导读:本文包含了并联神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:调度,过程神经网络,聚合,动态增量
并联神经网络论文文献综述
何祖军,周光辉,杨奕飞[1]（2019）在《基于改进双并联过程神经网络的光伏功率预测》一文中研究指出在光伏发电领域,面对复杂多变的天气,实现光伏发电量的准确预测是一个难点问题。光伏发电量的准确预测能为电网平稳调度提供参考依据,但传统方法进行光伏发电输出功率预测误差大、响应时间长,难以满足电网需求调度的问题。提出一种改进双并联过程神经网络的光伏功率预测方法,对神经元的聚合运算机制和激励方式向时间域进行扩展,利用动态增量来更新双并联过程神经网络的权值,避免因误差变化小而使网络陷入局部极小值。仿真结果表明,使用改进后的模型预测光伏发电功率能得到更高的预测精度。(本文来源于《计算机与数字工程》期刊2019年08期）
王欣,陈振威[2]（2019）在《3-RPS并联机构神经网络滑模变结构控制》一文中研究指出针对并联机构强耦合、非线性、多变量的控制系统特征,基于3-RPS并联机构提出了一种神经网络滑模变结构控制策略.根据3-RPS并联机构的空间运动特性和动力学方程,采用RBF神经网络算法来逼近滑模变结构控制器;同时,基于Lyapunov函数稳定性的设计理论,将有界控制律、鲁棒控制律与神经网络控制律相结合,共同组成闭环控制系统的控制律.最后,对机构的轨迹跟踪误差进行了Matlab实时控制仿真分析.结果表明:神经网络滑模变结构控制能实现较高的轨迹跟踪精度,且鲁棒稳定性强,可满足并联机构控制精度的要求.(本文来源于《中国工程机械学报》期刊2019年01期）
林生红,王金元[3]（2018）在《基于神经网络的高压并联电抗器匝间保护研究》一文中研究指出为解决轻载时高压输电线路电压偏高的问题,必须安装高压并联电抗器(HVSR)。目前电抗器匝间保护的正确动作率偏低,文章探索用简化多元多项式(RMP)神经网络实现HVSR的匝间保护,改进电抗器匝间保护性能,介绍了RMP新型神经网络原理,推导了用奇异值分解方法确定RMP系数的训练算法。通过仿真HVSR的正常运行及故障状态,该研究获得了训练和测试样本,按照训练算法确定了RMP神经网络的权重。结果表明基于RMP神经网络的HVSR匝间保护具有较好的性能。(本文来源于《江苏科技信息》期刊2018年33期）
赵耀虹,夏昊,王自谦,李瑞琴,夭银银[4]（2018）在《基于BP神经网络算法的3-CRS/SP并联机构正解分析》一文中研究指出提出一种通过BP神经网络求解并联机构位置正解的方法。根据BP神经网络的算法,采用了3层前向神经网络。对3-CRS/SP并联机构建立旋转矩阵求得该机构的位置逆解。将位置逆解所得数据作为神经网络的输入,将求解位置逆解的动平台位姿包含4个参数值作为输出,进行神经网络的训练。仿真和实验结果表明,该方法对于求解并联机构位置正解快速有效;相对于解析法,该方法直观简洁,能够为并联机构的控制过程提供数值参考。(本文来源于《机械传动》期刊2018年11期）
郭振魁,李宏杰,郭江东,王安红[5]（2018）在《基于神经网络的并联机器人分拣系统优化》一文中研究指出本文主要通过研究工厂智能分拣作业的生产流程,针对多种约束条件下的Delta型并联机器人分拣多目标物体的问题,提出基于神经网络算法的并联机器人分拣抓取路径优化方法,通过对分拣过程分阶段的系统优化,并结合其实际生产情况提出了这一优化算法。通过对各层神经元不断的优化训练,记录更多的样本数据,最后通过仿真试验结果表明,采用该方法与传统方法相比更加快速的完成了分拣任务,有效缩短了分拣时间,提高了工作效率,对于智能分拣的研究具有重要意义.(本文来源于《智能机器人》期刊2018年05期）
任鹏飞,耿世勇[6]（2018）在《3-RRR平面并联机器人神经网络滑模控制研究》一文中研究指出针对具有强耦合和高非线性并联机器人的轨迹跟踪控制研究,设计了一种基于神经网络滑模控制器的控制系统。在传统滑模控制的基础上,利用神经网络算法实时修正系统非线性项和不确定参数的功能,有效抑制了SMC系统的抖振现象。建立了3-RRR平面并联机器人的结构简图和Matlab模型,并采用闭环矢量法得到了机器人的运动学反解,为控制系统提供了参考输入。基于机器人的简化动力学方程,设计了一种RBF神经网络滑模控制器,并构造Lyapunov函数证明控制器的稳定性。分别采用传统滑模和神经网络滑模控制方式对机器人的轨迹跟踪进行仿真分析。仿真结果表明:神经网络滑模控制器具有更好的轨迹跟踪精度和较小的稳态误差,验证了神经网络SMC控制器的有效性。(本文来源于《机床与液压》期刊2018年15期）
