输入补偿神经网络模型研究

将误差反馈原理引入神经网络的训练和使用，从而提出一种带输入补偿的多层前馈网络模型，将该模型用于非线性系统建模时，能有效消除模型的固有误差，补偿模型工作时出现的动态误差，提高建模精度，给出了新网络模型的结构、学习算法及工作方式，最后通过仿真试验证明了新模型在系统建模中的有效性。     

油井作业中传感器误差补偿方法的研究

为了提高油井作业中压力传感器的测量精度,提出了一种基于粒子群优化BP神经网络的误差补偿方法.利用粒子群算法的全局寻优和收敛速度快的特点,训练网络的权值,能有效地改善BP神经网络传统算法的收敛速度和学习能力.结果表明:这种方法大大提高了压力传感器在油井作业中的测量精度和稳定性,也提高了油田作业的工作效率.     

神经网络规则优化建模与应用

神经网络应用于复杂系统时存在隐含层节点确定和参数随机选择的困难,对此研究探索了一种规则优化建模方法。首先,应用粗决策树耦合算法实现增量式的动态规则提取;其次,基于获取的动态规则计算最简规则数,作为确定网络隐含层节点的依据,实现网络规则建模;再次,优化网络初始参数,规避局部极小问题并提高模型训练速度和精度;最后,将优化模型应用于空气质量预报中,性能测试和对比分析结果显示,该模型收敛速度快且误差控制在4%以内,学习速度和预报精度明显优于传统模型。该研究成果实现了动态增量模式下的规则模型构建与优化,为动态数据处理提供了一种新的研究思路。     

基于回归神经网络误差配准算法的仿真实现

在网络系统优化问题的研究中,目前广泛使用的BP网络模型不能保证收敛到全局最小点,这给网络传输带来误差.为消除网络误差,提高收敛速度,在BP网络加入反馈信号生成内部递归神经网络的误差配准算法.算法在内部递归神经网络引入上次输出的结果,加入先验知识,提高了收敛速度.同时文中对有偏差单元的递归神经网络的误差反向传播学习规则进行了推导,使得网络的累积误差不大于要求值.通过民用航空领域雷达网系统仿真数据仿真表明,算法在消除雷达网系统误差、提高目标精度,对网络系统优化可以取得较好的效果.     

具有动态补偿能力的神经网络模型及其在动态系统建模中的应用

本文在多层前馈神经网络模型基础上，引入误差动态反馈环节，从而形成一种新的具有动态补偿能力的神经网络模型。新模型的训练利用反向传播原理实现。采用该模型对非线性动态系统进行建模时，能显著提高建模精度，特别是在网络模型工作时，对新出现的输出误差具有动态补偿能力，文中给出了新网络模型的结构和学习算法，最后是仿真实例。     

基于量子进化算法的神经网络及应用

研究了量子进化算法,并将其与神经网络相融合,提出了基于量子进化算法的神经网络学习算法,然后将其应用于工业过程丙烯腈收率建模,结果表明量子进化神经网络建模具有较快的收敛速度和较高的模型精度,可以满足工业中要求丙烯腈收率误差不超过1%的要求。     

基于神经网络补偿的机器人稳定自适应控制

针对建模不精确的机器人,提出了一种基于神经网络补偿的机器人轨迹跟踪稳定自适应控制方法,文中通过设计神经网络补偿器和自适应鲁棒控制项,有效地补偿了模型的不确定性部分和网络逼近误差.由于算法包含有补偿神经网络逼近误差的鲁棒控制项,实际应用中对神经网络规模的要求可以降低;而且神经网络连接权是在线调整的,不需要离线学习过程.理论表明算法能够保证跟踪误差及神经网络连接权估计最终一致有界,仿真结果也验证了算法的有效性.     

