简介:直线电机驱动的H型数控平台系统在加工零件时,负载扰动、外部干扰和两电机安装的差异与机械耦合会影响单轴的跟踪精度且会产生同步误差。针对此问题,本文首先用拉格朗日方法给H型平台建模,然后提出一种改进的非奇异终端滑模控制(NTSMC)来进行位置控制器的设计,在不失滑模控制鲁棒性的情况下,有效地削弱了该控制所产生的抖振问题,提高了单轴的跟踪精度。在两轴间采用Sugeno型模糊神经网络(SFNN)补偿控制器来动态补偿H型平台的同步误差。通过模糊神经网络以任意精度逼近非线性系统的能力使同步误差在有限时间内趋近于零,以满足H型平台数控系统的高精度加工要求。仿真结果表明,所设计的控制系统能够有效提高系统的同步控制精度和鲁棒性。
简介:为了进一步优化神经网络算法,提高网络神经算法的速率并提高其稳定性,就现有BP算法所存在的收敛速度慢以及容易陷入局部极小值的弊病,我们将进一步通过一般改进算法解决在神经网络结构优化过程中依然无法解决的问题。依据遗传算法的特征,进一步在经过改进的压缩映射遗传的基础上提出了BP神经网络优化方案。泛函分析中压缩映射原理的应用,一方面解决了困扰人们的BP神经网络算法所固有的缺点,显著地提高了神经网络算法的收敛速度,而且解决了BP神经在运行的过程中和网络连接权值初值的取值紧密相连的缺点。经过大量的计算我们得到如下数据:经过优化改进后,训练时间节约了8.3%,训练步数降低了近17.4%。经过大量的研究实验表明:经过改进后的BP神经网络算法取得了良好的效果,十分具有应用价值。
简介:摘要网络性能预测是指以现有理论等为基础,来构造具有预测性的模型以实现对未来业务数据的推测和估计。本文按照电力营销系统的特殊架构,建立了基于神经网络的电力营销系统网络性能预测模型,构建了电力营销系统的网络特征信息集,并设定了网络性能预测的信息过滤规则。此外,基于构建的电力营销系统网络预测模型,进一步研发了电力营销系统流量过滤模块。通过OPNET网络仿真结果显示,基于神经网络的电力营销系统网络性能预测模型能够有效降低网络阻塞,提高网络使用效率。
简介:针对网络态势感知中的预测精度问题,提出了基于广义径向基函数(RBF)神经网络的网络安全态势预测方法。该方法利用K-means聚类算法确定RBF的数据中心和扩展函数,并采用最小均方算法调整权值,得出态势值前后之间的非线性映射关系,并进行态势预测。仿真试验表明,该方法能较准确获得态势预测结果,提高网络安全的主动安全防护。
简介:针对桥梁结构监测采集到的桥梁异常状态下长期积累演变的惊人数据量,提出了基于主成分分析与人工神经网络相结合的桥梁结构异常状态识别方法。布设多种类型传感器监测获取高维数据,采用主成分分析法对原始高维特征数据进行预处理,将结构异常特征变量的主成分作为人工神经网络的输入特征。该方法有效的降低了神经网络的结构复杂度,同时提高人工神经网络的训练速度,也保证了人工神经网络具有良好的收敛性和稳定性。应用于江苏南通如泰运河大桥和江苏无锡开源大桥的实际监测数据的结果表明,基于主成分分析的人工神经网络方法用于桥梁结构异常状态识别,与传统的神经网络以及其他模式识别算法相比,有更好的识别精度。
简介:讨论了一类递归神经网络算法的稳定性问题。给出了增广的Lyapunov-Krasovskii泛函,考虑了更多激活函数的信息。在Lyapunov-Krasovskii导函数中引入了自由权矩阵,降低了保守性,同时结合凸组合理论,处理了时变时滞,得到了以线性矩阵不等式形式的稳定性判定准则,此判定准则易于验证和推广。数值例子和仿真验证了文中方法的可行性。