Elman神经网络在热工辨识中的应用研究

格式：pdf
大小：144.54 KB
文档页数：2

下载文档原格式

基于Elman神经网络的语音情感识别应用研究

第２９卷第５期２１０２年５月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｍｐｔｒｐｉｔｓａｃｆＣｏｕｅｓｃｏ
Ｖｏ＿９Ｎｏ５ｌ２．
Ｍａ０１ｖ２２
基于Ｅｍａｌｎ神经网络的语音情感识别应用研究
Ａｐｌｃｔｏｅｅｒｈｏｐｅｈｅｔｏｅｏｎｔｏａｅｎｐｉａｉｎｒｓａｃｆｓｅｃｍｏｉｎｒｃｇｉｉｎｂｓｄｏ
Ｅｌｎｎｕａｅｗｏｋｍａｅｒｌｎｔｒ
Ｙｉ．ＺＯａ－ｎ，ＱＵＡ．ｉｇＵＬｎ１ｇ．ｉ，ＨＵＫｉｕ．ｊＩｉｎｂ
ｎｔｏｌｄｆｅｗｒｔｃｕｅｔｐｓｉａｋｔｇ，ｂｔａｓｒｃｉｅｗｄｆｓｇａｐｅｈｒｃｇｉｏｎａｃｒ — ｏｎｙｍｏｉｎｔｏｋｓｕｔｒｅｎｂｃｓｅｕｌｐａｔｄｔｏｍｏｅｏｉｎｌｅｃｅｏｎｔｎａｄｂｔｈｐｏｙｒｙａｏｃｓｉ
刻状态与当前网络一并输入，实现Ｅｍｎ网络模型的状态反馈。基于此设计了语音情感识别系统，系统能在ｌａ该
后台修改网络类型，实现单语句与批量语句识别模式。针对系统进行语音情感识别实验表明，于Ｅｍｎ并基ｌａ神经网络的语音情感识别在同等参数模型设置前提下优于ＢＰ神经网络识别效果，Ｂ且Ｐ神经网络参数设置较Ｅ— ｌ

Elman神经网络

Elman网络的构建
NET = NEWELM(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF)
PR - Rx2 维矩阵，表示R个输入的范围 Si -每层有几个神经元 TFi – 每层神经元的类型 BTF – 训练算法，默认为 'traingdx'. BLF – 学习算法，默认为 'learngdm'. PF - 表现函数，默认为 'mse'
意义：演示Elman网络如何进行时间模式识别和分类（低通滤波）
实现方法
设置输入（两种振幅的正弦波）和期望输出建立网络并根据输入和期望输出进行训练用原输入信号对网络进行测试用一组新的输入信的空调负荷预测
空调系统的逐时负荷是按时间顺序排列的数字序列，它们之间有某种统计意义上的关系，很难用函数描述
例一：构建一个Elman网络
构建一个单输入、单输出，隐藏层有5个神经元的Elman网络
输入网络的IW，LW1和LW2进行观察分析（维数）
随机产生一个输入向量，观察相应输出为输入向量指定期望输出进行训练观察训练后网络的输出
振幅检测
检波、低通滤波
例二：应用Elman网络进行振幅检测
空调负荷预测问题：多变量、强耦合、严重非线性、动态性
要求：根据过去的N（N≥1）个数据预测未来M（M ≥1 ）个时刻的值
预测方法的选取
神经网络方法的优势
并行、分布式、自组织
静态网络
BP网络：系统定阶困难、规模大、收敛慢
动态网络
Elman：适应时变特性
样本数据的分段方法
空调负荷数据
每天只选9~12四个小时的负荷
基于Elman网络的空调负荷预测步骤