改进并行粒子群算法优化RBF神经网络建模

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法（Improved Parallel Particle Swarm Optimization,IPPSO）。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。     

基于混合改进GSO与GRNN并行集成学习模型

针对萤火虫群优化算法(GSO)不稳定、收敛速度较慢与收敛精度较低等问题和广义回归神经网络(GRNN)的网络结构导致预测误差的特性,提出基于混合改进萤火虫群算法与广义回归神经网络并行集成学习模型,应用于雾霾预测.首先构建融合多种搜索策略的混合改进萤火虫群优化算法(HIGSO),并使用标准测试函数验证算法性能.然后结合HIGSO与引入扰动因子的GRNN模型,建立并行集成学习模型,并通过UCI标准数据集验证模型的有效性与可行性.最后将模型应用于北京、上海和广州地区的雾霾预测,进一步验证模型在雾霾预测中的性能.     

基于粗糙集理论的PSO-IOIF-Elman神经网络建模

针对系统级仿真中功放建模的优缺点,结合粗糙集理论提出一种简化粒子群(PSO)算法优化改进OIF-Elman神经网络(PSO-IOIF-Elman)功放行为模型。该模型同时考虑小信号和大信号对功放记忆非线性的影响,结合AM-AM和AM-PM失真把OIFElman神经网络的自反馈系数用归一化后的输入输出电压表示。采用简化PSO优化算法,避免陷入局部最优,用粗糙集理论对模型预测值进行修正与补偿,提高预测精度。通过Matlab仿真比较,该模型训练误差减小9.53%,收敛速度提高11.31%,进而验证了建模方法的有效性和可靠性。     

基于L-M算法的反向传播网络的湿度传感器输出误差补偿研究

针对湿度传感器的输出非线性问题,提出了基于L-M算法建立BP神经网络进行补偿校正,实现电阻型湿度传感器的输入与输出非线性补偿,并与共轭梯度算法、拟牛顿算法所建立的神经网路模型进行对比,重点比较了模型迭代性能、标准偏差;最后发现当神经网络用L-M算法进行训练模拟时在迭代性能、标准偏差等方面具有更优异的表现,更适合湿度传感器的非线性特性的补偿校正。     

基于椭球拟合的磁力计误差校正方法研究

针对工作环境下的MEMS磁力计易受磁场干扰,且传统误差补偿速度慢、需要外部信息辅助而影响地磁信息获取时效性和精度的问题,提出一种基于椭球拟合的磁力计误差修正算法。建立基于刻度因子误差、非正交误差、零偏误差和软硬磁特性的磁力计误差模型,采用最小二乘平差法估计椭球拟合算法中的椭球方程系数,得到校准后的磁场强度值。实验结果表明,经过论文提出的椭球拟合算法校正后的磁场强度波动幅度明显小于磁力计测量的原始磁场强度,能够有效降低磁力计测量误差。     

一种基于正交基神经网络算法的传感器误差补偿方法

为了提高传感器的误差补偿精度,提出了一种基于正交基神经网络算法的传感器误差补偿方法.研究了神经网络算法的收敛性,为学习率的选择提供了理论依据.为了验证算法的有效性,给出了传感器误差补偿实例.研究结果表明,基于正交基神经网络算法的传感器误差补偿方法具有高的误差补偿精度,因而是一种有效的误差补偿方法.     

基于MEC优化BP神经网络的PSD非线性校正

光电位置敏感传感器(PSD),特别是其B区存在非线性误差大、测量精度低的问题.针对现有神经网络校正方法的不足,提出一种基于思维进化计算(MEC)算法优化的神经网络校正模型.该方法首先应用MEC算法搜索最优神经网络初始权值和阈值,再利用LM算法训练BP神经网络,最后将训练好的神经网络用于PSD非线性校正.仿真实验结果表明,所提出的方法校正精度高,收敛速度快,泛化能力强,测试数据的平均误差被控制在0.005 mm以下.经过校正后的PSD在非线性区表现出与线性区相似的线性程度,提高了PSD的测量精度.     

