内容概要：本文探讨了将RBF神经网络应用于永磁同步电机(PMSM)的自抗扰控制(ADRC)，旨在提高控制系统的自适应性和鲁棒性。文中详细介绍了RBF-ADRC控制器的设计原理，特别是利用RBF网络在线调整ESO参数的方法。通过MATLAB仿真实验验证了该方法的有效性，在突加负载和参数摄动情况下表现出更好的稳定性和响应速度。同时，文章还提供了具体的代码实现细节和技术要点，如参数变化率限幅、高斯函数中心点初始化策略等。 适合人群：从事电机控制系统设计的研究人员、工程师以及相关专业的研究生。 使用场景及目标：适用于需要高精度、强鲁棒性的永磁同步电机控制系统开发项目。主要目标是降低传统ADRC的手动参数整定难度，提高系统对外部扰动的抵抗能力。 其他说明：文中提到的技术不仅限于PMSM，对于其他类型的电机同样有借鉴意义。此外，作者分享了一些实用的经验技巧，如神经网络初始化、计算效率优化等，有助于读者更好地理解和应用所介绍的方法。

基于改进神经网络ADRC的永磁同步电机闭环控制仿真模型与传统自抗扰PMSM的比较研究,传统ADRC与改进神经网络ADRC的永磁同步电机闭环控制仿真模型 传统自抗扰PMSM：采用二阶自抗扰的位置电流双闭环控制 改进RBF自抗扰ADRC：自抗扰中状态扩张观测器ESO与神经网络结合，对ADRC中的参数进行整定 有搭建仿真过程的参考文献及ADRC控制器建模文档 ,关键词：传统ADRC; 改进神经网络ADRC; 永磁同步电机; 闭环控制仿真模型; 二阶自抗扰; 位置电流双闭环控制; 状态扩张观测器ESO; 神经网络; 参数整定; 仿真过程; ADRC控制器建模文档。,基于神经网络优化的ADRC在永磁同步电机控制中的应用与仿真研究

提出一种基于有限元模型的开关磁阻电机自适应模糊神经网络系统(ANFIS)无位置传感器控制的新方法。自适应模糊神经网络系统以相绕组的电流和磁链为输入,以转子位置角度为输出,从而建立起电流、磁链和转子位置角度的非线性映射关系。网络训练的样本数据来自于有限元模型分析,它具有足够的精度,且不需要测量仪器和线路布置,不受环境干扰因素影响,能够大幅减少试验成本,缩短试验周期。仿真和实验结果表明,由自适应模糊神经网络获得的角度信号和由位置传感器获得的角度信号相比误差较小,电机能够准确换相,且输出转矩波动小,转速曲线平滑,电机在无位置传感器下运行良好。

内容概要：本文介绍了一种基于多传感器多尺度一维卷积神经网络（MS-1DCNN）和改进Dempster-Shafer（DS）证据理论的轴承故障诊断系统。系统旨在通过并行处理来自四个传感器（三个振动传感器和一个声音传感器）的时序数据，提取多尺度故障特征，并通过智能融合机制实现对轴承故障的准确分类和不确定度估计。核心创新在于将MS-1DCNN的强大特征提取能力和DS证据理论在不确定性推理方面的优势相结合。系统采用两阶段训练策略，首先独立训练每个MS-1DCNN子网络，然后联合训练DS融合层，以应对数据集规模小而模型复杂的问题。报告详细描述了系统架构、数据规范、训练策略、结果评估与可视化等内容，并展示了该系统在提高故障诊断准确性和鲁棒性方面的优势。 适合人群：具备一定机器学习和深度学习基础，对故障诊断系统设计和实现感兴趣的工程师、研究人员和技术人员。 使用场景及目标：①适用于工业生产中旋转机械设备的故障检测与预防；②通过多传感器数据融合提高诊断的准确性和鲁棒性；③利用改进的DS证据理论处理不确定性和冲突信息，提供可靠的诊断结果和不确定度估计。 其他说明：该系统在设计上考虑了数据集较小的情况，采用了两阶段训练策略和数据增强技术，以防止过拟合并提高模型的泛化能力。未来的研究方向包括扩展到更多类型的传感器、探索更广泛的数据增强技术和合成数据生成方法，以增强模型在复杂真实环境中的诊断性能和可靠性。报告强调了可视化结果的重要性，包括损失与准确率曲线、混淆矩阵、t-SNE/UMAP特征空间可视化以及DS融合与单传感器特征图对比，以全面展示系统的性能提升。

