利用RBF神经网络的电力网非线性滤波分析

针对电力系统现有的谐波分析方法及其局限性,提出了基于RBF神经网络的非线性滤波分析方法。重点阐述了基于RBF算法的谐波分析原理,并给出了利用该算法进行非线性负载谐波电流滤除的仿真实例。通过仿真实验,分析了RBF神经网络滤波的稳态精度和信号变化时的实时跟踪效果。仿真结果表明了该方法的有效性和易实现性,为电力系统谐波的治理提供了新思路。     

基于函数连接型神经网络的非线性滤波

提出了一种基于函数连接型神经网络(FLNN)的非线性滤波解决方案,比较了线性滤波器和FLNN神经网络在非线性滤波中的性能差异。应用MATLAB针对伴有随机噪声的信号进行了仿真滤波试验,证明了该理论的可行性。     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

基于神经网络的非线性系统辨识

基于神经网络实现了非线性系统的分析,给出了计算实例,实验结果表明了方法的有效性。     

基于BP神经网络的非线性插值计算

基于ＢＰ神经网络的非线性插值计算①曹志彤（杭州大学物理系杭州３１００２８）以反应式步进电动机定子绕组的非线性电感为例,将插值节点作为学习样本集,采用ＢＰ神经网络模型模拟人脑神经元组织的信息处理机制,获取了反应式步进电动机定子绕组电感的非线性函数逼近的...     

非线性滤波理论的发展

本文从Kalman滤波到粒子滤波详细论述了非线性滤波理论的发展过程。在论述传统非线性滤波缺点的基础上,指出了非线性滤波革新的两条发展思路——非Taylor展开的线性变换及非线性变换出发,分别对Unscented滤波、粒子滤波和神经网络滤波等近年来最具特色的新方法进行介绍和评述。通过分析这些方法的工作原理、性能特点、必要性和可行性,将非线性滤波最新进展的思想传承、本质内涵、地位与作用予以展现,指出各方法的现存问题、发展潜力和最具可实现性的发展方向。同时强调了各种算法的选取须根据具体应用场合和条件。     

基于神经网络的非线性自适应除噪研究

提出一种适用于非线性自适应除噪（ANC）的神经网络方法。当参考通道中的噪声是主通道噪声的非线性变换时，采用线性ANC往往效果不好，此时应采用非线性ANC。由于径向基函数网络具有良好的非线性函数逼近性能，因而可采用基于径向基函数网络的非线性自适应除噪。模拟结果表明，这种方法具有明显的抑制噪声能力。     

非线性系统的RBF神经网络建模方法研究

RBF神经网络理论为非线性系统辨识提供了有力的工具。针对多数RBF神经网络原有算法的计算量大、学习速度慢等缺点,采用一种混合算法,仿真结果表明算法具有一定的有效性。     

基于B—P神经网络的非线性系统预测控制的研究

预测控制是以计算机为手段基于模型预测进行控制的方法,但是已有的预测控制算法通常是针对线性渐进稳定对象的,或者即使针对非线性使用了非线性模型,但由于算法过于复杂不能适用于快速系统,本文对复杂非线性系统提出了一种基于Ｂ－神经网络的预测控制方法,仿真和实际结果表明该方法的有效性和快速性,能够实现对非线性系统的实时智能优化控制。     

基于BP神经网络的压力传感器非线性校正方法

采用BP多层前馈神经网络及其改进算法对传感器特性进行补偿，有效地改善了BP传统算法收敛慢、容易收敛到局部最小点的缺陷，并编制了训练程序．结果表明，经BP改进算法处理后，传感器性能大幅度改善，网络的收敛速度更快，精度更高．     

基于RBF神经网络的软基沉降预测研究

将神经网络理论引入软基沉降预测领域．借助自控领域信号处理的思想，应用改进后的径向基函数神经网络的映射模式进行软基沉降的短期预测；软基沉降的长期预测实质上为基于神经网络的多维欧氏空间的曲面拟合问题，将地基压缩层从上到下分成若干段，每段的土性指标按段内各层土在段中的长度取加权平均作为系统的输入，将某个沉降模型的沉降曲线参数作为系统的输出，可以预测后期沉降曲线走势．实践表明，建立的基于RBF神经网络的软基沉降短期预测和长期预测模型是可行的，只要有足够多的训练样本，长期预测可以达到比较精确的预测效果．表5，参9．     

