基于Matlab神经网络的图像识别
唐晓东 徐东平
神经网络是信息科学、脑科学、神经心理学等诸多学科近年来共同关注的研究热点.由于神经网络具有良好的抽象分类特性,使其成为解决图像识别相关问题的有效工具.在简述图像识别过程的基础上重点讨论利用BP神经网络对图像进行识别,用Matlab完成对神经网络的训练和测试,获得满意的结果.[著者文摘]
设备故障智能诊断预报中的知识与推理技术
伍奎 李润方
分析了故障智能诊断的方法及关键因素，研究了专家知识库的管理，构建了模糊神经网络故障智诊断的推理结构，基于事例的专家知识库与模糊神经网络推理能较好地实现设备故障的智能诊断预报。
基于多Agent的分布式故障智能诊断原型系统研究
何永勇 褚福磊 等
近年来，基于多Agent的分布式故障系统已成功地应用于众多领域，本文将多Agent技术应用于故障诊断领域研究，以开发故障智能诊断的多Agent系统，提出了基于原型系统的基本框架和系统实现途径及方法，其中着重研究了基于多Agent理论的诊断问题分布式任务分解与控制问题，以及诊断Agent之间的协调合作问题，原型系统的研究，为实际应用系统的研制开发提供了理论指导和方法依据。
基于GRA和PCA的BP神经网络应用研究
王海燕[1] 刘鲁[1] 刘玲[2]
运用BP神经网络方法对复杂系统建模的过程中，经常遇到指标多、历史数据不足而降低网络泛化能力的情况。为了提高神经网络的泛化能力，本文从简化网络规模的角度出发，运用灰色关联分析法和主成分分析法对原始数据集做降维预处理，达到减少神经网络输入节点个数的目的。将由此建立的预测模型应用于我国粮食产量的预测，与一般的BP神经网络模型和基于主成分的BP神经网络模型相比，该预测模型明显简化了网络结构，提高了预测效率，同时较大地提高了预测精度。[著者文摘]
基于RBF神经网络非线性预测模型的开关磁阻电机自适应PID控制
RBF ANN Nonlinear Prediction Model Based Adaptive PID Control of Switched Reluctance Motor
夏长亮 修杰
开关磁阻电机的非线性和变参数特性使得采用传统的PID控制很难取得较好的控制效果。人工神经网络在一定的条件下可以任意精度逼近任意非线性函数且具有较强的自学习、自适应、自组织能力。故将其与传统的PID控制相结合构成神经网络自适应PID控制策略，应用于非线性严重的开关磁阻电机，可实现对开关磁阻电机的高性能控制。同时，神经网络所具有的非线性变换特性和高度的并行运算能力使得其适合建立非线性预测模型进行参数预测。通过对被控系统参数的预测，可提高系统的动态响应性能。该文采用两个神经网络．BP神经网络和RBF神经网络来分别构成神经网络NNC和神经网络NNI。神经网络NNC进行自适应P[D参数调节；神经网络NNI用来建立非线性预测模型进行参数预测。为进一步加快神经网络的学习收敛速度，该文采用变学习速率的神经网络学习算法，学习速率随收敛过程误差的大小而自适应地进行调整，这可大大加快神经网络学习训练的收敛速度，进一步提高系统动态响应速度。实验结果表明，系统的动态响应快，超调小，稳态精度高，鲁棒性强，有较强的抗扰动能力，具有较好的控制效果。[著者文摘]
The inherent nonlinearity of switched reluctance motor（SRM） makes it hard to get a good performance by using the conventional proportional-integral-derivative（PID） controller to the speed control of SRM. This paper develops a radial basis function（RBF） artificial neural network（ANN） nonlinear prediction model based adaptive PID controUer for SRM. ANN, under certain condition, can approximate any nonlinear function with arbitrary precision. It also has a strong ability of adaptive, serf-learning and self-organization. So, combining it With the conventional PID controller, an ANN based adaptive PID controller can be constructed. Appling it to the speed control of nonlinear SRM, a good control performance can be gotten. At the same time, the nonlinear mapping property and high parallel process ability of ANN make it suitable to be applied to establish nonlinear prediction model to perform parameter prediction. In this paper, two ANN-NNC and NNI are employed. One is back propagation（BP） ANN with sigmoid activation function. Another is an ANN with RBF activation function. The former is used to adaptively adjust the parameters of the PID controller on line. The later is used to establish nonlinear prediction model performing parameter prediction. To improve the convergence speed of ANN, an adaptive learning algorithm is adopted in this paper that is to adjust the learning rate according to the error. This can increase the convergence speed of ANN and make the system response quick. The experimental results demonstrate that a high control performance is achieved. The system responds quickly with little overshoot. The steady-state error is zero. The system is robust to load torque disturbance.[著者文摘]
BP神经网络预测日径流序列的数据适应性分析
Data Adaptability of BP ANN in the Prediction of Daily Flow
李存军[1] 邓红霞[2] 朱兵[2] 王文圣[2]
对于不同数据特点的序列神经网络的逼近能力有较大的差异。为了使BP神经网络预测河流日径流的效果有较大改善,分析了S型神经元的训练和数据调整过程,提出了数据对神经网络的主动适应性的表征和判断标准,在提高其平滑度的基础上结合水文数据的结构特点,给出了日径流的非线性变换的几种基本形式。以广西平乐站29年的日径流量为例,通过适当的非线性平滑预处理后用神经网络进行预测,相对误差〈10%的天数平均提高47.8%,相对误差〈20%的天数平均提高35.6%。[著者文摘]
In order to improve the prediction precisionof BP ANN for runoff in day, the training and adjusting process of S nerve-cell was analyzed, the standard of data initiative adaptability to ANN was proposed, and several kinds of non-linear transfer for daily runoff with a view to characteristic of hydrology data was givenon the basis of increasing smoothness. The daily runoff in 29 years of Pingle Station in Guangxi province was predicted by ANN after non-linear smoothing transferring. The results showed that days in 10% relatively error averagely increase 47.8%, and days in 20%, relatively error averagely increase 35.6%[著者文摘]