改进的Elman网络在系统辨识中的应用

介绍了Elman网络在非线性动力学模型辨识中的应用原理，采用改进的Elman动态递归网络实现对某平整机液压自动厚控系统（HAGC）的模型辨识。实验表明，Elman网络利用内部状态反馈来描述系统的非线性动力学行为，提高了学习速度，适合于动态系统的实时辨识。     

基于遗传算法和Elman神经网络的接触式探头动态特性补偿

动态特性不理想是接触式探头系统动态测量误差的重要来源,严重制约探头测量速度和精度的提升。提出一种基于遗传算法优化Elman神经网络的探头动态特性补偿方法。针对微纳米接触式探头,采用遗传算法优化Elman神经网络的方法对其动态响应输出信号进行了补偿,使用自适应递推最小二乘方法辨识出补偿前后的探头系统动态模型。探头系统的动态测量不确定度由补偿前的77.8 nm减小至12.1 nm。遗传算法具有较好的全局搜索能力,克服了Elman神经网络容易陷入局部极值的缺陷,该动态补偿方法具有较快的网络训练速度和较高的动态补偿精度。仿真分析及不确定度评定结果都验证了该方法的有效性。     

水下机器人运动系统的神经网络辨识

建立了水下机器人的动力模型，分析了辨识该模型的神经网络结构，采用带自反馈的Elman网络来获得更精确的结果。针对BP算法即误差反传算法的缺陷，提出了用混合优化算法——误差反传算法和遗传算法的混合算法（又称：GA＆BP算法）修正网络权值。最后，将改进的Elman网络应用于水下机器人的非线性辨识。通过仿真证明了该方法用于高阶非线性系统的实用性。     

基于神经网络的空间7R机器人模型辨识及其实验研究

针对空间冗余机器人建模中不确定因素的影响 ,采用神经网络辨识空间 7R机器人输入输出间的非线性关系 ,建立机器人的运动学模型。对Elman动态递归网络结构作了改进 ,提出一种状态延迟输入动态递归神经网络 ,提高了网络的学习速度。将该网络应用到机器人系统模型的辨识问题上 ,以德国PowerCubeTM模块化机器人为研究对象 ,根据机器人返回的关节位置信息及利用OPTOTRAK 30 2 0三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本 ,对包含各种影响因素的机器人运动模型进行了辨识 ,得到了满意的结果 ,说明了神经网络在此类问题中应用的优越性     

基于稀疏存储Elman神经网络的直线伺服控制

为提高数控机床直线进给系统的动态跟踪性能及抗干扰能力,结合进给系统重复运动的特点,利用前一次或前几次的历史控制信息提高进给系统的动态性能,提出了具有动态稀疏存储功能的改进Elman神经网络;引入迅速联想的表格查询方式对神经网络的历史信息进行分类存储、选择利用以增强网络泛化能力,提高网络收敛速度;详细推导了改进Elman神经网络的数学模型及权值调整算法,并将其应用到直线进给伺服系统中,结果表明,基于稀疏存储Elman神经网络的速度控制器具有良好的跟踪精度和抗干扰能力。     

考虑运行条件的Elman网络丝杠驱动系统热误差建模

研究了建立滚珠丝杠副热误差模型的方法,以进一步提高半闭环丝杠驱动系统的定位精度。分析了滚珠丝杠副的热源和温度场的动态特性并考虑丝杠驱动系统运行条件提出了基于Elman神经网络的热误差建模方法。首先,根据滚珠丝杠副的结构特点,确定其内部热源及温度场分布特性。然后,基于丝杠温度分布函数,研究丝杠热变形与其内部热源之间的动态非线性函数关系。最后,综合考虑丝杠驱动系统运行条件对其热误差的影响,建立了基于Elman神经网络的热误差预测模型。实验结果表明,当丝杠驱动系统的运行条件较为复杂时,采用文中提出的预测模型得到的热变形估计残差为-3.1μm~2.4μm。结果显示:考虑运行条件的Elman神经网络比BP和Elman网络(仅考虑温升数据)具有更好的预测精度和鲁棒性,有较强的工程应用前景。     

基于PSO-BP算法的水下机器人运动模型辨识

将粒子群算法(PSO)与误差反传算法(BP)相结合,利用粒子群算法的全局突变性,使BP算法避免在神经网络权值寻优过程中陷入局部极小值.对Elman神经网络结构进行调整,并将PSO-BP算法用于改进后的Elman网络的权值修改.最后,对比了3种不同算法、结构的神经网络对水下机器人运动学模型的辨识结果,证明了基于PSO-BP算法的改进Elman神经网络对水下机器人运动模型,有较高的辨识精度.     

