针对液压弯辊控制系统的时变性、非线性和不确定性等特点,设计利用G A(遗传算法)优化的P I D神经网络(P I D N N)液压弯辊控制系统。P I D N N控制器不仅具有不依赖被控对象数学模型的优点,而且有很好的动态性能,结构简单易于设计。利用...针对液压弯辊控制系统的时变性、非线性和不确定性等特点,设计利用G A(遗传算法)优化的P I D神经网络(P I D N N)液压弯辊控制系统。P I D N N控制器不仅具有不依赖被控对象数学模型的优点,而且有很好的动态性能,结构简单易于设计。利用G A代替B P算法对P I D N N权值进行优化,克服了B P算法易陷于局部极小的不足。2种优化方法的仿真结果对比表明:G A-P I D N N控制器能够使液压弯辊力快速达到目标值,并且具有较强的抗干扰能力。展开更多
引入了Inception-SE卷积模块组来提升LeNet-5网络的广度与深度,运用SE模块增强了有用的特征并抑制了对当前任务用处不大的特征;使用BN层和Dropout优化网络,防止梯度弥散,提升精度;使用全局池化层(global average pooling,GAP)代替全连...引入了Inception-SE卷积模块组来提升LeNet-5网络的广度与深度,运用SE模块增强了有用的特征并抑制了对当前任务用处不大的特征;使用BN层和Dropout优化网络,防止梯度弥散,提升精度;使用全局池化层(global average pooling,GAP)代替全连接层来减少网络计算参数.研究结果表明:改进后网络的识别精度达到了99.88%,比传统的LeNet-5网络提高了1.71%.展开更多
文摘针对液压弯辊控制系统的时变性、非线性和不确定性等特点,设计利用G A(遗传算法)优化的P I D神经网络(P I D N N)液压弯辊控制系统。P I D N N控制器不仅具有不依赖被控对象数学模型的优点,而且有很好的动态性能,结构简单易于设计。利用G A代替B P算法对P I D N N权值进行优化,克服了B P算法易陷于局部极小的不足。2种优化方法的仿真结果对比表明:G A-P I D N N控制器能够使液压弯辊力快速达到目标值,并且具有较强的抗干扰能力。
文摘引入了Inception-SE卷积模块组来提升LeNet-5网络的广度与深度,运用SE模块增强了有用的特征并抑制了对当前任务用处不大的特征;使用BN层和Dropout优化网络,防止梯度弥散,提升精度;使用全局池化层(global average pooling,GAP)代替全连接层来减少网络计算参数.研究结果表明:改进后网络的识别精度达到了99.88%,比传统的LeNet-5网络提高了1.71%.