随着深度学习技术的快速发展，卷积神经网络（CNN）在多媒体安全领域中的应用越来越广泛，尤其是在图像和视频数据的处理上。然而，CNN模型的安全问题也逐渐受到关注，特别是在防御敌意攻击方面，如数据投毒攻击。数据投毒攻击是一种针对机器学习模型的攻击手段，攻击者通过在训练数据中插入精心设计的恶意样本，试图误导模型在推理阶段产生错误的判断或者决策。 在本实验中，西南科技大学的研究团队专注于探究数据投毒攻击在基于卷积神经网络的多媒体安全系统中的影响。通过精心设计实验，研究者们旨在评估数据投毒攻击对CNN模型安全性的影响，并研究可能的防御策略。实验的设计包括选择合适的CNN模型架构、准备干净的数据集以及构造含有恶意数据的投毒数据集。通过对这些数据进行训练和测试，研究者们能够观察模型在受到攻击前后的性能变化，以及投毒攻击对模型准确性的具体影响。 为了实现上述目标，实验采用了Python编程语言，这是目前在机器学习和深度学习领域广泛使用的语言。Python的高级数据处理能力、丰富的机器学习库（如TensorFlow和PyTorch）以及活跃的社区支持，为实验提供了强大的技术支持。在实验中，研究者们可能使用了图像处理库OpenCV来处理数据集，使用NumPy和Pandas等库进行数据预处理，以及利用Keras或PyTorch等深度学习框架构建和训练CNN模型。 实验的具体步骤可能包括但不限于：准备一个干净的数据集，并在该数据集上训练一个基线模型，以评估模型在未受攻击时的性能。然后，构造一个投毒数据集，该数据集包含正常样本和恶意样本的混合。恶意样本通过精心设计，以便在训练过程中误导模型。接着，将含有恶意样本的数据集用于训练模型，并观察模型性能的变化。实验者会分析模型在受到攻击后性能下降的原因，并尝试应用不同的防御策略，比如使用数据清洗技术、改进模型结构或者使用对抗训练等方法来提升模型的鲁棒性。 通过这些实验设计和分析，研究者们希望能够为多媒体安全领域提供有价值的见解，并为未来的防御机制开发提供理论和技术基础。实验的结果不仅能够帮助研究人员和安全专家更好地理解数据投毒攻击的机理和影响，还能够推动相关领域的技术进步，为构建更加安全可靠的多媒体系统奠定基础。 此外，本实验的研究成果对于工业界也有着重要的意义。随着人工智能技术在金融、医疗、自动驾驶等领域的应用日益广泛，系统面临的攻击风险也随之增加。因此，了解并掌握数据投毒攻击的防御策略，对于保护这些关键系统免受潜在攻击至关重要。 西南科技大学进行的这项实验不仅为学术界提供了丰富的研究数据和经验，也为工业界带来了重要的安全防范知识，对于推动整个多媒体安全领域的发展具有积极的影响。

基于均匀设计、有限元法、人工神经网络和免疫遗传算法建立了新的岩质边坡结构面参数的反演方法.按照均匀设计要求,确定数值模拟方案;用有限元程序计算出相应的神经网络训练样本,建立边坡变形的神经网络预测模型,再利用免疫遗传算法进行反演分析,其中反演过程适应度的计算则采用已训练好的神经网络预测来替代有限元数值仿真,大大缩短了计算时间.通过实际工程的算例分析,反演结果比较理想.

提出了一种基于反演设计和RBF神经网络自适应的非完整移动机器人轨迹跟踪方法.首先,设计一个虚拟的速度控制律使得输出跟踪误差尽可能小;然后,利用反演技术设计一个基于RBF神经网络的动力学控制器,以确保在机器人系统中存在不确定性和外界扰动的情况下,机器人仍具有良好的跟踪能力.RBF神经网络连接权值在线自适应律由Lyapunov理论导出,保证了控制系统的稳定性.本文提出方法的主要优点是不需要移动机器人动力学的先验知识,而且对外界扰动具有良好的鲁棒性.最后,在两轮非完整移动机器人上的仿真结果证明了本文所提出方法的有效性.

