类非线性系统的模糊辨识，并与模糊神经网络的辨识结果进行了比较，验证了所提方法的有效性．     

基于改进遗传算法的递归神经网络非线性系统辨识

将递归内时延神经网络应用于非线性动力学系统辨识中，描述了其动力学方程，并引入改进遗传算法作为其学习算法，通过非线性动力学SISO和MIMO系统的辨识仿真研究，验证了内时延递归网络结构和改进遗传算法的有效性。     

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.     

基于人工神经网络的非线性系统辨识

讨论了用人工神经网络中ＢＰ网络进行未知非线性系统辨识的方法，分析了系统辨识中ＢＰ网络的结构设计和网络的学习算法，基于以上讨论以ＳＩＳＯ非线性系统为例进行了仿真分析。     

主动磁轴承的神经网络辨识研究

简述了主动磁轴承的工作原理及数学模型,在传统系统辨识的基础上提出了基于BP神经网络的非线性辨识方案.通过闭环控制使转子稳定悬浮,并在控制器的输出信号中加入随机噪声,以使系统被充分激励.按照10 kHz的采样频率对磁轴承的I/O数据进行采样,以用于磁轴承特性的辨识.对某单自由度磁轴承的仿真表明,神经网络模型能够以很高的精度逼近磁轴承的输入输出数据,且对不同的输入信号有较好的泛化能力,验证了所提方案的有效性.     

动车组的多变量非线性预测控制研究

通过分析动车组的牵引-制动系统,建立动车组的各动力单元的线性模型,考虑到动车组运行过程中空气阻力、未知干扰等非线性因素,将实际输出与线性模型输出的误差描述为未建模动态,将动车组运行过程这一非线性问题描述成为线性模型与非线性未建模动态两部分组成的集成模型,利用BP神经网络在线估计未建模动态项,利用递推辨识算法在线更新模型...     

基于神经网络的桩基桥墩地震响应辨识系统的研究

在原ＢＰ神经网络基本算法的基础上，按研究桩基桥墩地震响应的特点，改进了网络的激励函数，开发了适用于桩基桥墩地震响应的神经网络辨识，该系统具有较快的收敛速度和较高的预测精度，并用Ｃ语言程序加以实现。     

基于Matlab的汽车动力系统参数辩识

简要介绍了使用Matlab辨识工具箱中最新添加的非线性灰箱进行辨识的一般步骤,通过对实际项目中的沃尔沃V70测量数据,应用非线性灰箱中Levenberg—Marquardt算法和函数进行辨识和仿真实验,得出了合理的系统参数,并根据辨识结果给出了仿真实验的数据和系统拟合的曲线,实验效果表明了工具箱的算法程序具有很好的实用性。     

BP神经网络在模拟非线性系统输出中的应用

概述了非线性系统输出模拟的方法，对BP神经网络及改进的BP算法作了简要介绍。以BP神经网络运用于激光焊接过程中模拟焊缝形状的典型例子，探讨了BP神经网络在非线性系统模拟输出中的可行性；通过实例分析及比较测试结果，对BP网络的结构和训练样本的选取等进行了有益的探索。     

基于BP神经网络的手写字符识别系统

基于BP神经网络对非线性系统辨识的通用性和自适应性等特点,构建了一个BP神经网络模型,增强了网络的自适应能力和学习能力,提高了网络的精度和收敛速度,并在此基础上开发出一个高效准确的手写体字符识别系统.     

基于RBF神经网络设计的桥梁结构损伤识别方法研究

首先根据桥梁结构的动力特性分析,构造了用于结构损伤识别的损伤标示量,并从理论上分析了该参数用于结构损伤识别的可行性.然后,从径向基函数(RBF)神经网络结构、网络设计和网络训练算法等方面论述了RBF神经网络理论,着重说明RBF网络的调用及径向基函数中心和宽度的确定步骤.最后,以一座装配式预应力钢筋混凝土系杆拱桥为工程实例,通过改变构件的弹性模量降低单元刚度来模拟结构损伤程度,并以任意三组向量对网络进行测试,说明了基于频率参数和RBF网络方法的结构损伤识别的可行性和准确性.     

