油气减振器非线性特性的神经网络识别研究

利用神经网络的非线性逼近能力，设计了用于识别油气减振器非线性特性的结构化神经网络模型，并介绍了该模型的具体应用方法，即利用试验数据组成学习样本，对网络模型进行训练，识别出其非线性特性。识别结果表明，结构化神经网络可有效地识别油气减振器的非线性特性。     

混流式水轮机神经网络模型非线性仿真

针对水轮机非线性特性难以准确描述及混流式水轮机调节系统(FTGS)非线性仿真复杂性，利用前馈神经网络强大的非线性逼近能力，建立混流式水轮机神经网络模型(FTNNM)。描述流量和效率特性的FTNNM采用Levenberg—Marquardt算法进行离线训练，收敛速度快、模型精度高。训练后的FTNNM作为一个非线性环节和其他模块构成了在MATALAB的SIMUUNK环境下的非线性仿真系统。该系统实现了各种运行工况的非线性仿真，并能快速、准确地得到系统以及混流式水轮机内部各种参数的变化规律。为混流式水轮机调节系统(FTGS)控制策略的研究提供了一个良好的基础。     

基于神经网络的传感器非线性校正方法

BP神经网络是基于数值计算的知识处理系统，具备高度非线性映射的能力。为此，通过BP神经网络对样本数据进行训练，得到非线性校正模型及精度值，然后与传统的曲线拟合方法进行比较分析。结果显示，基于神经网络模型的传感器非线性校正方法具有良好的测试精度和实用性。     

基于RBF神经网络函数拟合方法的仿真与研究

为了解决非线性系统采用常规方法建模难的问题,利用神经网络可逼近任意连续有界非线性函数的能力,提出基于RBF神经网络逼近函数的方法,并详细论述了RBF神经网络的结构原理与学习算法。应用函数逼近实例,基于MATLAB仿真软件,仿真结果表明,RBF神经网络能较好地逼近函数,适用于非线性动态系统的建模与估计。     

轴流转桨式水轮机神经网络建模与非线性仿真

针对水轮机非线性特性难以准确描述及轴流转桨式水轮机调节系统非线性仿真的复杂性，利用前馈神经网络强大的非线性逼近能力，首先建立轴流转桨式水轮机综合特性神经网络模型NZZM，然后建立水轮机飞逸特性神经网络模型，并据此迅速、准确地求得空载开度和空载流量，作为水轮机特性曲线向小开度特性扩展的控制点，进而得到全面描述大开度及小开度下流量特性和效率特性的综合特性神经网络模型NZZM。最后建立了轴流转桨式水轮机协联特性神经网络模型NZZC。NZZC与ZNNM及其他一些计算模块一起构成了轴流转桨式水轮机神经网络模型ZZ587。上述神经网络模型均采用Levenberg-Marquardt算法，进行离线训练，收敛速度快、模型精度高。采用Matlab语言及Simu-link仿真软件，对已建立的ZZ587进行非线性仿真，能快速、准确地得到系统以及轴流转桨式水轮机内部各种参数的变化规律。     

基于神经网络非线性模型的线控转向系统控制

进行汽车线控转向系统动力学分析及控制算法研究,需考虑动力学模型的非线性。首先建立基于魔术公式轮胎模型的非线性二自由度整车模型,然后基于神经网络方法训练逼近映射汽车模型输入与输出的关系,最后采用模糊控制方法由车速、转向盘转角等得到转向传动比控制算法。结果表明,基于神经网络的非线性整车模型与样本数据较好吻合,满足研究需要。转向传动比模糊控制算法考虑了转向轻便性和稳定性,提高了汽车操纵稳定性。     

基于 NARX 神经网络的农产品价格时间序列预测方法研究

针对传统时间序列预测方法在非线性时间序列预测上的不足,引入了非线性有源自回归神经网络（ NARX ）,建立了基于非线性有源自回归神经网络农产品价格时间序列预测模型。该模型利用核函数对农产品价格时间序列进行数据变换;再用统计分析方法对模型性能进行评价、分析,进而对模型性能进行优化。实验结果表明：非线性有源自回归神经网络较传统时间序列预测模型,对非线性时间序列预测有更好的适应性和更高的预测精度。     