基于改进果蝇神经网络的短期风电功率预测

针对当前风电预测模型计算量过大、收敛速度过慢、预测精度不够等问题,提出通过果蝇优化算法(FOA)对神经网络的初始参数进行动态调整,由于自适应果蝇算法本身具有计算简单、收敛速度快等特点,通过与Elman神经网络的结合,能够降低模型的预测误差、提高模型收敛速度.最后,通过仿真实验与传统预测模型进行对比,结果表明所提出的方法是有效的.     

基于改进SPSO-BP神经网络的温度传感器湿度补偿

针对在实际使用中湿度影响温度传感器准确性的问题,通过对基本粒子群算法的分析,得出不受速度向量影响的简化粒子群算法,同时采用线性递减惯性权重,提出了一种改进SPSO-BP神经网络温度传感器的湿度补偿方法.通过改进的简化粒子群算法的不断迭代,优化BP神经网络的权阈值,直到得到最优权阈值,并赋给BP神经网络.根据湿度影响实验中测得的数据,运用此方法建立湿度补偿模型,与BP神经网络方法对比分析.结果表明,改进SPSO-BP神经网络的模型结构简单、补偿精度高,收敛速度快,有效地对温度传感器进行了湿度补偿.     

基于关联规则的PSO-Elman短期风速预测

传统神经网络在短期风速预测中,存在易陷入局部极值和动态性能不足等问题,从而导致风速预测精度较低。为了提高风速预测精度,提出一种基于关联规则的粒子群优化Elman神经网络风速预测模型。利用粒子群算法优化Elman神经网络模型参数,以提高算法的收敛速度,避免陷入局部极值,以得到最优的预测值。同时结合关联规则分析考虑气象因素,采用Apriori算法对风速与其他气象因素进行关联规则挖掘,并利用得到的关联规则对风速预测值进行修正与补偿。实验结果表明,所提出的预测模型的预测效果比传统模型的效果更佳,同时验证了结合关联规则考虑气象因素能够降低风速预测误差。     

基于特征补偿的单目标跟踪算法

为适应长期跟踪的需求,提出一种基于特征补偿的单目标跟踪方法。通过分析现有算法的优缺点,使用低层特征的相关滤波模型完成简单场景的任务,以保证速度;使用高层语义特征的卷积神经网络模型完成复杂场景的任务,以提升精度和鲁棒性;引入一个简单的分类器,作为切换特征的标志,有选择的对模型的模版进行更新,降低累计误差。结合实例验证了算法的有效性,在保证较快速度的同时,精度和鲁棒性均有较高的提升。     

基于遗传神经网络的网格资源预测模型

研究网格资源预测问题,网格资源具有非线性、混沌变化特点,传统BP神经网络具有局部极小、收敛速度慢等缺陷,预测精度较低。为提高了网格资源预测精度,提出一种基于遗传神经网络的网格资源预测模型。利用遗传算法对BP神经网络的权值和阈值进行优化,然后采用BP神经网络对网格资源建立预测模型,最后采用网格资源时间序列进行有效性仿真。仿真结果表明,遗传神经网络有效地解决了传统BP神经网络的不足,提高了网格资源的预测精度,降低了预测误差,十分适合于非线性、混沌的网格资源时间序列预测。     

工业机器人定位误差规律分析及基于ELM算法的精度补偿研究

针对工业机器人应用于飞机零部件自动化钻孔时绝对定位精度较差的问题,提出利用极限学习机（ELM）算法建立机器人法兰中心点理论位置与实际位置之间的误差模型,并优化补偿机器人定位精度的方法．首先基于空间网格采样方法,获得了机器人绝对定位误差沿机器人基坐标系不同方向的误差变化规律,分析了建模补偿的可行性;其次建立基于ELM算法的误差补偿模型,并针对误差模型训练中隐含层神经元个数取值问题进行了分析优化．实验结果表明,机器人绝对定位误差值沿其坐标系不同方向存在不同的变化规律,补偿前绝对定位误差分布范围为0.29 mm~0.58 mm,平均误差为0.41 mm;补偿后定位误差分布范围降低到0.04 mm~0.32 mm,平均误差为0.18 mm;采用ELM算法建模的补偿速度快,泛化性能好．