10.13465/j.cnki.jvs.2017.06.022
磁流变阻尼器非参数化模型泛化能力的提高
建立磁流变阻尼器的动态模型以描述其强非线性动力学行为是智能磁流变控制系统设计及应用的关键环节之一.泛化能力是衡量基于人工神经网络技术的磁流变阻尼器非参数化模型性能的重要指标,也是保证控制系统稳定性和可靠性的重要因素.基于磁流变阻尼器的动力学试验数据,提出贝叶斯推理分析框架下的非线性自回归(non-linear autoregressive with exogenous inputs,NARX)神经网络技术建立磁流变阻尼器的动态模型,通过网络结构优化和正则化学习算法的结合以有效地提高模型的预测精度和泛化能力.研究结果表明,基于贝叶斯推理的NARX网络模型能够准确地预测磁流变阻尼器在周期和随机激励下的非线性动态行为,同时验证了该模型相比于非正则化模型在泛化性能方面的优越性,因此,有利于实现磁流变控制系统的实时、鲁棒智能化控制.
磁流变阻尼器、非参数化模型、NARX神经网络、贝叶斯正则化、泛化能力
36
TU352;TB535(建筑结构)
国家自然科学基金51608128;福州大学科研启动基金510110;福建省教育厅科技项目JA15098;福建省自然科学基金资助项目2016J05123
2017-05-16(万方平台首次上网日期,不代表论文的发表时间)
共7页
146-151,167