动态神经网络

摘要： 为解决综合能源电/热储能配置问题,提出了一种含风电接入的区域综合能源系统电/热储能配置方法。首先,构建风电功率预测的动态神经网络预测模型,对区域综合能源系统内的风电场出力进行有效预测。然后,分析区域综合能源系统电/热储能充放能行为,建立储电、储热与区域风电场功率的联系,并考虑电热耦合关系,形成电/热储能的联合优化配置模型。最后,选取某地实际数据,设置3个场景,将预测结果代入优化模型计算储电和储热配置,对比验证了该方法下风电预测具有较好效果,有利于储能资源的优化配置和降低成本。

摘要： 机电作动器逐步应用于新型多电飞机中,其中的传感器故障对于机电作动系统的正常工作具有较大影响。针对余度传感器故障无法判定正确的传感器信号以及丧失全部传感器数据情况下信号重构的问题,采用处理时序信号有优势的神经网络辨识学习方法对故障传感器的信号进行恢复,由此解决输入信号故障情况下的信号重构问题。对比了两种动态神经网络的差异,即非线性动态神经网络与NARX网络。试验结果表明:NARX网络可有效准确完成信号丧失下的信号恢复,对比网络线性回归、误差自相关与互相关系数可得NARX恢复结果优于非线性动态神经网络。

摘要： 针对含不确定关联项的级联RTAC系统的镇定控制问题,提出了一种基于动态神经网络辨识的分散控制方案.应用拉格朗日方程建立起了考虑不确定非线性作用力的级联RTAC系统数学模型,采用动态神经网络实现级联RTAC系统中不确定关联项的在线辨识,通过构造含神经网络权值矩阵迹的Lyapunov函数,证明了辨识误差的一致有界性.通过动态神经网络辨识不确定关联项、补偿系统建模误差,建立级联RTAC系统分层滑模控制算法,以实现级联RTAC系统的高精度分散镇定控制.数值仿真验证了动态神经网络的引入对级联RTAC系统分散镇定控制系统瞬态幅值抑制、稳态精度提升的效果.

摘要： 深度强化学习使用深度神经网络在解决复杂决策任务上取得显著进步.然而,其推理成本明显增加,导致实用性降低,减少推理代价为该技术落地的重要挑战.本文研究发现,任务中并非所有状态都是难以决策的.受此启发,本文提出状态自适应推理框架,保证策略质量并显著降低策略推理成本.本文设计了动态策略训练算法:首先,为加速简单状态下的推理,生成不同大小的子策略网络.然后,训练元策略以根据状态难易动态选择合适的子策略.为进一步降低元策略推理成本,本文共享子策略与元策略网络的部分参数,并基于扩展的马尔可夫决策过程训练元策略.最后在gym平台上进行的实验表明,自适应推理框架在保证策略质量的前提下浮点数计算量少3.4倍.

摘要： 锂离子电池组的不一致性导致电池组增加过充电或过放电风险,并造成个别电池易于老化,使电池组的可用容量和寿命下降,且过充电产生的热量会影响电动汽车的使用安全性.基于此,提出以开关阵列为核心的双向DC/DC变换器均衡电路,以荷电状态(SOC)极值和均值为均衡开启和结束条件,采用主元分析法(PCA)-蚁群算法(ACO)-Elman动态神经网络-无迹卡尔曼滤波(UKF)联合算法进行SOC估算.实验及仿真结果表明,通过算法间取长补短既克服系统输入变量维数大、Elman神经网络易陷入局部最优、UKF过于依赖模型等缺陷,又使均方差达到1％,提高算法的稳定性,计算速度快,且与其他均衡方案相比,均衡耗时短、效率高.