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。     

基于改进RBF神经网络对股价的演变预测

对RBF神经网络进行了分析,建立了RBF神经网络模型,并对此模型进行了改进,使其具有更好的预测性能.把一类非线性较强的时间序列(万科A股2009年6月份股票价格)利用该模型进行了非线性逼近.用Matlab软件对网络的学习与训练过程进行了数值仿真.实验结果表明:利用改进后的网络模型对非线性时间序列进行短期预测是可行的,其预测精度高于改进前的预测精度,改进方法有效.     

基于非线性主成分分析和GA-RBF的高速公路交通量预测方法

为了提高高速公路交通量的预测精度, 综合考虑高速公路交通量的高度非线性和受多因素影响的特征, 提出一种基于非线性主成分分析和GA-RBF神经网络(NPCA-GA-RBF) 的高速公路交通量预测方法; 确定了高速公路交通量的主要影响指标, 运用非线性主成分分析法降低高速公路交通量影响指标的维数及其相关性, 用少数主成分代替原有的多指标, 以简化神经网络结构; 利用GA优化RBF神经网络的参数, 进一步提高交通量的预测精度; 以普洱市某高速公路为例, 对交通量预测方法进行实例验证。分析结果表明: 2组试验GA-RBF和NPCA-GA-RBF方法的平均相对误差分别比RBF方法降低1.62%、3.53%和2.27%、3.32%, 说明GA优化RBF神经网络能提高RBF方法的交通量预测精度; 与GA-RBF方法相比, 2组试验NPCA-GA-RBF方法的平均相对误差分别降低了1.91%、1.05%, 其交通量预测值更接近实际交通量, 预测结果更为可靠, 表明非线性主成分分析法消除了指标的相关性, 进一步提高了交通量预测精度, 减少了交通量预测复杂度。可见, NPCA-GA-RBF方法具有更高的交通量预测精度, 能为高速公路的良好管理提供可靠的决策依据, 满足高速公路合理运营管理的客观需求。      

基于神经网络的斜拉索损伤识别研究

以一模型桥为背景,探讨了斜拉索损伤定位以及损伤程度确定的方法.基于ANSYS有限元模型,采用RBF网络,模拟了斜拉索的损伤情况.以不同损伤程度下自振频率和局部模态作为神经网络的训练与测试输入样本,由神经网络的输出来指示损伤位置和损伤程度,并与BP神经网络的识别效果进行比较.     

基于RBF神经网络模型的板料成形变压边力优化

为了解决变压边力优化过程中RBF(radial basis function )神经网络隐层节点训练难的问题,利用人工智能算法的优越性,建立了基于人工免疫算法的RBF神经网络,并将其用于非线性函数的逼近中.结合分块压边圈与改变压边力控制技术,通过Dynaform软件进行数值模拟获得成形数据,建立了变压边力与成形质量之间的RBF神经网络近似模型.利用人工免疫智能算法对该近似模型进行优化,获得最优压边力参数.将该方法应用于S形梁冲压成形中,与优化前的结果进行比较,采用优化后最优变压边力可以抑制起皱,最大起皱量减少了89.53%.      

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.     

基于RBF神经网络因子分析的汽车保有量预测

汽车保有量预测对城市交通的发展方向有直接的参考意义,通过分析影响城市汽车保有量的因素,采用因子分析法提炼出较少的线性无关的主要因素,建立预测城市汽车保有量的RBF神经网络模型.最后通过实例分析,对RBF神经网络因子分析法计算结果和全要素神经网络模拟结果比较,得出RBF神经网络因子分析法在运算效率、运算精度上的优越性.     

基于RBF神经网络的城市互通立交短时交通量预测

根据实测数据,分析了城市互通立交交通流运行特性,研究了城市互通立交主线总交通量、交织流量比和第2车道大型车比例3种因素对合流区端部交通量的影响,应用神经网络原理建立了输入层为3个神经元,输出层为1个神经元的RBF神经网络,研究了该RBF神经网络的训练算法,应用实测数据进行了网络训练,对训练后的网络进行了仿真.仿真输出结果与实测数据之间的误差很小,证明应用RBF神经网络对互通立交合流区的短时交通量进行预测是一种可行的方法.此研究为分析互通立交内各功能区之间的相互影响,为研究互通立交桥的预先控制和运行状态分析提供了理论参考.