基于FPGA的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的實(shí)現(xiàn)方法
基于預(yù)測神經(jīng)網(wǎng)絡(luò)和DSP高速數(shù)字處理相結(jié)合的構(gòu)建原理,采用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行系統(tǒng)參數(shù)的調(diào)整,同時利用DSP數(shù)字信號高速處理運(yùn)算,對錫爐溫度實(shí)現(xiàn)了在線實(shí)時控制。實(shí)驗(yàn)表明,控制系統(tǒng)的動態(tài)響應(yīng)快,跟蹤能力強(qiáng),穩(wěn)態(tài)精度高,有較強(qiáng)抗擾動能力。
基于預(yù)測神經(jīng)網(wǎng)絡(luò)和DSP高速數(shù)字處理相結(jié)合的構(gòu)建原理,采用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行系統(tǒng)參數(shù)的調(diào)整,同時利用DSP數(shù)字信號高速處理運(yùn)算,對錫爐溫度實(shí)現(xiàn)了在線實(shí)時控制。實(shí)驗(yàn)表明,控制系統(tǒng)的動態(tài)響應(yīng)快,跟蹤能力強(qiáng),穩(wěn)態(tài)精度高,有較強(qiáng)抗擾動能力。
應(yīng)用 CMAC神經(jīng)網(wǎng)絡(luò)具有小腦的機(jī)能,因而,被廣泛應(yīng)用于機(jī)器人的運(yùn)動控制。或者反過來說,正是為了機(jī)器人的運(yùn)動控制,Albus構(gòu)造了CMAC神經(jīng)系統(tǒng),以模擬脊椎動物的小腦機(jī)能。 正如Albus所說的:“然而,對我來說,
本文將混沌引入到蟻群算法(Ant Colony Optimization,ACO)當(dāng)中,以形成混沌蟻群算法(Chaos Ant Colony Optimization,CACO),從而提高了對于BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化效率和精度,解決了上述問題;同時,也在對異步電機(jī)直接轉(zhuǎn)矩控制(DTC)轉(zhuǎn)速辨識的仿真試驗(yàn)中,實(shí)現(xiàn)了對電機(jī)轉(zhuǎn)速的準(zhǔn)確辨識。
1 引言 人工神經(jīng)網(wǎng)絡(luò)是基于模仿生物大腦的結(jié)構(gòu)和功能而構(gòu)成的一種信息處理系統(tǒng)。國際著名 的神經(jīng)網(wǎng)絡(luò)專家Hecht Nielsen 給神經(jīng)網(wǎng)絡(luò)的定義是:“神經(jīng)網(wǎng)絡(luò)是一個以有向圖為拓?fù)浣Y(jié)構(gòu)的動態(tài)系統(tǒng),它通過對連續(xù)或斷續(xù)
基于瞬時無功功率諧波動態(tài)檢測法,檢測的精度高、實(shí)時性好。本文闡述了基于瞬時無功功率與神經(jīng)網(wǎng)絡(luò)組合控制電網(wǎng)諧波動態(tài)檢測方法的基本原理,分析了基于瞬時無功功率的諧波檢測方法,在負(fù)載突變是引進(jìn)神經(jīng)網(wǎng)絡(luò)提高準(zhǔn)確實(shí)時性,在此基礎(chǔ)上結(jié)合有源電力濾波器進(jìn)行仿真實(shí)驗(yàn),觀察諧波動態(tài)檢測。
建立一個基于改進(jìn)的CMAC小腦模型神經(jīng)網(wǎng)絡(luò)的PID參數(shù)自整定控制系統(tǒng),該P(yáng)ID參數(shù)的整定方法為基于規(guī)則的整定方法,不必精確地辨識被控對象的數(shù)學(xué)模型,只需將系統(tǒng)誤差 的時間特性中的特征值送入CMAC網(wǎng)絡(luò),CMAC再根據(jù)輸入的特征值得出相應(yīng)的PID參數(shù)的變化量,即可實(shí)現(xiàn)PID參數(shù)的自整定。
基于FPGA的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)方法已成為實(shí)際實(shí)時應(yīng)用神經(jīng)網(wǎng)絡(luò)的一種途徑。本文就十多年來基于FPGA的ANN實(shí)現(xiàn)作一個系統(tǒng)的總結(jié),例舉關(guān)鍵的技術(shù)問題,給出詳細(xì)的數(shù)據(jù)分析,引用相關(guān)的最新研究成果,對不同的實(shí)現(xiàn)方法和思想進(jìn)行討論分析,并說明存在的問題以及改善方法,強(qiáng)調(diào)神經(jīng)網(wǎng)絡(luò)FPGA實(shí)現(xiàn)的發(fā)展方向和潛力及提出自己的想法。另外,還指出基于FPGA實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)存在的瓶頸制約,最后對今后的研究趨勢作出估計。
