迟滞Elman网络模型的风速序列预测

为提高风速序列预测的准确性,在双承接层Elman网络的基础上提出了迟滞Elman预测网络.网络具有输入层、隐层、隐层承接层、输出层以及输出承接层5层结构,并在隐层承接层和输出承接层的单元中增加了迟滞激励响应函数,从而将迟滞特性引入到Elman网络中,以提高网络处理连续信息的能力.选择梯度下降方法作为网络的学习算法,训练网络的权值及迟滞参数,利用该预测网络实现了风速序列的多步预测分析.仿真实验结果表明:迟滞特性的引入能够减小预测结果的随机波动性,有利于提高预测结果的可靠性,与现有预测方法相比,迟滞Elman网络的平均预测误差能够减小8%以上,整体预测性能以及波动较强的局部预测性能都能得到显著提高.     

动态Elman网的城市公路隧道交通流量模型

城市公路隧道内任意时段交通流量的变化是个非线性的复杂过程,受诸多随机的不确定因素的影响.传统的时间序列模型多使用BP网络,但BP网络是静态网络,它只是实现一一对应的静态非线性映射关系,不适合动态系统的实时辨识,难以实施精确预测.在对城市公路隧道动态交通流分析的基础上,提出了城市公路隧道交通流量预测的动态神经网络模型,该模型基于Elman网络,具有状态记忆的功能,用Elman网络建立的时间序列模型是一个自回归滑动平均模型.它的输出不仅取决于过去和现在的输入,而且也取决于过去的输出.使用该模型仿真预测武汉首义广场隧道的交通流量,试验结果表明,该方法能够更好的提高预测精度.     

基于改进Elman神经网络的石膏纤维板厚度控制建模

针对石膏纤维板厚度控制系统的非线性、时变性及不确定性,采用改进的Elman神经网络对其建立动态模型,介绍了改进Elman网络的结构及学习算法;分析了影响石膏纤维板厚度控制精度的主要因素,并根据实际情况确定了输入层和中间隐层的维数,从而确定了模型的结构.由于改进的Elman网络具有适应时变特性的能力,而且学习精度高、学习速度快,与传统的BP网络相比,收敛速度有明显提高.通过对现场采集的数据进行仿真,得到了令人满意的结果.     

OIHF Elman网络在燃气日负荷预测中的应用

提出了一种新的基于改进Elman网络的燃气日负荷预测模型,不仅考虑了隐层节点的反馈,还考虑了输出层节点的两个反馈。模型中综合考虑了天气、温度、日期类型等因素,并与实际数据及其它网络预测结果进行对比。结果表明：该网络预测具有较好的精度。     

改进的Elman模型在紫坪铺月径流预测中的应用

Elman递归神经网络具有上下层,将隐藏层前一时刻的输出反馈到当前时刻的输入,这种反馈连接使Elman网络能够检测随时间变化的序列信息; 对Elman进行改进,使之对时间变化序列信息更敏感;利用岷江紫坪铺水文站数十年的天然月径流时间序列,采用改进的Elman递归神经网络对岷江紫坪铺站的天然月径流进行预测分析,并用误差检验和F方差对结果进行检验,表明该模型应用在紫坪铺水文站的月径流预测中是合理、可行的。     

Elman神经网络在中厚板轧机宽展预测中的应用

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了一种利用Elman神经网络建立中厚板轧机宽展预报模型的方法。通过实例比较了Elman模型与BP模型的预测效果。结果表明,所建立的Elman神经网络模型收敛速度和预测精度均高于BP网络模型。     

基于C++ Builder的凝汽器故障诊断系统

为了有效地对电厂凝汽器进行故障诊断并给予操作指导,开发了凝汽器故障诊断系统.该故障诊断系统分别采用标准BP算法和改进BP变步长附加动量法进行网络的学习训练.以凝汽器故障知识库为依据,构造了17个输入层节点、13个隐含层节点、12个输出层节点的三层反向传播网络.经过对比,说明采用经过改进BP变步长附加动量法进行网络的学习...     