卧龙湖煤矿北二采区岩浆岩侵入8煤层的现象较为严重,同时该区煤层中构造煤比较发育,瓦斯富集问题较为突出。利用三维地震资料、测井曲线进行约束反演得到的波阻抗作为外部属性,并使用step-wise属性选择法确定合适数目的地震属性,利用概率神经网络技术(PNN)对该区进行孔隙度预测反演。孔隙度反演结果与波阻抗反演结果的对比表明:孔隙度较波阻抗对于识别瓦斯富集带具有更高的分辨能力;概率神经网络具有高稳定性、计算精度高等特点,可作为研究构造煤发育和瓦斯赋存的有效手段。

遥感图像分类是遥感技术领域的一个重要分支，它主要是通过计算机技术来识别遥感图像中的地物类型。传统的遥感图像分类方法主要依赖统计学模式，如最大似然分类、C均值聚类算法等。但随着科技的发展，人工神经网络(ANN)在遥感图像分类中的应用越来越广泛，尤其是BP（Back Propagation）神经网络。 BP神经网络是一种前馈型的神经网络，其具有多层结构，包含输入层、隐含层（可有多个）和输出层。在BP神经网络中，信息的流动是单向的，从输入层经过隐含层传递到输出层。隐含层可以将输入数据的特征进行非线性变换，从而捕捉到数据中的复杂关系。BP神经网络的核心是通过不断的学习来调整各层之间的连接权重，以达到最小化误差的目的。学习过程中，BP神经网络采用的是反向传播算法，即当输出结果和期望值不一致时，误差会通过网络反向传播，并且按梯度下降法对网络中的权重进行调整，直至误差降至一个可以接受的水平。 Simpson提出的模糊最小一最大神经网络是用于分类的特殊类型的神经网络。它针对分类软硬性进行优化，即分类器能够提供模糊的和二值的分类输出，这对于提高模式分类器的精度十分重要。 BP神经网络在遥感图像分类中的优势在于其分布式存储、并行处理、自学习和自组织的特性。这些特性使得神经网络非常适合处理和整合多源信息特征构成的高维特征空间，从而在目标识别方面表现出更高的效率和准确性。在实际应用中，BP神经网络通过训练样本，能够不断学习和改进，直至达到对遥感图像进行准确分类的能力。 在实际的遥感图像分类处理中，传统的分类方法往往面临分类精度不高的问题。这是因为在遥感图像中，地物类型的光谱特征往往存在重叠，使得基于统计学方法的分类器难以准确区分不同地物。而BP神经网络通过复杂的非线性变换和强大的学习能力，能够较好地解决这一问题。 样本训练是BP神经网络进行分类处理的一个关键步骤。在训练过程中，需要准备大量已知分类结果的像元样本。通过反复训练，神经网络能够学习到样本特征和对应分类结果之间的映射关系。一旦训练完成，网络就可以对未知的遥感影像进行分类处理。 此外，BP神经网络在结构上易于扩展和修改，可以根据实际需要增加或减少隐含层的数量和神经元的数目，从而改善模型的性能。同时，BP神经网络还能够通过不断优化网络参数来提高分类的准确性和效率。 BP神经网络在遥感图像分类中的应用展示了其独特的分类优势。相较于传统方法，BP神经网络具有更高的分类精度和更强的模式识别能力，是一种非常有前景的遥感图像处理技术。随着研究的深入和计算能力的提升，可以预见BP神经网络将在遥感图像处理领域得到更广泛的应用。

采用BP神经网络反演的方法,通过ANSYS数值模拟获取训练样本,克服了传统Res2dmod获取的训练样本误差大的缺点。将训练好的网络用于其他视电阻率数据的反演中,将反演后的数据和传统的二维反演软件Res2dinv的反演效果进行对比分析。表明BP人工神经网络训练误差达到一定精度后,能够克服传统线性反演的不足,最后结合工程实例说明BP神经网络反演的可行性。