王罡,毛志伟,罗玉峰,石志新[7]（2018）在《基于神经网络的并联机构方位特征集自动分析算法》一文中研究指出基于方位特征集理论(Position and Orientation Characteristic,POC),揭示并联机构拓扑结构分析的理论内涵,建立基于神经网络的并联机构拓扑结构描述方法,提出一种基于神经网络的并联机构拓扑结构自动分析算法。详细说明了并联机构POC集神经网络模型以及模型中对应的6种算法规则,并给出该方法的主要步骤及实例分析。首先,通过对并联机构拓扑结构分析的理论分析,归纳出其本质;其次,基于神经网络理论基础,对并联机构拓扑结构描述数字化表达;此外,通过分析并联机构POC集自动分析的本质内涵,建立并联机构POC集神经网络模型以及提出6种模型算法规则。最后通过实例分析证明了并联机构POC集自动分析算法的正确性和有效性。(本文来源于《机械传动》期刊2018年07期）
何文凯,王江北,陈萌,费燕琼[8]（2018）在《绳索牵引式并联机器人神经网络PID控制》一文中研究指出分析了一种6绳索6自由度的绳索牵引式并联机器人,基于齐次变换矩阵法建立了机器人运动学和动力学模型,根据其动力学模型及传统PID控制器,基于BP神经网络设计了BP神经网络PID控制器,机器人在运动过程中通过BP神经网络调整PID参数。最后通过仿真将其控制结果与基于传统PID控制器的控制结果进行对比,得出这种控制方法能够提高绳索牵引式并联机器人的控制精度和响应速度。(本文来源于《高技术通讯》期刊2018年07期）
梁宇斌,梁桥康,吴贵元,伍万能,孙炜[9]（2019）在《3RPS/UPS并联机器人神经网络观测器反演控制》一文中研究指出为了增强4D互动立体游戏仿真模拟平台的刚度和运动性能,将带冗余结构的3RPS/UPS并联机器人应用其中。首先对其结构进行介绍及逆运动学分析,然后针对传统PID控制在控制精度方面的不足,提出了一种基于神经网络观测器的反演控制方法。最后利用MATLAB对其进行建模以及系统仿真实验,并与传统PID控制以及一般的RBF神经网络自适应控制进行对比。由仿真结果可以看出,根据RBF神经网络观测器估计系统状态值,并应用反演控制理论设计控制器,能实现很好的状态观测,从而实现无需速度信号的位置跟踪。该方法也能够在一定程度上提高精度,且其整体控制效果优于传统PID控制器,相比于一般的RBF神经网络自适应控制也有了一定的改进。(本文来源于《计算机工程与应用》期刊2019年04期）
曾潇[10]（2018）在《IGBT并联电流均衡模型和神经网络控制研究》一文中研究指出绝缘栅双极晶体管(Insulated Gate Bipolar Transistor,IGBT)并联是电力变换系统中广泛采用的一种提高系统电流能力的方法。IGBT并联技术在给电力变换系统提升容量的同时,也带来IGBT支路电流的不均衡问题,这严重影响了并联系统的可靠性。由于IGBT在制造过程中,不可避免地存在误差,虽然这些误差都在工艺的控制上下限范围内,但是这些微小的误差引起了IGBT在并联时器件本身特性的不一致,再加上同型号系统个体之间,由寄生参数引起的负载电路和驱动电路的细微差别,IGBT并联时电流不均衡问题就凸显了出来,不均衡电流给系统会带来可靠性的问题,必然会使得某些器件承受的电流大于其它器件,这就加速了这些承受电流相对较大器件的磨损,造成未达到其预期寿命而提前失效。目前IGBT并联均流是一个国际研究热点,对电流均衡度的测量,即对单个IGBT电流的测量,包括开关瞬态电流和导通稳态电流,尚无软测量(Virtual Sensing,VS)法的报道,如基于神经网络(Artificial Neural Network,BPANN)的软测量法等。对于电流均衡度控制方面,即对单个IGBT的电流控制,也没有基于智能控制算法的报道,如神经网络PID(Artificial Neural Network based PID,ANN-PID)等。本文对IGBT并联电流均衡模型与神经网络控制进行了深入研究,从不均衡电流的测量和控制两个方面均提出创新性的解决方法。本文提出了并联IGBT电流均衡软测量模型,建立了软测量法,对不均衡度(或均衡度)进行测量。同时提出了电流不均衡度(均衡度)ANN-PID控制法和栅电荷调节器技术用于对IGBT并联电流不均衡度(均衡度)的控制。最后开发了原型机对并联IGBT的电流不均衡度(均衡度)实现了ANN-PID控制。本文主要创新点如下:(1)首次提出并联IGBT电流均衡软测量(Balance Current Virtual Sensing,BCVS)模型,建立了IGBT电流的软测量方法。本文建立了IGBT在导通稳态时集电极电流和栅电荷Q_G的关系、IGBT在开通瞬态和关断瞬态的状态空间方程,并结合IGBT器件物理解析模型,以此作为解析软测量(Analytical Virtual Sensing,AVS)模型,找出了影响IGBT电流且在实际应用中易于测量的物理参数,建立了它们和IGBT全域电流之间的经验软测量(Empirical Virtual Sensing,EVS)模型,以此作为BCVS模型。