摘要： 在政府征收定量税的前提之下,投资乘数直接取决于边际消费倾向的变化,本文以边际消费倾向作为研究对象,选取会直接对边际消费倾向造成影响的人均国民收入、基尼系数、实际利率和物价水平四个影响因素,构建动态神经网络模型,将四者作为神经网络的输入层,将对应边际消费倾向指数作为输出层进行训练,并预测出之后我国居民边际消费倾向的发展趋势,预测结果显示,近年内我国国民的边际消费倾向会稳定在略高于国际平均的水平,符合我国当前的形势,同时提出了相应的建议.

摘要： 结冰风洞试验过程中,喷雾耙内气体温度传感器出现故障会导致数据缺失.结冰风洞喷雾供气系统是高耦合度的热力系统,喷雾耙供气温度受多种因素影响,很难用准确的物理模型描述.文中采用主成分分析(PCA)方法消除喷雾耙供气温度相关影响因素变量间的数据冗余,建立以喷雾耙入口温度、喷雾耙供气压力、风洞内部环境温度及喷雾耙供气温度延迟量为输入和喷雾耙供气温度为输出的动态神经网络异常数据重构模型,提出了序列排序与并行排序的数据训练方法,应用训练后的模型对喷雾耙供气温度单点异常与长期异常数据进行重构,并与真实值作对比.结果表明,采用并行排序的动态神经网络能够准确地实现喷雾耙供气温度数据重构,具有较好的泛化能力.

摘要： 锂离子电池组的不一致性导致电池组增加过充电或过放电风险,并造成个别电池易老化,在工作中易老化电池过充电或过放电使其可用容量和寿命下降,且过充电产生的热量会造成温度快速上升,易引发热失控,增加电池组安全隐患.因此,需要引入均衡技术以减轻电池组的不一致性.基于此提出以开关阵列为核心的改进型双向DC/DC变换器均衡电路,以荷电状态(SOC)极值为均衡开启条件,并设计基于蚁群算法(ACO)-Elman动态神经网络的模糊PID控制系统,以粒子群算法(PSO)对量化因子寻优处理.经MATLAB/Simulink仿真,开关阵列使DC/DC变换器均衡能量传递路径缩短,避免能量的无效流动,通过各算法间的优化处理,实现PID特征参数随控制参量变化实时可调,即控制占空比使能量传递处于最优状态,充分发挥电感的储能作用,与其他均衡方案相比,均衡速度快,且效率高.

摘要： 采用Matlab基于Bayesian Regularization算法建立动态神经网络模型,对基坑支护桩顶面位移进行变形分析.通过实测数据对比分析:利用动态神经网络对基坑支护桩水平位移监测数据进行预测,预测精度较高,方法可行.

摘要： 旋翼飞行器动力学模型复杂度高、非线性强,且存在模型参数偏差、外界随机干扰导致的未知不确定性,因此难以建立精确的动力学模型,给飞行控制系统的设计带来困难.针对上述问题,提出了一种基于动态神经网络的旋翼飞行器在线模型辨识算法,在不依赖于模型先验信息和未知的不确定性信息的情况下,可实现完全数据驱动的在线高精度的模型辨识.基于Lyapunov理论和Barbalat引理,给出了辨识算法的收敛性理论分析.最终,通过数值仿真验证了模型辨识算法的有效性.

摘要： 本文基于直升机的飞行数据,使用NARX和LRC两种动态神经网络,辨识了直升机在不同速度下的纵向和横向的动态特性.相比于传统的辨识方法,动态神经网络表达能力强、需要的先验假设少、能够直接得到多输入多输出的直升机模型.试验结果表明,当使用精心选择的飞行数据进行训练后,动态神经网络模型能在选定的状态点附近,很好地拟合直升机的动态特性;试验还表明,NARX网络有着更快的收敛速度和更好的泛化精度.

摘要： 风力机齿轮箱不易实现故障状态识别,为此本文对三种风力机齿轮箱状态进行识别研究.动态神经网络能将前一时刻的数据保留使系统的训练和信息也更加完整,而且神经网络有自学能力强和逼近任意非线性函数的特点,本文采用动态神经网络算法建立模型实现齿轮箱故障的类型识别.采集某风场数据,应用软件进行信号处理,训练神经网络系统,对齿轮箱健康状态、断齿状态、轴承失效状态进行识别.结果证明该神经网络系统可以实现齿轮箱状态识别,为实现预测性维护齿轮箱奠定了基础.

