自适应神经网络在水质预测建模中的应用

东江惠州段水质直接影响着香港和深圳的淡水供应质量,本文根据东江水质自动监测系统的分布情况,提出了由上游水质预测下淡水质和当前水质预测未来水质的两种基于自适应神经网络的东江惠州段水质预测建模方法,给出了基于误差梯度信息的离散神经网络自适应学习算法,用李亚普诺夫方法证明了该自适应神经网络算法的收敛性,仿真结果证明了该方法具有较高的预测精度,且方法简便,适用对象广泛。     

基于混沌算法的自适应预测模型

在混沌算法神经网络的预测模型中 ,适当选择非线性反馈项 ,能使网络的动力学在权空间具有混沌行为 ,网络系统在学习和训练过程中能够跳出能量的局域极小达到全局极小或其近似 .本文基于EP进化算法建立一种自适应机制 ,使得网络能够根据学习和训练的结果优化非线性反馈项 .应用这种算法的神经网络对基于 Mackey-Glass方程和 Lorenz系统的时间序列进行在线预测 ,结果表明 ,网络具有很好的自适应预测性能.     

基于深度强化学习的驾驶仪参数快速整定方法

针对深度强化学习方法对驾驶仪控制参数训练速度慢、奖励函数收敛性不好等问题,以三回路驾驶仪极点配置算法为核心,提出一种将三维控制参数转换为一维设计参量的智能训练方法,构建离线深度强化学习训练叠加在线多层感知器神经网络实时计算的智能控制架构,在提高深度强化学习算法的效率和奖励函数收敛性同时,确保在大范围飞行状态变化条件下控制参数的快速在线自整定。以典型再入飞行器为例,完成深度强化学习训练和神经网络部署。仿真结果表明,强化学习动作空间简化后的训练效率更高,训练得到的驾驶仪对控制指令的跟踪误差在1.2%以内。     

一类通用神经网络非线性系统模型参考自适应控制

针对任意复杂的具有最小相位,滞后环节和非最小相位特性的离散非线性系统,提出一种通用的直接神经网络模型参考自适应控制.并采用具有在线学习功能的最近邻聚类算法训练RBF神经网络控制器,同时引入优化策略对聚类半径进行自动调整,并利用构造伪系统的方法构成一种对非最小相位同样有效的神经网络模型参考自适应控制器.仿真研究证明,该控制策略不仅能使多种非线性对象跟踪多种参考信号,而且抗干扰能力和鲁棒性也很好.     

BP人工神经网络自适应学习算法的建立及其应用

解决了BP神经网络结构参数、学习速率与初始权值的选取问题,并对传统的BP算法进行了改进,提出了BP神经网络自适应学习算法,又将其编制成计算机程序,使得输入节点、隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力.计算结果表明:BP神经网络自适应学习算法较传统的方法优越,训练后的神经网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势.     

基于自适应神经网络的非线性系统故障诊断

针对一类模型未知及状态不可测的非线性系统,提出了基于自适应神经网络的故障诊断策略,不仅在线估计神经网络的矩阵权重,而且在线估计高斯函数的宽度和中心。该方法对系统的未知非线性特性没有特别要求,仅对神经网络提出较弱的假设条件。首先利用径向基函数(Radial Basis Function,简称RBF)神经网络构造状态观测器,估计系统的状态。然后利用另一个自适应RBF神经网络作为故障估计器,其输入是系统的估计状态(而不是系统状态),其输出为系统所发生的故障模型。利用Lyapunov稳定理论详细分析了状态误差和故障误差的收敛性,分别给出了两个神经网络的参数调整律,仿真证明了该方法的实用性和有效性。     

基于Davidon算法的神经元自适应控制器

通常的神经网络逆元自适应控制器存在两个缺陷 ,一是训练算法收敛过慢 ;二是无法控制非最小相位系统 ,因而限制了其使用范围。利用Davidon最小二乘法训练多层前馈网络 ,用于逼近被控对象的逆模型 ,并利用构造伪系统的方法 ,构成一种对非最小相位系统仍然有效的神经网络逆元自适应控制器。仿真结果表明了该方法的有效性     