用“轮换逼近”法求解大型非线性规划问题

提出了一种求解以含有交叉项为主的一类非线性规划问题的方法,该方法所依据的思想是交替固定交叉项中任意一组决策变量向量,通过将原问题转化为线性规划,轮换逼近非线性问题的最优解。这种方法有如下特点: 1.利用了通用的求解线性规划的方法和软件,使求解过程比较简洁方便和易于进行灵敏度 分析。 2.每一次轮换都可使目标函数得到改进。 3.如果原问题有解,“轮换逼近”法能够通过有限次轮换向最优解收敛,使相邻两次目标 函数值满足P_(i+1)-P_i≤ε。 根据“轮换逼近”法的思想和特点,编制了在IBM-PC/XT 及其兼容机上通用的计算软件“FZT-J”。     

基于RBF神经网络的农田土壤含盐量预测

介绍了径向基函数神经网络的原理、训练算法,并建立了基于径向基函数神经网络的农田土壤含盐量预测模型.通过实例验证,该模型具有较强的非线性处理能力和逼近能力,运算速度快,性能稳定,预测精度较高,泛化能力强,可用于生产实践中.     

基于RBF神经网络补偿的滑膜控制

探讨了一种基于粒子群优化算法的RBF网络补偿的自适应滑膜控制设计以及仿真方法的分析。首先对被控系统进行数学建模,其后设计RBF神经网络网络补偿器。在补偿器的设计过程中,采用RBF神经网络逼近算法,并在RBF神经网络中使用粒子群优化算法对神经网络权值进行优化。相比于多层前馈BP网络,RBF网络由于具有良好的泛化能力、网络结构简单、可避免不必要和冗长的计算而备受关注,且能在一个紧凑集和任意精度下逼近任何非线性函数。通过机械臂具体实例仿真,验证了设计方法的理论正确性。     

自压式树状管网的两级优化设计模型与神经优化设计

建立了自压式树状管网两级优化设计模型，并用人工神经网络法实现树状管网非线性规划模型的快速求解。采用的人工神经网络技术的两级优化设计模型在适用范围、求解速度和获得最优解能力上，均优于单一的非线性规划模型和线性规划模型，是实现树状管网全局优化设计的一条新途径。     

基于RBF网络的重力坝结构可靠度分析

计算重力坝结构可靠度时，功能函数往往是高度非线性且为隐式的，此时经典的计算方法，如JC法、Monte-Carlo方法会由于计算量及计算时间的大量增加而不再适用。此时，应用神经网络方法是一种较好的改进方式，其中RBF网络具有收敛速度快，适于非线性拟合且可实现全局收敛的特点。本文探究了RBF网络在重力坝结构可靠度中的应用模式，并结合实例分析了其合理性。     

基于线性组合核函数支持向量机的病害图像识别研究

合理的选择、设计核函数是支持向量机方法的重要部分,不同的核函数代表了利用支持向量机解决非线性分类问题时,进行的不同的非线性映射.核函数使支持向量机可以很容易地实现非线性算法.为此,提出了一种新的核函数-线性组合核函数,将该核函数应用于支持向量机方法中,并使用该方法对北京地区甜瓜病害图像进行了识别分类;同时也与人工神经网络和其它经典支持向量机核函数的分类结果进行了对比,实验结果也验证了该核函数的有效性.     

基于人工神经网络的离心泵叶轮边界涡量流预测

根据边界涡量动力学理论,从边界涡量流在离心泵叶轮内表面的分布情况,可获知叶轮的受力状况,进而改进叶轮设计.以BP神经网络和径向基神经网络为建模手段,以叶轮内表面的边界涡量流为预测目标,通过高精度的CFD计算获得70个离心泵叶轮内表面的BVF分布,建立可用于训练人工神经网络的初始样本集;再利用63个初始样本建立离心泵叶轮几何参数和边界涡量流的非线性映射关系,并用剩余的7个校对样本进行测试.根据神经网络预测结果和数值模拟计算结果的误差分析,确定最适用于离心泵叶轮边界涡量流预测的神经网络类型.研究表明:径向基(RBF)神经网络的预测精度高于BP神经网络,其训练时间更短、运行稳定性更高;径向基函数的宽度对RBF神经网络的预测性能有较大影响,当径向基函数宽度取0.3时,RBF神经网络的预测性能最佳,预测误差仅0.020 3;RBF神经网络预测所得叶轮内表面的边界涡量流分布,可以作为评价叶轮水力设计优劣的重要指标,进而指导叶轮机械的优化设计.     

