本文件是基于BP神经网络的PID参数整定程序，对于BP神经网络的初学者有重要参考价值
上传时间： 2015-03-17
上传用户：host
表面粗糙度是机械加工中描述工件表面微观形状重要的参数。在机械零件切削的过程中，刀具或砂轮遗留的刀痕，切屑分离时的塑性变形和机床振动等因素，会使零件的表面形成微小的蜂谷。这些微小峰谷的高低程度和间距状况就叫做表面粗糙度，也称为微观不平度。表面粗糙度的测量是几何测量中的一个重要部分，它对于现代制造业的发展起了重要的推动作用。世界各国竞相进行粗糙度测量仪的研制，随着科学技术的发展，各种各样的粗糙度测量系统也竞相问世。对于粗糙度的测量，随着技术的更新，国家标准也一直在变更。最新执行的国家标准(GB/T6062-2002)，规定了粗糙度测量的参数，以及制定了触针式测量粗糙度的仪器标准[1]。 随着新国家标准的执行，许多陈旧的粗糙度测量仪已经无法符合新标准的要求。而且生产工艺的提高使得原有方案的采集精度和采集速度，满足不了现代测量技术的需要。目前，各高校公差实验室及大多数企业的计量部门所使用的计量仪器(如光切显微镜、表面粗糙度检查仪等)只能测量单项参数，而能进行多参数测量的光电仪器价格较贵，一般实验室和计量室难以购置。因此如何利用现有的技术，结含现代测控技术的发展，职制出性能可靠的粗糙度测量仪，能有效地降低实验室测量仪器的成本，具有很好的实用价值和研究意义。 基于上述现状，本文在参考旧的触针式表面粗糙度测量仪技术方案的基础上，提出了一种基于ARM嵌入式系统的粗糙度测量仪的设计。这种测量仪采用了先进的传感器技术，保证了测量的范围和精度；采用了集成的信号调理电路，降低了信号在调制、检波、和放大的过程中的失真；采用了ARM处理器，快速的采集和控制测量仪系统；采用了强大的PC机人机交互功能，快速的计算粗糙度的相关参数和直观的显示粗糙度的特性曲线。 论文主要做了如下工作：首先，论文分析了触针式粗糙度测量仪的发展以及现状；然后，详细叙述了系统的硬件构成和设计，包括传感器的原理和结构分析、信号调理电路的设计、A/D转换电路的设计、微处理器系统电路以及与上位机接口电路的设计。同时，还对系统的数据采集进行了研究，开发了相应的固件程序及接口程序，完成数据采集软件的编写，并且对表面粗糙度参数的算法进行程序的实现。编写了控制应用程序，完成控制界面的设计。最终设计出一套多功能、多参数、高性能、高可靠、操作方便的表面粗糙度测量系统。
上传时间： 2013-04-24
上传用户：KIM66
航空发动机故障诊断技术对避免飞行事故和降低飞行器运行成本是十分重要的。提出一种BP网络对某型飞机发动机进行故障诊断，但是由于BP网络收敛速度较慢而且容易陷入局部极小值，特别是BP网络通常只能给出一个解，受训练样本病态影响大。因此通过对BP网络的改进，建立了L-M算法神经网络的飞机发动机故障诊断模型。实验表明，该网络在一定程度上克服了BP网络存在的的问题，在逼近能力、分类能力和学习速度等方面均优于BP网络。为机务人员提供了有效的、科学的发动机故障诊断方法，该种评估手段较好地解决了发动机故障诊断问题，在飞行安全中发挥着越来越大的作用。
上传时间： 2014-12-23
上传用户：小儒尼尼奥
三层BP神经网络的算法实现，主要实现了训练和预测两个方法供外部调用。
上传时间： 2013-12-25
上传用户：qw12
本文拟借助于神经网络良好的逼近能力，实现永磁同步电机的无位置传感器控制。 人工神经网络(Neural Network)可以逼近任意复杂非线性映射，具有很强的自学习自适应能力，十分适合于解决复杂的非线性控制问题。其中，BP神经网络是目前广泛应用的神经网络之一，得到了较为深入的研究，其结构简单，需要离线确定的参数少、泛化能力强、逼近精度高、实时性强，采用BP神经网络实现永磁同步电机的调速控制具有重要意义。 文中提出了基于BP神经网络的永磁同步电机自适应调速控制策略，建立了一种包含辨识网络和控制网络的双神经网络结构控制系统。辨识网络在线动态辨识系统输出并对控制网络参数进行调整，控制网络与PI控制方法相结合实现永磁同步电机自适应转速控制。仿真结果表明，该系统动态响应快、实时性较强、精度较高。 文中提出了一种基于混合训练算法的BP神经网络永磁同步电机无位置传感器控制方法。采用混沌优化和梯度下降法相结合的混合算法对BP神经网络进行离线训练后，将其用于永磁同步电机的转子位置角在线估计。结果表明，该训练算法可以有效地加快神经网络收敛速度，且估计的转子位置角误差较小、精度较高。 文中建立了以TMS320F2812芯片为核心的永磁同步电机调速控制系统，并进行了相应的软硬件设计，为实现永磁同步电机的各种控制策略奠定了实验基础。DSP控制系统为神经网络训练提供样本，为研究永磁同步电机的自适应调速控制和转子位置角估计创造了条件。
上传时间： 2013-05-23
上传用户：1101055045