基于Kalman／UKF组合训练神经网络的初始对准方法

针对基于Unscented卡尔曼滤波(UKF)的神经网络训练学习方法存在的计算量大,实时性差的问题,提出了一种基于Kalman/UKF组合滤波原理的神经网络学习方法,该方法综合了Kalman滤波对线性系统和UKF对非线性系统的最优估计的优势,在保证神经网络权值估计精度的同时,有效降低了神经网络权值学习的计算量,提高了神经网络训练的实时性。最后将该利用方法训练的神经网络应用于惯性导航系统的非线性初始对准过程中,并进行了仿真研究。仿真结果表明利用提出的算法训练的神经网络与基于UKF训练的神经网络具有相同的对准精度和实时性,而提出的算法的有效降低了神经网络训练的计算量,提高了训练的运行效率,是解决惯性导航系统初始对准的一种有效和实用的方法。     

基于RBF神经网络的认知无线电认知引擎设计

认知无线电(CR)是一种智能无线通信系统,它能根据环境变化、业务需求动态调整参数,提高系统性能,其核心技术是认知引擎的设计。认知引擎可引入人工智能领域的推理与学习方法来实现CR的感知、自适应与学习能力。为适应变化的无线环境和用户需求,提出基于径向基神经网络(RBF)的CR认知引擎设计方法,该法通过对经验知识和环境的学习,重配置通信参数,以达到资源合理分配,提高系统性能。该引擎由两层RBF神经网络组成,外层神经网络学习全局属性,内层神经网络学习局部属性,以解决路由协议及局部参数的学习配置。在训练RBF神经网络学习模型后,根据定义的两个测试基准函数,评估模型性能,仿真验证了该学习模型的有效性,且能够有效实现CR学习重构。     

BP小波神经网络快速学习算法研究

讨论了BP小波神经网络在训练过程中减小误差函数时最优方向的确定和自适应调整学习率的方法.首先论证了小波神经网络的数学基础,然后讨论了BP小波神经网络的学习过程,重点讨论了减小误差函数最优方向的确定方法,即如何保证步长方向与负梯度方向一致,由此得出了自适应调整学习率的简便方法.该方法具有普遍性,有广泛的应用价值.仿真结果表明,采用最优梯度下降方向可以大幅度提高BP小波神经网络的学习速度.     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

仿真转台的神经网络复合控制

介绍了一种神经网络复合控制方法，即在不抛弃众多工程技术人员所熟悉的经典控制方法的基础之上，采用神经网络控制来处理系统中的各种非线性及不确定性。给出了神经网络的迭代算法，讨论了系统的稳定性问题，并将该方法应用于高精度三轴飞行仿真转台的实时自适应控制中。实验结果表明了该控制方法的有效性。     

航天器姿态的神经网络动态逆控制

针对航天器姿态系统,提出了一种基于自适应神经网络动态逆的控制算法。该算法针对滚转、俯仰和偏航三个姿态子系统,设计了两组神经网络:第一组是BP网络,用来逼近三个姿态通道的非线性项,可获得姿态逆模型;第二组是非线性自适应神经网络,用于在线实时地补偿逆模型存在的误差和外加干扰。详细分析了非线性自适应神经网络的拓扑结构、学习规则和调整算法。给出了应用该算法的具体实例,通过仿真实验证明该算法的有效性。     

一种基于神经网络的非线性自适应滤波器

提出了基于Ａｄａｌｉｎｅ－ＭＬＰ递归神经网络的非线性自适应滤波器。这种新的滤波器运用了自适应ＩＲ滤波器理论，具有神经网络分布式并行信息处理，较好的容错特性和鲁棒效应等优点，且比传统的滤波器有更好的收敛特性，并可方便地实现非线性滤波。此外，还给出了Ａｄａｌｉｎｅ－ＭＬＰ递归网络在线滤波算法及其在非线性自适应噪声抵消器中的应用。最后进行了计算机仿真。     