基于RBF神经网络的跳频信号频率预测的研究

提出了一种跳频信号频率预测的解决方案——RBF神经网络．比较了BP神经网络和RBF神经网络在跳频信号频率预测中的性能差异．应用MATLAB针对一伴有随机噪声的信号进行了仿真实验，证明了该理论的可行性与优越性。     

基于神经网络的自适应滤波研究

自适应信号处理在信号处理中占据主要地位,自适应滤波又是自适应信号处理中的主要应用.目前对自适应滤波的研究主要集中在算法上,但很难在收敛速度、稳定性和跟踪性能上同时取得最佳性能.综合考虑自适应滤波的各种性能,研究基于神经网络的自适应滤波方法,并通过实例应用来证明了该方法的有效性.该研究对拓展自适应滤波方法和神经网络的应用都具有重要的参考价值.     

基于BP神经网络的非线性广义预测控制

广义预测控制在理论上已经有了很深的研究,并在工业控制中获得了应用,但广义预测控制存在着模型失配和系统不确定等缺陷.为克服上述缺陷,本文提出基于BP神经网络建立一个对象模型,用修正的误差预测值对输出预测值进行补偿,从而实现对被控对象的预测控制.通过Matlab仿真,表明神经网络预测控制对非线性系统具有较好的控制效果.     

基于径向基神经网络的非线性自适应除噪

提出一种适用于非线性自适应除噪（ＡＮＣ）的神经网络方法．当参考通道中噪声是主通道噪声的非线性变换时,采用线性ＡＮＣ往往效果不好,此时应采用非线性ＡＮＣ．由于径向基函数网络有良好的非线性函数逼近性能,因而可采用基于径向基函数网络的非线性ＡＮＣ．模拟结果表明,该方法具有很强的噪声抑制能力．     

基于BP神经网络的开关磁阻电动机非线性建模

为提高开关磁阻电动机（SRM）调速系统性能，在测取准确磁特性样本数据基础上，利用神经网络所具有的非线性映射能力，基于Levenberg-Marquardt算法的BP神经网络建立了SRM的非线性模型。该模型训练收敛快，泛化能力强，且网络规模小，便于实时控制，经与样机实测数据比较，验证了该模型的准确性，将所建模型与准线性模型对比，显示出神经网络模型优越。     

基于BP神经网络和中值滤波的地质雷达图像分类

针对地质雷达图像的特点,使用两组BP神经网络进行分类,一组使用从真彩色图像中提取的特征作为网络输入,另一组使用转化后的灰度图像作为特征输入,两组网络分别完成图像的粗分与细分的任务.在实验基础上提出各类样本个数的选取比例原则,即以原图中各类地物个数的比值作为参考,在此基础上做适当的增减.特征向量的选取使用了与图像特征比例一致的长方形区域作为选择范围.使用中值滤波技术,在图像预处理中用于滤除多余特征元素,锐化特征信息;在对结果的后续处理中,用于滤除噪声点,使分类结果更加清晰.     

一种非线性系统神经网络直接控制器的设计

提出了一种使用神经网络作为非线性对象直接控制器的设计方法 ,该控制器由一个常规控制器和一个神经网络控制器组成 .常规控制器对系统给出粗略控制 ,神经网络控制器给出补偿信号来进一步减小系统输出跟踪误差 .该方法对被控非线性对象类型的限制很少 .在该方法中 ,径向基函数 (RBF)神经网络被用来进行训练 ,训练后系统具有较好的稳定性 .仿真结果表明 ,该方法非常有效 ,对非线性系统能取得比较满意的控制效果     

基于广义同余神经网络的非线性系统辨识仿真

(本文把分段广义求导误差反传调整权值的原理引入广义同余神经网络,对广义同余神经网络进行改进,提出了一类新的广义同余神经网络--BPGCNN(Error Back Propagation for Generalized Congruence Neural Networks),并用于非线性动力学系统的辨识仿真.仿真结果表明,该神经网络克服了原有广义同余神经网络的不稳定性,其稳定性能可与传统BP神经网络(Back Propagation Neural Networks,BPNN)媲美,并且其辨识效果、收敛速度和泛化性能都优于传统的BPNN.     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。