在特定IGBT应用系统中,利用人工智能(Artificial Intelligence,AI)技术如误差反传ANN(Back Propagation ANN,BPANN)和K-means聚类等机器学习算法,对BCVS模型进行求解,即找出了BCVS模型中相关参数与IGBT电流之间的数学关系,并利用该求解后的BCVS模型对IGBT电流或IGBT并联不均衡度(均衡度)进行全域范围(开通瞬态,导通稳态,关断瞬态)软测量。实验结果表明该软测量法能有效对IGBT电流进行预测,对单个IGBT电流测量的平均误差为3%。在现场可编程门阵列(Field Programmable Gate Array,FPGA)平台上实现了该软测量法的硬件算法,并验证了其有效性,对单个IGBT电流测量的平均误差为0.6%,FPGA工作于100MHz时,单次软测量计算时间为310ns。软测量法在实际应用中不需要电流传感器,减少了系统成本开销,不改变算法结构前提下,其实时性由相关参数的数据采集速度、计算资源等决定。(2)提出并联IGBT电流均衡度ANN控制新方法。迄今为止,在国际上普遍采用在器件开关瞬态对IGBT进行开关时延和栅电压补偿的方法来进行均衡度控制。本文基于ANN的自适应控制特性,将其与比例-微分-积分(Proportion-Integral-Derivative,PID)控制相结合,实现了对每个IGBT的全域电流进行自适应控制和实时控制,让其逼近同一条参考电流曲线,从而实现均衡度控制。在FPGA上对相关算法进行了验证,验证表明对单个IGBT电流的控制的平均误差可达0.023%,FPGA工作于200MHz时,单次控制计算时间为240ns。在实际应用中,不改变控制算法结构前提下,控制计算时间由计算资源决定。(3)提出IGBT栅电荷调节(Gate Quantity of Electric Charge Regulator,GQR)技术,可对IGBT电流进行全域范围内的调节。GQR属于有源栅控技术(Active Gate Control),电路实现简单,可通过分立器件或集成电路的方式实现,无需对IGBT栅驱动进行重新设计,仿真和实验验证表明,GQR技术可改善IGBT开关性能,如开关瞬态di/dt,dv/dt的调节,过冲电流电压和振荡的抑制以及导通稳态下的电流的任意调节。(4)设计和实现了IGBT并联均流ANN控制原型机。采用了基于IGBT并联电流均衡模型,ANN控制法和GQR技术,开发了IGBT均流原型机,实现了IGBT并联均流控制,实验结果表明使用ANN-PID和GQR技术和不采取均流措施相比,可将用于实验的BUCK变换器中并联IGBT的电流不均衡度降低7倍。并将负载电流从小到大变化,得出并联均流性能提升曲线,在实验负载范围类为3~23倍。(本文来源于《电子科技大学》期刊2018-03-15）
并联神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对并联机构强耦合、非线性、多变量的控制系统特征,基于3-RPS并联机构提出了一种神经网络滑模变结构控制策略.根据3-RPS并联机构的空间运动特性和动力学方程,采用RBF神经网络算法来逼近滑模变结构控制器;同时,基于Lyapunov函数稳定性的设计理论,将有界控制律、鲁棒控制律与神经网络控制律相结合,共同组成闭环控制系统的控制律.最后,对机构的轨迹跟踪误差进行了Matlab实时控制仿真分析.结果表明:神经网络滑模变结构控制能实现较高的轨迹跟踪精度,且鲁棒稳定性强,可满足并联机构控制精度的要求.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
并联神经网络论文参考文献
[1].何祖军,周光辉,杨奕飞.基于改进双并联过程神经网络的光伏功率预测[J].计算机与数字工程.2019
[2].王欣,陈振威.3-RPS并联机构神经网络滑模变结构控制[J].中国工程机械学报.2019
[3].林生红,王金元.基于神经网络的高压并联电抗器匝间保护研究[J].江苏科技信息.2018
[4].赵耀虹,夏昊,王自谦,李瑞琴,夭银银.基于BP神经网络算法的3-CRS/SP并联机构正解分析[J].机械传动.2018
[5].郭振魁,李宏杰,郭江东,王安红.基于神经网络的并联机器人分拣系统优化[J].智能机器人.2018
[6].任鹏飞,耿世勇.3-RRR平面并联机器人神经网络滑模控制研究[J].机床与液压.2018
[7].王罡,毛志伟,罗玉峰,石志新.基于神经网络的并联机构方位特征集自动分析算法[J].机械传动.2018
[8].何文凯,王江北,陈萌,费燕琼.绳索牵引式并联机器人神经网络PID控制[J].高技术通讯.2018
[9].梁宇斌,梁桥康,吴贵元,伍万能,孙炜.3RPS/UPS并联机器人神经网络观测器反演控制[J].计算机工程与应用.2019
[10].曾潇.IGBT并联电流均衡模型和神经网络控制研究[D].电子科技大学.2018