摘要： 随着我国风电的大规模发展，准确预测风电场输出功率对于风电场的选址、大规模并网及运行具有重要的作用。本文提出两种动态神经网络预测模型，分别为局部反馈时延神经网络和全局反馈时延神经网络，以适应风功率的时间序列特性，并与静态神经网络（BP 神经网络和RBF 神经网络）预测模型进行比较。以我国北方某风电场的风功率预测为例，结合气象预报数据进行提前24小时风电输出功率预测，仿真结果表明，动态神经网络在预测具有时间序列特性的风功率时效果优于静态神经网络。

摘要： 电力系统负荷变化受多方而因素的影响，因此负荷曲线呈现出强烈的非线性。为实现非线性的电力负荷在线预测，应用改进的泛回归神经网络(GRNN)，运用递推史新的样本数据集训练GRNN，构成动态泛回归神经网络。该动态神经网络训练方便快捷，能够满足在线预测的实时性的要求。仿真实验表明预测值较观测值有一定滞后，但均能尾随观测值而变化，达到了预期的目标。

摘要： 针对一类不确定非线性组合系统,基于动态神经网络模型讨论了一种跟踪控制问题.利用Lyapunov稳定性理论保证跟踪误差和其他信号具有最终一致有界的特性,所得控制器是光滑的.同时不需要预先知道神经网络连接权最优值、模型误差和外部扰动的上界.

摘要： 提出了采用EEMD与动态神经网络相结合的混合模型进行电力系统短期负荷预测的方法.首先运用EEMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果.仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度.

摘要： 电力系统负荷变化受多方面因素的影响,因此负荷曲线呈现出强烈的非线性.为实现非线性的电力负荷在线预测,应用递推更新的样本数据集训练泛回归神经网络,构成动态泛回归神经网络.该动态神经网络训练方便快捷,能够满足在线预测的实时性的要求.仿真表明预测值较观测值有一定滞后,但均能尾随观测值而变化,达到了预期的目的.

摘要： 永磁同步电机是具有强非线性，强耦合和参数时变特性的被控对象，传统PI控制方法作为一种线性控制其比例、积分环节的参数固定不变，不能满足永磁同步电机对高精度的要求．本文采用了PI控制与神经网络控制相结合的方式，为PI控制引入非线性特征，利用神经网络逼近任意非线性函数的能力，对PI控制器的k_p、k_i参数进行实时优化；同时，加入了基于BP算法的神经网络预测器，利用神经网络在线自学习能力，对系统输出进行预测，提高了控制精度．通过在Matlab/simulink环境下对永磁同步电机调速系统的仿真分析，与传统PI控制、BP神经网络PI控制相比较，表明该方法具有响应快、速度跟踪精度高、超调小的优点，且结构紧凑，泛化能力强，有很强的实用性．

摘要： 鉴于对线性系统的故障诊断方法比较成熟,而对非线性系统的故障诊断还有很大不足的状况,将非线性系统在多个工作点进行分段线性化.在非线性系统中借鉴线性故障诊断方法,对每个工作点的模型进行线性故障诊断设计,取得工作点密度和故障诊断性能的均衡,同时使用动态神经网络对各个工作点的工作参数进行拟合.该方法将一组改进的鲁棒观测器与一个为其确定参数的动态神经网络相结合,对非线性系统进行故障诊断.用典型的3水箱模型验证了这个合成方法,验证结果显示,该方法有很好的全局工作点适应性和对干扰的鲁棒性.

