以模糊神经网络为基础,结合误差前馈补偿完成了二级倒立摆系统的稳定控制,并采用模拟退火粒子群算法对控制参数进行全局寻优。与基于状态变量合成的模糊神经网络控制器相比,该控制方法不仅解决了多变量系统模糊控制器的“规则爆炸”问题,并且,由于所有状态变量直接参与控制输出,控制精度亦有所提高。仿真结果表明,该控制方案所需规则数目少,响应速度快,有良好的鲁棒性和非线性适应能力。
2022-11-23 21:38:12
1.3MB
1
该PPT介绍了神经网络的定义，发展，基本术语，激活函数，损失函数，梯度下降的具体步骤和理论，如何设计一个神经网络选择超参数。适用于像未了解过的同学简单明了通俗的了解神经网络的这一套概念
2022-11-11 12:30:14
6.28MB
1
基于改进的PI模型对非线性曲线进行拟合，二次寻优算法进行参数辨识，用逆模型前馈补偿
2022-11-06 17:23:59
2.09MB
1
交流伺服系统中的死区效应分析与补偿分析了逆变器的死区效应产生的原因及其对交流伺服系统控制性能产生的影响,指出死区补偿的关键
在于电流相位的获取,为了克服实际系统中电流零点的模糊性,提出了一种基于两相静止坐标系下的前馈死
区补偿方法. 该方法通过对三相输出电流一个周期内补偿电压进行傅里叶变换,发现仅需补偿1 ,5 ,7 次谐波
分量即可消除死区效应. 仿真和试验结果验证了这种方法的正确性和可行性.
2022-10-24 10:19:19
195KB
1
基于pytorch进行神经网络搭建，前馈神经网络拟合函数y=sinx+exp(-x)
2022-10-23 16:05:50
601KB
1
手动实现前馈神经网络解决回归、二分类、多分类任务，分析实验结果并绘制训练集和测试集的loss曲线；
利用torch.nn实现前馈神经网络解决上述回归、二分类、多分类任务，分析实验结果并绘制训练集和测试集的loss曲线；
在多分类实验的基础上使用至少三种不同的激活函数，对比使用不同激活函数的实验结果；
对多分类任务中的模型，评估隐藏层层数和隐藏单元个数对实验结果的影响使用不同的隐藏层层数和隐藏单元个数，进行对比实验并分析实验结果；
在多分类任务实验中分别手动实现和用torch.nn实现dropout，探究不同丢弃率对实验结果的影响（可用loss曲线进行展示）；
在多分类任务实验中分别手动实现和用torch.nn实现L2正则化，探究惩罚项的权重对实验结果的影响（可用loss曲线进行展示）；
对回归、二分类、多分类任务分别选择上述实验中效果最好的模型，采用10折交叉验证评估实验结果，要求除了最终结果外还需以表格的形式展示每折的实验结果；
2022-10-10 09:07:13
33KB
1
神经网络灵敏度分析对网络结构设计、硬件实现等具有重要的指导意义，已有的灵敏度计算公式对权值和输入扰动有一定限制或者计算误差较大。基于Piché的随机模型，通过使用两个逼近函数对神经网络一类Sigmoid激活函数进行高精度逼近，获得了新的神经网络灵敏度计算公式，公式取消了对权值扰动和输入扰动的限制，与其他方法相比提高了计算精度，实验证明了公式的正确性和精确性。
2022-09-17 15:36:48
965KB
1
摘要：提出了一种基于重复控制和电网电压前馈控制相结合的光伏并网发电系统。重复控制可以抑制周期性的负载扰动，改善稳态情况下的并网电流波形；同时，采用电网电压的前馈控制来抵消电网的影响，使系统近似成为一个简单的无源跟随系统。实验结果表明，控制策略简单有效，系统的并网电流波形较好。关键词：并网；重复控制；前馈控制0 引言 近年来，随着能源消耗的大规模增加，可再生能源受到了广泛重视，各种并网发电装置的应用逐渐增多。然而，随着投入使用的并网逆变装置增多，其输出的并网电流谐波对电网的污染也不容忽视，根据相关标准[1]，并网逆变器输出的电流波形总谐波畸变率应该<5％，各次谐波畸变率应<3％。基于此，
2022-08-28 12:51:11
121KB
1
摘要：提出了一种基于重复控制和电网电压前馈控制相结合的光伏并网发电系统。重复控制可以抑制周期性的负载扰动，改善稳态情况下的并网电流波形；同时，采用电网电压的前馈控制来抵消电网的影响，使系统近似成为一个简单的无源跟随系统。实验结果表明，控制策略简单有效，系统的并网电流波形较好。 关键词：并网；重复控制；前馈控制引言近年来，随着能源消耗的大规模增加，可再生能源受到了广泛重视，各种并网发电装置的应用逐渐增多。然而，随着投入使用的并网逆变装置增多，其输出的并网电流谐波对电网的污染也不容忽视，根据相关标准[1]，并网逆变器输出的电流波形总谐波畸变率应该<5％，各次谐波畸变率应<3％。基于此，本系统
2022-08-28 12:47:51
88KB
1