本文提出了一種新的基于改進(jìn)的ADALINE神經(jīng)網(wǎng)絡(luò)的DTMF信號檢測算法,并介紹了在TMS320C5402和TLV320AIC10上采用此算法的DTMF信號解碼器方案設(shè)計。仿真結(jié)果和實(shí)際工程實(shí)驗(yàn)均表明該算法比傳統(tǒng)的DTMF信號解碼方法具有更強(qiáng)的抗干擾能力;該方案具有一定的實(shí)用和參考價值。
本文提出了一種新的基于改進(jìn)的ADALINE神經(jīng)網(wǎng)絡(luò)的DTMF信號檢測算法,并介紹了在TMS320C5402和TLV320AIC10上采用此算法的DTMF信號解碼器方案設(shè)計。仿真結(jié)果和實(shí)際工程實(shí)驗(yàn)均表明該算法比傳統(tǒng)的DTMF信號解碼方法具有更強(qiáng)的抗干擾能力;該方案具有一定的實(shí)用和參考價值。
1 引言 人工神經(jīng)網(wǎng)絡(luò)最重要的功能之一是分類。對于線性可分問題,采用硬限幅函數(shù)的單個神經(jīng)元,通過簡單的學(xué)習(xí)算法就可成功實(shí)現(xiàn)分類。即對于兩個不同類中的輸入矢量,神經(jīng)元的輸出值為0或1。但對于大多數(shù)非線性
隨著控制理論的不斷完善和發(fā)展,以及計算機(jī)技術(shù)在工業(yè)控制領(lǐng)域的廣泛應(yīng)用,控制系統(tǒng)的自動化水平、控制品質(zhì)均得到了顯著的改善和提高。在追求控制系統(tǒng)良好控制性能的同時,對提高系統(tǒng)的可靠性和可維修性也提出了越來
摘要:基于線性神經(jīng)網(wǎng)絡(luò)原理,提出線性神經(jīng)網(wǎng)絡(luò)的模型,并利用Matlab實(shí)現(xiàn)Widrow-Hoff神經(jīng)網(wǎng)絡(luò)算法。分析Matlab人工神經(jīng)網(wǎng)絡(luò)工具箱中有關(guān)線性神經(jīng)網(wǎng)絡(luò)的工具函數(shù),最后給出線性神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識中的實(shí)際應(yīng)用。通過對
摘要:提出一種基于模擬退火神經(jīng)網(wǎng)絡(luò)設(shè)計FIR數(shù)字濾波器的方法,是對用神經(jīng)網(wǎng)絡(luò)設(shè)計方法的一種改進(jìn)。由于線性相位FIR數(shù)字濾波器的幅頻特性是有限項的傅里葉級數(shù),因此構(gòu)造了一個三層余弦基神經(jīng)網(wǎng)絡(luò)模型,并用模擬退火
0 引言隨著信息技術(shù)的發(fā)展和互聯(lián)網(wǎng)應(yīng)用的普及,計算機(jī)系統(tǒng)受到計算機(jī)病毒的威脅。計算機(jī)病毒分類檢測,指將可疑文件作為輸入,執(zhí)行某病毒檢測算法后輸出結(jié)果(無毒、帶毒/帶何種毒)的過程,實(shí)質(zhì)上是對文件的分類。病
1 BP網(wǎng)絡(luò)結(jié)構(gòu)及其算法 反向傳播算法又稱誤差后向傳播算法(Error Back Propagation Algorithm),它是用來訓(xùn)練多層前饋網(wǎng)絡(luò)的一種學(xué)習(xí)算法。是一種有監(jiān)督的學(xué)習(xí)算法。通常稱用誤差反向傳播算法訓(xùn)練的網(wǎng)絡(luò)叫BP網(wǎng)絡(luò)
1 引言 在造紙、印染、紡織等高精度、高轉(zhuǎn)速傳動系統(tǒng)中,隨著工業(yè)自動化程度的提高和生產(chǎn)規(guī)模的擴(kuò)大,采用單電機(jī)驅(qū)動往往難以滿足生產(chǎn)的要求。而多電機(jī)同步控制歷來是最核心的問題,對多電機(jī)同步協(xié)調(diào)控制,國內(nèi)
隨著我國高速公路和汽車技術(shù)的迅猛發(fā)展,汽車行駛速度越來越高,極需一種更有效的交通管理系統(tǒng)。這種系統(tǒng)應(yīng)能自動識別汽車,并能準(zhǔn)確判斷出汽車類型。20世紀(jì)50年代以來,點(diǎn)測式設(shè)備如環(huán)形線圈檢測器,主要用于十字路口的交