基于神经网络的模糊土壤平衡施肥模型系统的研究

通过对大豆在同一农田进行重复种植试验,以土壤养分和产量为输入,以施肥量为输出,采用混合学习算法训练网络,建立了土壤平衡施肥Fuzzy-Neuro网络模型系统.通过实际验证,将所建模型系统应用在农业生产中,可以提供最佳土壤施肥方案.     

疏勒河中游梯级水库库容和库水位关系模型优化

为了研究梯级水库库容与库水位之间的关系,解决水库由原来承担单一灌溉或发电任务,到现在变为一库多用的多目标决策问题。以疏勒河流域中游地区的3座水库（昌马水库、双塔水库和赤金峡水库）为研究对象,利用高斯函数和两种神经网络建立3大水库的库水位和库容之间的关系模型。通过对比不同模型预测的均方根误差（RMSE）,相对均方根误差（RRMSE）和平均绝对百分比误差（MAPE）来判断模型的表现。结果表明:3种模型均可较好地拟合3大水库库水位和库容之间的关系,对于昌马水库和双塔水库来说,径向基函数神经网络（RBF）的表现优于非线性回归模型和前馈反向传播神经网络（FBNN）模型;对于赤金峡水库而言,FBNN神经网络的表现优于非线性回归和RBF神经网络模型。与经典回归模型相比,人工神经网络更适合于水库库容的确定。      

陶瓷材料电加工表面粗糙度的预测

针对电加工工艺参数与性能指标的函数映射关系大多具有非线性的特征，提出了将BP神经网络引入电加工领域中。考虑到BP算法的不足，提出用遗传算法来优化BP神经网络的连接权值，设计了基于进化神经网络的学习算法，建立了陶瓷材料电加工表面粗糙度随工艺参数变化的预测模型。试验结果表明，该算法可以避免BP神经网络易陷入局部极小值等问题，预测精度高，相对误差在4％之内，进而验证了该模型的可靠性。     

三江平原井灌水稻区地下水动态变化规律的小波神经网络分析

以853农场为例,利用小波分析的多分辨率功能和人工神经网络的非线性逼近功能,建立了基于小波变换和BP神经网络的853农场地下水埋深动态预测小波神经网络模型,对地下水动态变化规律进行分析,精度检验及对比分析结果表明,模型拟合和预测精度均较高。预测结果表明,853农场未来几年内地下水位会持续下降,年平均降幅为0.66 m左右,因此当地应加强地下水的科学管理。该模型揭示了区域地下水动态变化规律,为853农场乃至三江平原井灌区地下水资源的可持续利用提供了科学依据。     

基于改进BP神经网络的黑龙江农机总动力预测

BP神经网络在人工神经网络中起着至关重要的作用,通过分析标准BP神经网络的基本算法,指出标准BP算法的一些不足,并针对这些不足提出了以一种以相对误差作为误差传递信号的新的改进方法。经试验证明:该方法大大提高了BP神经网络预测结果的精度,同时这种新的改进思想也可以结合其他改进方法一起应用,以更大程度上地提高BP神经网络的运算速度和预测精度。     

半主动空气悬架神经网络的自适应控制

针对半主动空气悬架这种时变的、非线性复杂系统,提出基于神经网络的自适应控制策略,设计了神经网络辨识器和控制器。仿真计算表明,神经网络自适应控制的半主动空气悬架具有明显的减振效果。为了验证仿真效果,还进行了台架试验,研究结果表明车身振动幅度可下降30％左右。仿真和试验研究均表明,所提控制策略是正确的和有效的。