基于递归神经网络的大滞后非线性系统预测控制

针对带有大滞后的非线性系统，提出了在迭代多步预测的基础上，将系统多步预测输出值进行线性化，在多步预测目标函数下实现系统控制的方法。采用适合于动态系统实时控制的扩展Elman网络，利用训练速度快的阻尼最小二乘法学习网络权值。仿真实验表明了该方法的有效性。     

基于神经元网络的动态系统辨识

本文利用神经元网络技术，构造出基于系统状态空间模型上的系统动态辨识器，该辨识器可用于线性或非线性系统的动态估计。文中讨论了辨识器的构成和实现，并给出了仿真结果。仿真结果表明该方法为非线性系统辨识提供了一条有效的途径。     

基于模糊修正的Elman动态递归网络板形高精度预报

采用Elman动态递归网络方法,以生产实测数据为基础,建立了冷连轧机板形预报模型。进而将基于误差反馈和专家经验的闭环模糊控制引入板形预报中,用于修正预报输出、提高预报精度和鲁棒性。仿真结果表明,该方法有效且预报精度优于BP网络方法。预报结果的相对误差限制在±3%以内,实现了冷连轧机板形的高精度预报。     

基于神经网络的变厚齿轮RV减速器动态优化设计

利用BP神经网络的高度非线性映射能力,建立了变厚齿轮RV减速器设计变量与其动态参数之间的映射关系,解决了动态优化设计中目标函数难以建立的难题,使复杂的动态优化问题转化为一个简单的普通优化问题,为在系统设计阶段就能够得到具有良好动态特性的结构方案提供了一种新途径。     

聚合物分子量分布的多变量建模与闭环控制研究

本文介绍了利用B样条和动态递归神经网络相结合组成的复合神经网络建立聚合物分子量分布(MWD)模型的方法和拓扑结构,并在此基础上,提出了基于模型预估的控制MWD的新方法.其目标函数是以分布的误差平方和为基础,以可测的温度反馈为补偿,同时考虑了控制变量的约束条件.该方法以某顺丁橡胶连续聚合反应过程为对象,进行了仿真建模与控制研究,收到了很好的控制效果,证明了方法的可行性.     

基于BP神经网络的动态液位测量

文中介绍了利用BP神经网络的高度非线性逼近能力,解决连续搅拌反应釜动态液位测量问题。包括BP的基本算法及其应用体会,建立符合实际的动态液位测量网络模型的过程,并给出应用该网络模型实际测量液位的结果。     

应用人工神经网络预测加工尺寸误差的动态分布

为了有效控制机械加工工艺过程 ,保证工件加工质量 ,需要及时掌握过程尺寸分布及其变化规律。为此 ,提出一种应用人工神经网络预测加工尺寸误差动态分布的方法 ,该方法在实际应用中得到了较为满意的验证。     

动态电压恢复器控制策略的研究与仿真

针对动态电压恢复器的非线性特性,该文将神经网络控制和经典的PID控制相结合应用于动态电压恢复器(DVR)的控制中,提出了一种针对单相动态电压恢复器的神经网络PID控制方法,给出了神经网络PID控制的单相DVR原理图,详细介绍了其控制过程。在理论分析的基础上对其进行了仿真研究,并与传统的PID控制方法进行了比较。仿真结果表明了该方法的正确性和可行性。     

神经网络技术在称重传感器中的应用

通过实际模型及其分析提出了几种快速称重方法和提高传感器性能的原理,着重阐述了基于神经网络理论,设计出称重传感器神经网络动态补偿器和提高传感器性能。仿真研究表明有效的提高了传感器动态响应的快速性,且对系统参数变化具有鲁棒性。将先进控制理论应用于实际传感器系统中,为提高传感器性能开辟了新途径,促进了称重传感器行业的发展。     

冗余度变几何桁架机器人动力学计算

应用模糊神经网络对机器人逆动力学模型进行辨识,将整个动力学模型系统分为三个子系统,分别采用三个模糊神经网络系统对广义质量矩阵、向心力及哥氏力矩阵和重力矩阵进行学习,求解了冗余度四面体变几何桁架机器人的逆动力学问题,并对四重四面体的变几何桁架机器人进行了仿真计算。     

动态流量软测量系统中神经网络训练策略的研究

将神经网络运用到动态流量的软测量中，探索解决液压伺服系统中对瞬时动态流量的测试问题是该领域的二个难点和热点问题，该文在概要介绍了神经网络动态流量软测量系统的总体设计和神经网络结构的确定方法之后，重点讨论了神经网络的训练策略，最后通过实验验证了该训练策略的性能。     

Correction of sensor's dynamic error caused by system limitations

The method based on particle swarm optimization (PSO) integrated with functional link articial neural network (FLANN) for correcting dynamic characteristics of sensor is used to reduce sensor's dynamic...     

多传感器数据融合技术在车辆动态称重中的应用

针对车辆动态称重系统的结构和特点,采用一种基于神经网络的多传感器数据融合技术处理方法,并将其应用到动态称重系统中。通过对融合前后的数据进行比较分析,可有效地提高车辆动态称重系统抗干扰能力,以保证参数检测的可靠性和准确性。