基于蚁群优化的Elman神经网络在故障诊断中的应用研究

第２７卷第４期总９４期
基于蚁群优化的Ｅｌｍａｎ神经网络在故障诊断中
的应用研究
曹龙汉，牟浩，张迁，余佳玲，李景南
４０００３５）（重庆通信学院控制工程重点实验室，重庆
［摘要］指出普通Ｅｌｍａｎ神经网络ＢＰ学习算法的不足，将蚁群算法和Ｅｌｍａｎ神经网络相融
ａｌｇｏｒｉｔｈｍｗｈｉｃｈａｄｊｕｓｔｓａｕｔｏｍａｔｉｃａｌｌｙｂｙｕｓｉｎｇｐｈｅｒｏｍｏｎｅｖｏｌａｔｉｌｉｚａｔｉｏｎＰａｎｄｐｈｅｒｏｍｏｎｅ．ｒｕｐｄａｔｅｓｔｒａｔｅｇｙ，ａｎｄ
ｕｓｅｉｔｉｎｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｄｉｅｓｅｌｅｎｇｉｎｅｔｕｒｂｏｃｈａｒｇｉｎｇｓｙｓｔｅｍ．ＳｉｍｕｌａｔｉｏｎｒｅｓｕｈｓｓｈｏｗｔｈａｔｔｈｅｏｐｔｉｍｉｚｅｄＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋｇｅｔｓｈｉｇｈｅｒｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄａｎｄｈｉｇｈｅｒｐｒｅｃｉｓｉｏｎｉｎｆａｕｌｔｄｉａｇｎｏｓｉｓ．Ｉｔｃａｎａｌｓｏｄｉａｇｎｏｓｅｔｈｅｆａｕｌｔｓｏｆｄｉｅｓｅｌｅｎｇｉｎｅｔｕｒｂｏｃｈａｒｇｉｎｇｓｙｓｔｅｍｅｆｆｅｃｔｉｖｅｌｙ，ａｎｄｌｏｃａｌｍｉｎｉｍｕｍｃａｎｂｅａｖｏｉｄｅｄ，ＳＯｔｈａｔｔｈｅｆａｕｌｔｓｏｆｄｉｅｓｅｌｅｎｇｉｎｅｔｕｒｂｏｃｈａｒｇｉｎｇｓｙｓｔｅｍｃａｎｂｅｄｉａｇｎｏｓｅｄｅｆｆｅｃｔｉｖｅｌｙ．

