摘要：针对主被动混合隔振系统中次级通道的非线性因素和时变特性,设计一种基于有源非线性自回归神经网络(Nonlinear Auto-regressive With Exogenous Inputs Neural Network,narx-NN)的次级通道系统辨识的方法,并成功应用于振动主动控制系统中。首先,使用narx神经网络对次级通道进行辨识得到准确的次级通道模型;其次,采用FIR滤波器重构初级通道的输出,从而获得作动器的输出信号,基于重构得到数据对辨识的网络进行在线学习,可以避免由白噪声激励在系统中带来的随机振动对控制效果的影响;最后搭建仿真模型以及实验平台,仿真结果表明,该控制算法可以克服次级通道的时变性导致的次级通道失真问题;实验结果表明,该算法对15、20 Hz的线谱分别取得30.1、40.4 dB的能量衰减效果,能够有效地实现振动主动控制。

摘要：为应用narx神经网络识别路面不平度,对narx神经网络及其训练过程和结构设计进行了分析,采用相关系数和均方根误差作为narx神经网络识别效果的评价指标。建立了路面不平度滤波白噪声模型和汽车平顺性4自由度平面模型,通过仿真获得路面不平度和车辆响应。以可测试的车辆响应作为narx神经网络的输入,采用正交试验设计提出确定narx神经网络输入方案的方法,对在常用等级路面上以常用车速行驶的某汽车的前轮路面不平度进行了识别。结果表明,将可测试的车辆响应作为narx神经网络输入,结合正交试验设计,解决了narx神经网络最优输入方案的确定问题。

摘要：针对内部结构不详、器件参数未知的复杂电子电路电磁脉冲响应建模这一难点问题,笔者采用narx神经网络建立动力学模型,并提出了采用正弦波扫频信号及其电路响应作为训练数据的方法,同时给出了narx神经网络建模的理论基础及设计步骤,证明了集总参数电路响应模型可用narx神经网络所建立的动力学模型替代,从而得到了基于数据的电子电路电磁脉冲响应建模方法。运用ADS软件完成滤波器电路及射频放大电路的设计与仿真,建立narx神经网络模型并得到了较好的预测效果,验证了该方法适用于集总参数电路的电磁脉冲响应预测。对narx神经网络的缺陷进行简要分析,并提出使用遗传算法优化网络参数和使用支持向量机或极限学习机替代narx神经网络中前馈神经网络部分的改进方法,为后续研究工作指引方向。

摘要：针对传统飞行动力学建模工作量大、周期长等问题,提出了一种基于飞行包线离散化和数据驱动的纵向飞行动力学建模方法。以F-16为例,首先分析了纵向运动模态,开展了纵向单脉冲模拟试飞生成特征样本集;然后,利用模糊c-均值算法对样本集进行聚类,选择并设计了综合有效性指标以确定最优聚类数,实现了飞行包线离散化;最后,在子包线内选用训练样本集对narx神经网络进行训练以建立纵向飞行动力学模型,使用同一子包线内的验证样本集验证模型。结果表明,子包线实现了全覆盖且相邻包线之间边界清晰无重叠,模型输出结果平均相对误差均在3%以内,说明该方法对开展飞机纵向飞行动力学建模是可行的和有效的,为纵向飞行动力学建模提供了一种新思路。

摘要：针对工业循环冷却水出现的腐蚀与结垢对管道设备的影响,从国内石化公司提取了相关的水质和工艺数据,对数据进行动态主成分分析处理后得出对水质腐蚀及结垢影响较大的6种因素,同时基于非线性自回归模型(narx)神经网络和模糊逻辑控制方法建立腐蚀速率和黏附速率预测模型,并设计了工业循环水智能决策系统软件。该软件不仅能对水质腐蚀速率及黏附速率进行预测,还能根据预测结果给出相应的处理意见,经实际运行,缩短了运行预测周期,提高了运行效率。

摘要：针对捷联组合导航系统在定位信号无法获取的情况下定位误差大和BP神经网络定位的波动问题提出了基于narx神经网络的导航算法。该方法在输入端加入输出输入量的时间序列,在定位信号可以获取时间段内对神经网络进行训练,不可获取时使用narx预测的数据对系统进行补偿,提高定位精度。实验结果表明在30s的失锁时间内narx神经网络定位精度在3m以内,迭代次数小于15次且数据波动较小,可以准确的预测导航位置。

摘要：随着智能电网建设阶段的不断推进,以及电力市场运营机制的逐渐完善,电力负荷预测工作的重要性与日俱增。针对传统的前馈型神经网络预测模型存在泛化能力不强、预测精度较差的问题,设计了一种基于贝叶斯正则优化narx(Bayesian regularization nonlinear autoregressive with exogenous inputs,BR-narx)神经网络的电力负荷预测方法。介绍了narx神经网络以及贝叶斯正则优化算法的理论分析与模型搭建;基于某省电网公司的历史负荷数据,以及供电区域内相应的气象信息等数据,进行数据分析及预处理工作;以实际应用算例测试,分析所构建BR-narx神经网络的模型性能,并与BP、BR-BP、narx3种神经网络模型进行预测效果的对比。算例结果显示,BR-narx模型具备显著提升电力负荷预测精度的性能,能够为实际电力负荷预测工作的进一步发展提供思路。

摘要：动力电池作为电动汽车的核心,其健康状态(SOH)为表征电池能否正常工作的重要指标,表示电池当前的使用寿命及其可靠性,并直接影响电池的性能。准确估计电池的SOH能够预知锂离子电池的整体寿命,完善充放电策略,以避免电池滥用等故障的发生。为确保对动力电池的健康状态进行准确预测,文章选择与电池健康状态具备极强相关性的特征参数作为健康状态预测的健康因子,设计并训练narx非线性自回归神经网络,通过建立不同的训练集和输入特征参数的对照组去分析对比训练集和输入参数带给预测结果的影响,获取精确的电池健康状态值,能够提高电动汽车的动力性。

摘要：在使用神经网络方法估计锂电池荷电状态时,传统荷电状态适应度评价函数存在仅考虑均方误差等网络权值参数的缺点,忽略了拓扑参数对模型的影响。故本文提出在适应度评价函数设计中综合考虑输入/输出时序相关性、隐层神经元数量等模型拓扑参数和网络权值参数的加权影响,并将其引入带外部输入非线性自回归神经网络建模方法的锂电池荷电状态估计中,进而基于改进天牛须搜索算法实现了上述模型拓扑参数与网络权值参数的协同辨识优化。仿真结果表明,本文所提出方法能够提高多种复杂工况下的锂电池荷电状态估计精度,在DST标准工况和WLTC标准工况下锂电池荷电状态的均方根误差分别达到3.38×10^(−3)和8.75×10^(−4),相比于未经改进的天牛须搜索算法优化narx神经网络在均方根误差上估计精度分别提升了42.4%和20.5%。

摘要：针对目前浪涌保护器件性能分析方法不完善、缺乏准确数学模型的问题,提出了一种基于narx神经网络的电磁脉冲响应时域建模方法,并给出narx神经网络建模的理论基础及设计步骤。通过组建传输线脉冲测试平台及静电放电实验平台,对NUP2105L型瞬态抑制二极管进行注入实验,采集输入输出实验数据并建立narx神经网络模型。对建模效果进行分析,所建模型可以较为准确地预测输入脉冲为方波脉冲、人体金属模型及机器模型静电放电电磁脉冲时,响应电压曲线趋势、响应时间、脉冲峰值、箝位时间及箝位电压等性能指标,验证了模型的正确性。