基于Elman网络的时延预测及其改进

分析了网络传输时延的组成和特点,提出了利用Elman神经网络预测网络传输时延,运用Matlab软件对其预测进行仿真,结果证明Elman神经网络能很好地预测网络时延,为了进一步提高神经网络的逼近能力和动态特性,提出了一种改进的基于输入层、隐藏层、输出层神经元的动态递归神经网络。实验证明,改进的Elman神经网络比原来的网络具有更好的动态性能。     

质子交换膜燃料电池的神经网络建模与控制

该文从设计质子交换膜燃料电池（PEMFC）控制方案的角度出发，首先提出了采用Elman动态神经网络对PEMFC系统进行建模的新方法，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度；Elman神经网络辨识可使辨识过程简化并提高了辨识精度。然后在此基础上设计了自适应模糊神经网络控制器。最后的仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法控制PEMFC的工作温度，取得了较好的控制效果。结果显示所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

基于Elman网络的电力负荷预测研究

电力系统负荷与诸多影响因素之间是一种强耦合、多变量、严重非线性的关系,且这种关系具有动态性。传统预测方法精度不高,而采用动态回归神经网络(Elman)能更直接、更有效地反映系统的动态特性。该文建立了基于Elman神经网络的电力负荷预测模型,通过MATLAB仿真预测,对比Elman神经网络和BP神经网络的预测效果。仿真实验证明了Elman神经网络具有良好的动态特性、较快的训练速度、高精度等特点,表明Elman预测模型是一种新颖、可靠的负荷预测方法。     

基于AQPSO算法优化的Elman网络模型及其应用

Elman神经网络是一种典型的递归神经网络。提出了自适应量子粒子群优化（Adaptive Quantum-Behaved Particle Swarm Optimization,AQPSO）算法,用于训练Elman网络参数,改进了Elman网络的泛化能力。利用中集集团股票数据进行预测,实验结果表明,采用AQPSO算法获得的Elman网络模型不但具有很强的泛化能力,而且具有良好的稳定性,在股票数据预测中具有一定的实用价值。     

基于改进的Elman神经网络的网络流量预测

在Elman神经网络的基础上提出了改进的网络,根据实际网络中测量的网络流量数据,建立了基于Elman神经网络的流量模型,分别用Elman神经网络和改进的Elman神经网络对实际网络流量进行预测,仿真实验结果表明,改进的Elman神经网络具有良好的预测效果,改进的Elman神经网络具有更高的预测精度和更好的动态性能.     

蔗糖结晶过程的建模与控制

该文从设计煮糖结晶过程控制方案的角度出发,首先提出了采用Elman动态神经网络对煮糖结晶过程进行建模的新方法,以实验中采样到的煮糖结晶过程中过饱和度的输入输出数据训练网络,并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度;Elman神经网络辨识可使辨识过程简化并提高了辨识精度。然后在此基础上设计了自适应模糊控制器。最后的仿真实验以Elman神经网络模型为参考模型,使用自适应模糊控制算法控制过饱和度,取得了较好的控制效果。结果显示所设计的控制系统适合于控制煮糖结晶过程这样一类复杂非线性系统     

醇解度预测的神经网络模型研究

针对聚乙烯醇生产过程的醇解度预测问题,建立神经网络模型;对醇解度的影响因素进行了研究,讨论了输入层、输出层、隐含层等神经元的设置及网络训练的参数,比较了梯度下降BP算法、动量-自适应学习速率调整算法、Levenberg-Marquardt BP算法三种不同的训练算法在本问题上的优劣,并与RBF网络相比较,综合考虑训练时间、训练精度、泛化能力等条件,动量一自适应学习速率调整算法是最适合醇解度预测的,并基于动量-自适应学习速率调整算法建立了神经网络模型;将模型应用于醇解度预测系统,系统实际运行情况表明,利用神经网络模型预测醇解度是可行有效的.     

一类非线性系统神经网络控制的稳定性分析

从理论上研究将神经网络用于非线性系统控制，通过对神经网络的训练，实现一类非线性系统的定点跟踪。证明了神经网络学习算法的收敛性不仅与系统的动态特性有关，而且与网络的初始条件有关。仿真结果表明，适当选取网络的初值和加权的调节速率，可以实现非线性系统的定点跟踪。     

MOb-GRU神经网络工业软测量建模方法与输出预测

由于工业过程具有强非线性、动态特性与慢时变性, 其完整性建模相对较难. 针对工业过程的现有软测量技术并未综合考虑过程的非线性和动态特性, 本文提出了一种依赖模型阶次的GRU(MOb–GRU)神经网络软测量模型, 针对非线性动态过程进行全动态建模. 首先, 在MOb–GRU的结构选择上, 本文根据所研究实际对象的动态特性复杂程度确定网络的总模块数. 另外, MOb–GRU能灵活设置反向更新的单元数, 这种设置打破了传统GRU只能从第1个模块开始输出的限制. 其次, 为使记忆网络以较快的速率收敛到最优, 本文分别设计了基于自适应学习率和学习率矩阵的网络训练算法. 接着, 仿真实验分别选取了典型的单变量与多变量非线性动态过程, 并采用MOb–GRU神经网络对其进行建模和预测. 最后, 仿真结果证实了MOb–GRU网络结构的合理性以及训练算法的高效性.     

基于神经网络的自治水下机器人广义预测控制

针对自治式水下机器人高度非线性和时变性的特点,提出了一种基于神经网络的水下机器人广义预测控制策略．利用改进型Elman网络作为多步预测模型,在对网络学习算法进行改进的基础上,实现了Elman网络的在线学习,并提出了用于求解神经广义预测控制律的灵敏度公式．进行了具有神经网络在线学习功能和不具有在线学习功能的水下机器人的速度控制实验,并就预测控制效果进行了对比分析．实验结果表明,具有自适应学习功能的水下机器人速度控制法的精度要优于不具有在线学习功能的速度控制法,且当水下机器人动态特性发生变化时具有较强的自适应能力．