基于多因素神经网络模型的柴油机NO_x排放预测及试验研究

以发动机转速、进气量、循环油量、发动机出水温度、中冷后进气温度、进气湿度、排气背压、柴油温度作为输入,NO_x排放质量流量为输出,优化隐层节点和迭代次数,并经过样本训练,构建了NO_x排放预测模型。结合台架试验数据,验证了模型的泛化能力,其预测值与试验值间误差小于1.5%。在此基础上,利用模型进一步分析了试验因素的重要度和试验控制性。结果表明:发动机转速、循环油耗、中冷后进气温度、排气背压对柴油机NO_x排放的影响相对较高;进气湿度控制范围过宽,对NO_x排放测试结果影响高于其他因素。     

欠驱动船舶路径跟踪的神经滑模控制

为实现欠驱动船舶在存在风浪流外界干扰和参数摄动条件下的路径跟踪控制,提出一种基于可视距离的神经滑模路径跟踪鲁棒控制器。利用可视距离思想,根据期望路径与当前位置信息,分别设计船舶纵向速度和艏摇角的参考值,并视为镇定位置误差的虚拟控制律,将路径跟踪问题转化为纵向速度和艏摇角的镇定问题;结合神经网络和滑模方法,设计一种新的神经滑模鲁棒控制器,实现了对虚拟控制律的跟踪控制,无需确定参数摄动和外界干扰的上界,避免了控制器容易出现的饱和问题和抖振现象。仿真试验表明,设计的控制器对欠驱动船舶的模型摄动和外界干扰变化不敏感,可以实现路径的理想跟踪。     

基于模糊神经网络的水火弯板双臂系统控制与研究

研究了水火弯板双机械臂的非线性控制问题,采用一种模糊神经网络算法,利用神经网络的学习能力和模糊控制的模糊信息处理能力,调整优化双机械臂运动的位置偏差,得到该控制体系下的最佳驱动参数,仿真结果表明,该控制策略提高了水火弯板双机械臂的控制精度,并且使系统具有较好的动、静态性能。     

基于BP神经网络的船舰目标识别分类

随着各国在海洋领域竞争的日益激烈,船舰目标自动识别技术正逐渐成为研究热点。本文利用BP神经网络对航空母舰、驱逐舰、护卫舰、客船、集装箱、民用货船6种船只类型进行分类,首先对船舰图像进行中值滤波,去除随机噪声和椒盐噪声,然后利用OTSU法将灰度图像分割成背景和目标两部分,接着对目标区域提取了Hu不变矩、边缘梯度方向直方图、周长-面积比3个特征。为了使边缘梯度方向直方图也具有旋转和尺度不变性,本文提出了一种变换方法:将直方图循环右移,直至其最大值到达直方图最右端。最后利用BP神经网络对船舰图像进行了训练和测试。测试结果表明,本文的分类算法对船舰目标的分类精度达到84%左右,有效实现了常见船舰类型的识别分类。     

基于多神经网络分类器的目标识别

舰船目标自动识别通常需考虑多个特征,而复杂的特征往往需要适合的分类器与之相适应。本文借助已有的一种可组合多种特征和多种分类器的通用分类器,验证其在舰船识别中的有效性。该通用分类器将多分类问题转化为多个二分类问题,利用多个二分类器对舰船各特征进行独立识别,最后根据投票规则决定目标识别结果。本文以二分类BP网络作为多神经网络分类器的基分类器,对航空母舰、驱逐舰、护卫舰、客船、集装箱、民用货船6种船只类型进行了识别。识别结果表明,由多个二分类BP网组成的多神经网络分类器平均分类精度为89%,该通用分类器在实践中有效。     

基于神经网络的海面噪声预测算法

海面噪声是整个海洋噪声研究领域的重要组成部分,准确预测海面噪声对于船舶探测系统及水声系统性能至关重要。本文对影响海面噪声的信号源特性进行分析,通过统计学方法对噪声源的分布情况及噪声传播条件进行研究,分析传播中的射线原理对噪声的影响。最后利用神经网络算法对简正波模型进行改进,研究小角度范围内噪声场的密度函数,并发散至大广角范围,得到海面噪声以及噪声信道的统计特性函数,并进行了实验。     

RBF神经网络在公交行程时间预测中的应用

为提高公交行程时间预测结果准确度、减少预测过程花费时间,提出基于RBF神经网络公交行程时间预测模型。综合分析公交车辆行程时间动静态影响因素后,将网络变量输入模型对行程时间进行预测,以重庆市462公交线路为例,对模型进行验证,对比BP网络预测结果,表明RBF模型在速度和精确度上优于BP网络,具有一定实际应用价值。     

车用汽油机瞬态空燃比的混沌时序非线性组合辨识模型

为提高汽油机瞬态空燃比的辨识精度,提出了混沌时序非线性组合辨识模型.采用2种单项辨识方法,包括最小二乘支持向量机(LS-SVM)及径向基函数(RBF)前向型神经网络,分别对瞬态空燃比时间序列进行建模与辨识.采用非线性组合方法利用BP神经网络对2种单项辨识方法的结果进行组合辨识,并与Elman神经网络模型及最小二乘辨识模型进行比较.结果表明:混沌时序非线性组合辨识模型的辨识精度优于Elman神经网络模型及最小二乘辨识模型,具有更强的非线性辨识能力,能提高瞬态空燃比的辨识精度,为空燃比反馈控制的成功实行提供了有力依据.     

基于时间序列ACO-BP神经网络在基坑变形预测中的应用研究

BP神经网络技术因其良好的非线性动力学特性、函数逼近能力、自组织和自适应能力,已广泛应用于基坑变形预测中。但实际应用过程中发现BP神经网络具有收敛速度慢、初始权阈值对计算结果影响较大,且易陷入局部最优等缺陷。采用引入具有启发式寻优、全局优化特点的蚁群算法优化BP神经网络,对基坑变形进行预测,并与BP神经网络进行比较。结果表明:ACO-BP神经网络模型预测基坑变形可行;预测精度高于BP模型,且结果稳定、速度较快、误差满足工程的要求。     

SOM网络在铁路危险货物专用线风险评价中的应用

为合理确定铁路危险货物专用线的风险水平,提出了一种基于神经网络技术的风险评价模型.根据铁路危险货物专用线运营的特点及国家相关标准的要求,比较全面、系统地构建了铁路危险货物专用线及附属设施风险评价指标体系.为了弥补现有铁路危险货物专用线定量风险评价方法的不足,提出了基于自组织特征映射(SOM)网络的铁路危险货物专用线风险评价模型,并将训练后的模型应用于中石油某线路的风险评价,确定了该线路的风险等级.实例计算表明,该模型假设合理,计算结果符合实际情况.