基于LM算法的组合导航系统的故障诊断

LM (Levenberg-Marquardt)算法是梯度下降法与高斯-牛顿法的结合,在训练次数与精度上明显优于标准的BP算法.介绍了BP神经网络,采用LM算法对标准BP算法进行改进,并应用于船舶组合导航系统的故障诊断.仿真结果表明,LM算法可有效地提高学习速度,缩短训练时间,诊断效果好.     

基于神经网络和L2增益的船舶航向自动舵设计

对一类带建模误差和不确定性外界干扰的船舶运动非线性系统,提出了一种基于神经网络和L2增益方法的航向自动舵设计.对模型中的建模误差采用在线神经网络予以辨识和补偿,避免了建模误差界定函数的经验选择;而对不确定外界干扰力项则采用L2增益设计,保证了闭环跟踪系统的鲁棒性.控制器设计步骤应用Lyapunov函数递推法,航向跟踪误差和神经网络权值误差被证明是一致终值有界的.合理的控制器参数选择保证了控制系统的跟踪精度.数值仿真结果验证了控制器设计的有效性.     

RBF神经网络在柴油机燃油系统故障诊断中的应用研究

本文主要介绍了径向基（RBF）神经网络在柴油机燃油系统故障诊断中的应用,并且首次将神经网络和虚拟仪器技术相结合,成功用于柴油机故障诊断中。比较了RBF和误差反传（BP）神经网络的学习速度和诊断精度。研究表明,将RBF神经网络和虚拟仪器相结合进行柴油机故障诊断具有良好的诊断效果和精度,有很好的工程应用前景。     

高速公路动态交通流Elman神经网络模型

为了提高高速公路交通流建模的精度,分析了离散的高速公路动态交通流数学模型,基于Elman网络原理,建立了回归神经网络交通流模型。回归神经网络的输入层、上下文层、隐含层和输出层的节点数目分别选为8、30、30和2,采用Levenberg-Marquardt算法对回归神经网络进行训练,并对一条5路段的高速公路进行仿真。结果表明:回归神经网络平均相对误差为8.683 7×10-5,最大相对误差为4.237 1×10-4,与BP神经网络和RBF神经网络相比较,Elman回归神经网络能更好地逼近交通流数学模型,真实地描述交通流基本特性,能准确地建立动态交通流模型,适应交通状况的变化。     

基于二分法的车辆状态参数融合估计

为提高车辆状态参数估计的精度和可靠性,提出一种基于二分法的车辆状态参数融合估计方法。首先,设计了基于车辆3自由度动力学模型的扩展卡尔曼滤波算法和由数据驱动的径向基神经网络车辆状态参数估计算法。然后,为了进一步提高估计算法的可靠性和减小单一算法的估计误差,提出将模型驱动的估计算法和数据驱动的估计算法相补偿的融合估计方法,基于二分法设置扩展卡尔曼滤波和径向基神经网络估计结果的权重,利用估计算法的融合提高估计精度。最后通过MATLAB/Simulink与CarSim的联合仿真和实车在环试验对该融合方法的有效性进行了验证。结果表明,估计结果变化趋势与实际相符,所提出的融合算法的估计精度比单一扩展卡尔曼滤波算法和径向基神经网络算法有明显的提升。     

人工神经网络在软土地基沉降预测中的应用

人工神经网络这种数学工具可以以任意精度逼近任意非线性曲线,且具有容错性和联想记忆功能,利用基于人工神经网络和反向传播理论的分析方法对软土地基沉降进行的预测体现了很强的优越性。介绍构建网络模型后,用某高速公路软基沉降的实测数据进行网络的训练和学习,再用建立的预测模型预测出了最终的沉降量。所得的结果与实测值达到了较好的一致性,与用其它理论计算方法所得结果相比较具有较高精度。     

一个基于灰色神经网络组合的交通量预测模型应用研究

GM模型在预测中对历史数据作不同取舍时,其预测值并不相同,即这种预测结果将是一个预测值的区间,这就给预测人员的取舍带来一定困难。利用GM模型少数据建模和人工神经网络非线性逼近的优点把两种模型结合起来,用对历史数据作不同取舍的GM模型的预测值和纯神经网络的预测值作为组合神经网络的输入,由人工神经网络确定这些不同GM模型和纯BP网络的组合,实例验证得出更为准确的预测值,从而证明这一模型的可行性和有效性。     

黄土沟壑区湿软路基沉降预测模型

为合理考虑路基沉降预测时诸多影响因素的不确定性与随机性,提出基于神经网络范例推理的路基沉降预测模型。以同类工程的成功经验为基础,建立了基于神经网络的沉降范例检索模型,在范例相似度计算中,引入归一化效用函数,通过神经网络的学习,建立当前沉降范例与沉降源范例之间的相似关系,最终实现当前沉降范例的沉降预测。对黄土沟壑区湿软路基沉降预测结果表明,该模型具有较高的预测准确性,预测值与实测值绝对误差小于10%。     

基于GRNN的GSM-R场强覆盖预测算法

在比较Hata模型修正方法和GRNN算法场强覆盖预测效果的基础上,仿真分析了训练集构成和平滑因子选择对GRNN算法预测效果的影响,给出了训练集构成和平滑因子选择的方法;提出了电波传播环境相似系数来表征GRNN模型在不同环境下的适用性。仿真结果表明,两种传播环境的相似系数越大,由一种环境下测试数据确定的GRNN在另一环境下的预测精度越高。