摘要： 本文从某大型财产保险公司已经结案的机动车索赔数据库中随机采集欺诈及诚实索赔87组共696个数据,其中识别指标分为8项,针对我国机动车保险欺诈采样数据,应用逐步判别法,筛选出出险时车的使用年限、维修厂的类别、有无交警事故认定书、索赔人、已有索赔次数5个显著的特征指标.本文将支持向量机方法以及BP神经网络方法同时运用到机动车保险欺诈的识别研究中,并针对原有方法进行相应改进,然后从识别精确度、收敛性、收敛速度等方面对识别效果进行比较,证实了以B-SVM为代表的支持向量机方法在机动车保险欺诈识别中明显优于以BP神经网络为代表的其他识别模型,从而为机动车保险欺诈识别提供了准确有效的方法.

摘要： 本发明提供一种基于最优结构搜索的神经网络动态加速平台设计方法，神经网络动态加速平台包括：控制端和硬件加速端；控制端用于训练控制神经网络，控制神经网络根据子神经网络所反馈的推论准确率以及预先设置的准确率精度要求，对子神经网络的结构进行更新并生成子神经网络结构参数，并对更新后的子神经网络进行再训练生成权重参数，同时生成配置文件发送至硬件加速端，配置文件包含子神经网络的结构参数与权重参数；当硬件加速端返回子神经网络推论准确率稳定以后，即搜索到硬件加速端上的子神经网络的最优结构；所述子神经网络为需要在硬件加速端进行推论加速的神经网络；本发明可动态地对需要进行硬件推论加速的子神经网络进行最优结构搜索。

摘要： 本发明提供一种不需要偏置的神经网络电路装置、神经网络、神经网络处理方法和神经网络的执行程序。二值化神经网络电路(100)具有：输入输入值x1～xn(xi)(二值)的输入节点和输入权重w1～wn(wi)(二值)的输入部(101)；XNOR门电路(102)，其接收输入值x1～xn和权重w1～wn，且进行XNOR逻辑运算；求和电路(103)，其求出各XNOR逻辑值的总和；批归一化电路(41)，其通过扩大归一化范围且使中心位移的处理来修正由二值化导致的分布不平衡；和激活函数电路(35)，其使用激活函数fsgn(B)对信号B进行转换，其中所述信号B是对求出总和之后的信号Y进行批归一化得到的信号。

摘要： 本发明提供一种无需批归一化电路的神经网络电路装置、神经网络、神经网络处理方法及神经网络的执行程序。二值化神经网络电路(100)具备：输入输入值x1～xn(xi)(二值)的输入节点及输入加权w1～wn(wi)的输入部(101)、接收输入值x1～xn及加权w1～wn并采用XNOR逻辑的XNOR门电路(102)、输入多位偏置W'的多位偏置W'输入部(110)、取各XNOR逻辑值和多位偏置W'的总和的求和电路(103)及对于取总和后的信号Y仅输出符号位的激活电路(120)。

摘要： 本发明公布了一种基于动态卷积网络及脉冲神经网络的语音情感识别模型。本发明包括以下步骤：首先对语音信号预处理，提取Mel谱特征及统计特征；其次，将谱图输入到动态卷积网中，提取全局情感特征，将统计特征输入到脉冲神经网中，提取动态情感特征；然后将网络输出的两种深层特征进行拼接、融合；最后将融合后的特征送入分类器中分类。网络利用梯度反向传播算法优化模型性能。所提模型同处理两种语音特征来提取深层情感特征，两种特征有效的弥补了单一特征造成的特征缺失，能更有效的挖掘语音中的情感信息。

摘要： 本发明提高数据并行型分散学习的吞吐量。神经网络系统具有存储器和访问存储器的多个处理器，多个处理器中的每一个处理器在多次学习中的每一次学习中，基于训练数据的输入和神经网络内的参数执行神经网络的运算来计算神经网络的输出，计算计算出的输出与训练数据的教师数据的差分相对于参数的梯度或者基于梯度的更新量，(1)在梯度或者更新量的累积不小于阈值的第一情况下，执行多个处理器将分别计算出的多个梯度或者更新量的累积发送到多个处理器内的其它的处理器来汇集多个梯度或者更新量的累积，接收汇集后的梯度或者更新量的累积，用汇集后的梯度或者更新量的累积更新参数的第一更新处理，(2)在梯度或者更新量的累积小于阈值的第二情况下，执行多个处理器不进行基于发送的多个梯度或者更新量的累积的汇集，用多个处理器分别计算出的梯度或者更新量更新各自的参数的第二更新处理。