应用Elman网络优化非线性模拟电路测试激励

非线性模拟电路瞬态测试激励信号的参数对电路故障识别率影响很大,在搜索最佳激励信号的过程中,需建立非线性模拟电路的系统模型。Elman网络是一种递归神经网络,能逼近任意动态非线性系统。该文用一种改进的Elman网络建立故障电路和非故障电路的系统模型,用遗传算法搜索最佳瞬态测试激励信号参数,仿真实验结果表明经过该方法优化后的激励信号能大大提高非线性模拟电路的故障识别率。     

Hermite前向神经网络隐节点数目自动确定

从函数逼近论出发,构造了一类以Hermite正交基为激励函数的前向神经网络.在保证网络逼近能力的前提下,令其输入层至隐层的权值和各神经元阈值分别为1和0,导出了基于伪逆的隐层至输出层最优权值的直接计算公式.并针对Hermite前向神经网络,提出一种依照学习精度要求而逐次递增型的隐节点数自动、快速、准确的确定算法.对多个目标函数的计算机仿真和预测结果表明,该神经网络权值直接确定方法和隐节点数自动确定算法能很快地找到最优的隐节点数及其对应的最优权值,且网络具有较好的预测能力.     

采用一种新型神经网络的动态系统辨识与控制

目的研究动态系统的神经网络辨识与控制问题.方法为了减小网络的固有逼近误差,提出一种新型的神经网络模型,利用动态误差反馈来修正网络输入.结果得到了由新型网络和稳定滤波器构成的神经网络辨识模型及基于该网络模型的自适应控制方案.结论理论和仿真结果都证明了该神经网络模型能够有效地应用于一类非线性系统的控制.     

基于改进Elman神经网络的氧化铝浓度控制建模

铝电解过程是一个非常复杂的非线性、时变和大滞后的工业过程体系,因而采用常规的控制方法很难达到良好的控制效果。针对此问题本文提出了采用改进的Elman神经网络对其进行建模,介绍了改进Elman神经网络结构及其学习算法;分析了影响氧化铝浓度的主要因素,并根据实际情况确定了输入层和中间隐层的维数,从而确定了模型的结构。通过对现场采集的数据进行了仿真,仿真结果表明：与常规Elman相比,神经网络收敛速度和稳定性上都有明显提高,得到了令人满意的结果。     

进化Elman神经网络模型与非线性系统辨识

建立了一种采用改进的自适应遗传算法实现动态递归的进化E lman神经网络模型。提出了对网络的结构、权重、结构单元的初始输入和自反馈增益因子同时进化的学习算法。用初始状态优化的E lman网络集成反馈学习算法和E lman网络在线训练两种动态辨识算法形成的集成化动态递归网络辨识算法,实现了超声马达的速度辨识。模拟结果表明,提出的算法不仅实现了动态递归网络的全自动优化设计,而且明显提高了动态递归网络模型辨识算法的收敛精度,为非线性系统辨识提供了一条新的途径。     

基于时空神经网络增强数字示波器功能的研究

运用时空神经网络时域和空域模式识别方法给数字示波器增加AM调制信号测量功能。选择Elman神经网络结构,采用反向传播网络训练函数traingdx和learnbcf函数的算法,实现了AM调制信号检波的功能。同时,增加输出反馈回隐层的连接和延迟,采用附加动量因子的梯度下降权值/阀值学习算法改进神经网络。改进的网络学习速度快,逼近精度高,输出既没有振荡,也不产生纹波;并且网络适应性好,测量的鲁棒性高,要求采集信号周期少;方法新颖,运算量小,计算误差小,添加到数字示波器函数中,实现了示波器测量AM调制信号的功能。     

基于混沌机制的神经网络预测控制及仿真研究

为解决一大类未知、时滞、非线性系统的预测控制问题,提出了一种基于改进的El-man动态回归神经网络预测控制算法.首先,在一般的Elman动态回归神经网络算法中加入了混沌机制,利用混沌机制固有的全局游动有效地消除了Elman网络易陷入局部极值的缺点,提高了系统的辨识速度;然后,结合广义预测控制(GPC)的反馈校正、滚动优化来完成非线性系统的预测控制.仿真结果表明:将本算法应用于非线性系统预测控制,对未建模动态具有较强的鲁棒性和良好的控制跟踪能力.     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.     

基于免疫粒子群优化的一种动态递归神经网络辨识与控制非线性系统

提出了一种采用免疫粒子群优化算法对动态递归神经网络进行训练的方法,实现了对Elman网络的结构、权重、结构单元的初始输入和自反馈增益因子等参数的同时进化训练。进而针对非线性系统分别提出了相应的辨识与控制算法,并设计出了相应的辨识器和控制器。最后以超声马达为对象进行了仿真,结果表明:基于所提出的算法而设计的辨识器和控制器在辨识和控制过程中不仅都能取得很高的收敛精度和速度,而且对于随机扰动有较强的鲁棒性,从而为非线性系统的辨识和控制提供了一条新的途径。