基于模糊推理的自适应BP算法

ＢＰ网络是迄今为止应用最广泛的一种神经网络，但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题．本文在标准ＢＰ算法的基础上提出一种改进ＢＰ算法，称之为自适应ＢＰ算法．这种自适应ＢＰ算法采用模糊规则动态调整学习参数，并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构，有比标准ＢＰ算法更好的收敛性和更好的泛化能力     

遗传算法在神经网络控制中的应用与实现

比较了遗传算法与神经网络的特点,并对将遗传算法用于前向神经网络的可能性进行了研究,同时阐明了遗传算法和神经网络结合的必要性,提出了一种融合遗传算法的神经网络控制方法,该方法采用多层前向神经网络作为遗传搜索表示方式的思维,以神经网络为基础,用遗传算法 习神经网络的权系数,即保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力,将遗传算法和神经网络相结合,分析了遗传算法基本参数及神经网络结构、隐层和输出层节点非线性函的选择,设计了用遗传算法学习神经网络权系数的软件实现方法,成功地实现了机械手逆运动学求解问题及倒立摆的控制,仿真结果显示了遗传算法快速学习神经络权系数的学习效率与收敛精度,确保了快速达到全局收敛,克服了多层前向神经网络传统的BP学习算法精度低、收敛速度慢、容易陷入局部极小的缺陷,表明了该方法的可行性与有效性。     

多变量极值搜索系统神经网络自适应协同控制

针对一类仿射型多变量极值搜索系统的协同控制问题,提出了一种基于神经网络的自适应协同控制方法。该方法利用协同控制实现状态变量之间的协同收敛,并确保对系统内部参数扰动和外界干扰具有不变性;以系统的状态变量、输入量、搜寻变量以及已知模型参数作为输入量,分别设计两个3层神经网络来估计状态变量极值的动态变化过程及未知参数;并采用可调参数消除此神经网络的残余估计误差。详细的理论分析证明了闭环系统的所有误差信号均指数收敛至原点的有界可调邻域内。仿真结果也说明了理论分析方法的正确性和有效性。     

基于回归神经网络的滑模跟踪器设计

基于回归神经网络的在线辨识 ,为实现非线性系统自适应控制提供了一种很有应有前景的方法。本文基于具有线性输入特性的神经网络 ,提出了使系统辨识误差具有指数收敛特性的学习算法。为了得到尽可能普遍的控制律 ,本文运用滑模技术设计出控制信号 ,用其补偿神经网络模型与非线性系统之间的匹配误差。以此为基础 ,提出一种新的基于回归神经网络的间接自适应控制方案。仿真结果表明 ,本控制方案具有较好的跟踪性能     

塔式起重机的神经网络滑模防摆控制

针对塔式起重机存在的负载摆动, 分析塔式起重机的动力学模型, 提出了一种基于遗传算法的塔式起重机神经网络滑模防摆控制新方法. 利用RBF神经网络输出逼近系统的不确定项, 并运用遗传算法优化滑模控制器的参数, 使得参数的收敛速度加快. 该方法削弱了滑模控制系统的高频抖振, 提高了系统的控制性能, 改善了系统的控制品质. 仿真结果表明方法的有效性和可行性.     

Multi-constraint quality of service routing algorithm for dynamic topology networks

An adaptive multi-QoS routing algorithm called AMQRA is proposed for dynamic topology networks, such as satellite networks and Ad-hoc networks. The AMQRA is a distributed and mobile-agents-based routing algorithm, which combines ant quantity system （AQS） with ant colony optimization （ACO） that is used in AntNet routing algorithm. In dynamic topology networks, the AMQRA achieves timely optimization for concave metric QoS constraint and fast convergence. The proposed routing algorithm is simulated in Iridium satellite constellation on OPNET. The results show that AMQRA not only outperforms the AntNet in convergence rate in dynamic topology networks but also can optimize concave metric QoS constraint and reasonably allot bandwidth to the load to avoid networks congestion.