摘要： 本公开涉及训练神经网络的方法、训练神经网络的系统以及神经网络。一种用于训练第一神经网络，以在图像输入到第一神经网络时，检测在该图像上可见并且属于给定对象类别的对象的视点的方法，包括：提供不同视点下的多对图像的数据集，提供被配置成能够得出对象的外观信息的第二神经网络，提供被配置成能够使用外观信息和视点，得出所述类别的对象的合成图像的第三神经网络，联合训练第一神经网络、第二神经网络和第三神经网络。

摘要： 根据本发明的分布式处理用人工神经网络运算加速装置可以具有：外部主存储器，存储针对输入神经元的输入数据和突触权重；内部缓冲存储器，存储构成所述人工神经网络运算的各个循环所需的突触权重和输入数据；DMA模块，用于与所述外部主存储器及内部缓冲存储器直接发送和接收数据；神经网络运算装置，针对构成人工神经网络运算的各个循环重复地处理以下一系列顺序过程：读取存储在所述内部缓冲存储器的突触权重和输入数据、执行人工神经网络运算、将运算结果存储在所述外部主存储器；CPU，用于控制在所述外部主存储器和内部缓冲存储器存储针对输入神经元的输入数据和突触权重的操作和所述神经网络运算装置的运行；及通用通信中介块，可以与无关集成电路的类型地以物理方式连接的其他加速装置发送和接收针对所述输入神经元的输入数据和突触权重以及在所述神经网络运算装置执行的运算结果。

摘要： 一种卷积神经网络(CNN)处理装置(1)，设置有：输入缓冲器(10)，用于存储要对CNN应用的输入信号A；权重缓冲器(11)，用于存储权重U；卷积运算单元(12)，执行包括输入信号A与权重U之间的乘积‑求和运算的卷积运算；存储单元16，存储表(160)，在该表中，转换‑量化处理的输入与输出彼此相关联，其中，转换‑量化处理接受卷积运算的运算结果作为所述输入，基于预定条件来转换输入值，通过降低转换后的数据的比特精度来进行量化，并且输出结果；以及处理单元(14)，参考表(160)以获取转换‑量化处理的与卷积运算的运算结果相对应的输出。

摘要： 本发明提供一种能够通过减少存储器数量而将其配置在芯片上的神经网络电路装置、神经网络处理方法和神经网络的执行程序。三状态神经网络电路(200)具有非零卷积运算电路(21)、求和电路(22)和激活函数电路(23)，其中，所述非零卷积运算电路(21)在中间层中接收用于进行卷积的输入值Xi和权重Wi来进行卷积运算；所述求和电路(22)求取通过卷积运算得到的各运算值和偏置W0的总和；所述激活函数电路(23)用激活函数f(u)对求取总和得到的信号Y进行转换。非零卷积运算电路(21)跳过权重Wi为零的权重，来根据非零权重和与该非零权重对应的输入值Xi进行卷积运算。

摘要： 本发明提供了一种生成训练神经网络的训练数据的方法、训练神经网络的方法和利用神经网络进行自主操作的方法，以及相关设备和系统。一方面，提供了一种训练用于环境中对象的自主操作的神经网络的方法，包括：基于样本数据集生成策略值；基于所述策略值生成近似动作值函数；通过所述近似动作值函数为所述样本数据集中的所有状态以及所有可能动作生成近似策略值集；基于近似策略值计算所述神经网络的训练目标；计算训练误差作为所述训练目标和所述样本数据集中对应的状态动作对的策略值之间的差值；更新所述神经网络的至少一些参数以最小化所述训练误差。