永磁同步电机(Permanent Magnet Synchronous Motor)因功率密度大、效率高、过载能力强、控制性能优良等优点，在中小容量调速系统和高精度调速场合发展迅速。但由于永磁同步电机的磁场具有独特的交叉耦合和交叉饱和现象，且其控制系统是一个强非线性、时变和多变量系统，要实现高精度调速就需对其控制策略进行深入研究。 永磁同步电机调速系统中，位置传感器的存在使得系统成本增加、结构复杂、可靠性降低，所以永磁同步电机的无位置传感器控制成为一个新的研究热点。本文拟借助于神经网络良好的逼近能力，实现永磁同步电机的无位置传感器控制。 人工神经网络(Neural Network)可以逼近任意复杂非线性映射，具有很强的自学习自适应能力，十分适合于解决复杂的非线性控制问题。其中，BP神经网络是目前广泛应用的神经网络之一，得到了较为深入的研究，其结构简单，需要离线确定的参数少、泛化能力强、逼近精度高、实时性强，采用BP神经网络实现永磁同步电机的调速控制具有重要意义。 文中提出了基于BP神经网络的永磁同步电机自适应调速控制策略，建立了一种包含辨识网络和控制网络的双神经网络结构控制系统。辨识网络在线动态辨识系统输出并对控制网络参数进行调整，控制网络与PI控制方法相结合实现永磁同步电机自适应转速控制。仿真结果表明，该系统动态响应快、实时性较强、精度较高。 文中提出了一种基于混合训练算法的BP神经网络永磁同步电机无位置传感器控制方法。采用混沌优化和梯度下降法相结合的混合算法对BP神经网络进行离线训练后，将其用于永磁同步电机的转子位置角在线估计。结果表明，该训练算法可以有效地加快神经网络收敛速度，且估计的转子位置角误差较小、精度较高。 文中建立了以TMS320F2812芯片为核心的永磁同步电机调速控制系统，并进行了相应的软硬件设计，为实现永磁同步电机的各种控制策略奠定了实验基础。DSP控制系统为神经网络训练提供样本，为研究永磁同步电机的自适应调速控制和转子位置角估计创造了条件。
上传时间： 2013-07-03
上传用户：kakuki123
开关磁阻电机(SwitchedReluctanceMotor，SRM)具有结构简单、工作可靠、效率高和成本较低等优点，在很多领域都显示出强大的竞争力，但是位置传感器的存在不仅削弱了SRM结构简单的优势，而且降低了系统高速运行的可靠性，增加了成本，探索实用的无位置传感器检测转子位置的方案成为开关磁阻电机驱动系统(SwitchedReluctanceMotorDrive，SRD)研究的热点。SRM高度非线性的电磁特性决定了在精确的数学模型基础上实现无位置传感器控制十分困难，而人工神经网络的出现为解决这个问题提供了新的思路。径向基函数(RadialBasisFunction，RBF)神经网络是一种映射能力极强的前向型神经网络，具有收敛速度快、全局逼近能力强等优点。本文提出一种利用自适应RBF神经网络对SRM进行控制的新方法，所采用的RBF神经网络以电机绕组的相电流、磁链作为输入，转子位置作为输出，通过离线和在线相结合的方法对网络进行训练，建立SRM电流、磁链与转子位置之间的非线性映射，从而实现SRM的无位置传感器控制。 常规的PID控制以其结构简单、可靠性高、易于工程实现等优点至今仍被广泛采用。在系统模型参数变化不大的情况下，PID控制效果良好，但当被控对象具有高度非线性和不确定性时，仅靠PID调节效果不好。对于SRM，它的电磁关系高度非线性，固定参数的PID调节器无法得到很理想的控制性能指标。论文提出了一种基于RBF神经网络在线辨识的SRM单神经元PID自适应控制新方法。该方法针对开关磁阻电机的非线性，利用具有自学习和自适应能力的单神经元来构成开关磁阻电机的单神经元自适应控制器，不但结构简单，而且能适应环境变化，具有较强的鲁棒性。同时构造了一个RBF网络对系统进行在线辨识，建立其在线参考模型，由单神经元控制器完成控制器参数的自学习，从而实现控制器参数的在线调整，能取得更好的控制效果。 仿真及实验结果表明，自适应RBF神经网络能够实现电机的准确换相，从而实现了电机的无位置传感器控制；基于RBF神经网络在线辨识的单神经元自适应控制能够达到在线辨识在线控制的目的，控制精度高，动态特性好，具有较好的自适应性和鲁棒性。
上传时间： 2013-04-24
上传用户：skfreeman
·基于BP神经网络的字符识别
上传时间： 2013-06-17
上传用户：brucewan
·详细说明：基于概率神经网络的数字语音识别matlab程序文件列表: newpnn ......\demopnn1.m ......\ENFRAME.M ......\MELBANKM.M ......\mfcc.m ......\testpnn.asv ......\testpnn.m
上传时间： 2013-06-22
上传用户：thh29
基于BP神经网络的PID控制器的研究与实现:
上传时间： 2013-11-25
上传用户：SimonQQ