神经网络算法在电力系统中的应用

神经网络算法在电力系统中的应用随着科技不断发展，人们对能源的需求也是越来越大。

而电力作为一种重要的能源类型，在现代社会中也占据着极为重要的地位。

在电力系统中，如何高效稳定地运行电力系统，降低能源消耗和损失等问题也逐渐得到重视。

而神经网络算法的应用可以为电力系统带来许多实际效益，本文将就此进行探讨。

一、神经网络算法的基本概念神经网络算法作为一种模拟人脑思考方式的算法，其本质是通过大量数据学习，并依据学习结果进行分类、预测等行为。

其主要包含三个层次：输入层、隐藏层和输出层。

输入层是指外界提供给神经网络算法的原始数据，而隐藏层是在输入层和输出层之间，在神经网络的计算过程中起到了关键作用。

输出层则是该算法最终得出的结果。

二、神经网络在电力负荷预测中的应用神经网络在电力负荷预测中的应用是较为广泛的应用之一。

在电力系统运行中，负荷预测十分重要，只有合理地进行负荷预测，电力系统才能实现高效稳定地运转。

在这种情况下，神经网络算法可通过学习历史数据，预测未来24小时或未来一周的负荷，并作出合理分配和控制措施，从而有效保证电力系统的供应。

三、神经网络在电力系统故障诊断中的应用在电力系统运行中，故障往往是不能避免的事情。

而电力系统的故障类型因多种因素的影响，种类繁多，其走势又常常是不确定的。

而神经网络算法可以通过学习相应的数据，建立相应的模型，使其可以自动识别出故障和可能的故障类型，并及时做出响应，从而保证电力系统的稳定与高效运行。

四、神经网络在电力质量控制中的应用电力质量控制作为一种保障电力系统正常运行的方式，尤其在现代电力系统中其作用更为重要。

而神经网络算法的应用可以优化提高电力质量控制的效率。

通过大量数据采集，神经网络算法可以比较准确地分析从事不同负载活动的不同负荷类型之间的关系，并在之后的负载过程中及时作出相应的调整，进而提高电力系统的稳定性。

五、神经网络在电力系统状态估计中的应用电力系统状态估计是衡量电力系统运行状态的一种重要手段，其关系到电力系统运行的正确与否。

基于Elman神经网络在塔式起重机中安全状态模式识别

塔机覆盖。
的大规模分布式并行信息处理系统，通过模拟人脑的神经组织结构，能对复杂问题进行有效求解。它具有极强的非线性动态处理、模糊推理、自学习、自组织、分布式知识存储和联想记忆等优点。笔者将训练速度快、学习记忆稳定、诊断结果可靠的反馈型Ｅｌｍａｎ人工神经网络应用于塔机施工安全评估之中，能克服传统方法的一些缺陷，快速准确的得到较好安全评估结果。
ｉｓａｐｐｌｉｅｄｔｏｔｈｅｓａｆｅｔｙｓｔａｔｅｍｏｄｅｌｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｔｏｗｅｒｃｒａｎｅ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｆｅａｓｉｂｌｅａｎｄｐｒａｃｔｉｃａ１．
（１．ＸｉａｎＳｉｙｕａｎｕｎｉｖｅｒｓｉｔｙ，ＸｉａｎＳｈａｎｘｉ７１００３８，Ｃｈｉｎａ；２．Ｘｉａｎｙａｎｇｐｏｗｅｒｓｕｐｐｌｙｂｕｒｅａｕ，ＸｉａｎｙａｎｇＳｈａｎｘｉ７１２０００，Ｃｈｉｎａ）
摘要：塔式起重机是一种事故发生率高的特种建筑施工机械。应用Ｅｌｍａｎ神经网络构建塔机状态参数与施工安全
状态类别之间映射关系。将其应用于实际塔机安全状态模式识别，结果表明该方法切实有效。关键词：Ｅｌｍａｎ神经网络；ｇ－式起重机；建筑施工；模式识别中图分类号：ＴＨ２１文献标志码：Ａ文章编号：１００７ — ４４１４（２０１３）Ｏ１ — ００６６ — ０３

EMD和Elman神经网络在滚动轴承故障诊断中的应用

分解为若干个ＩＭＦ分量之和，些Ｉ这ＭＦ分量表现了原始信号图１滚动轴承故障诊断实验设备
实验中通过改变变频器频率来改变电机转速，而改变从
实验台主轴转速。变频器选用２ｚ率，应主轴转速为０Ｈ频对
内涵的真实物理信息，从而使得瞬时频率具有了实际的物理
意义，常适合于处理非线性与非平稳信号。非目前，于神经网络的故障诊断大多采用Ｂ网络，基Ｐ但ＢＰ神经网络学习收敛速度慢、练困难、络的学习和记忆训网具有不稳定性。相比之下，为典型的递归神经网络，ｌａ作Ｅｍｎ
轴承故障诊断新方法，并应用于滚动轴承故障诊断实验中，
取得较好的效果。
械部件，它在旋转机械中起着关键作用，是，也是最易发但它生故障的元件之一。旋转机械的许多故障都与滚动轴承有
关，其缺陷通常使设备产生异常的振动和噪声，发展成故障
的数字信号并接入计算机。在计算机上利用Ｍｔｂ编程实ａｌａ
现以下功能：过Ｅ通ＭＤ分析提取有效特征向量，用Ｅｍｎ利ｌａ神经网络进行模式识别断故障类型（圈故障、圈故障或内外正常轴承）从而实现滚动轴承智能化故障诊断。，
年来小波分析广泛地应用于滚动轴承故障诊断中，它能同时

Elman回归神经网络在航空发动机故障诊断中的应用

彭靖波等：ｌａＥｍｎ回归神经网络在航空发动机故障诊断中的应用
非线性动态系统。图１出了其拓扑图。图中的上示
下文单元存储了前一时刻的隐层信息，反馈到输并
第一作者简介：彭靖波（９１舳一）在读项士研究生，究方向为，研航空发动机状态监控与故障诊断。
入端，形成内部时延自反馈。
维普资讯
维普资讯
航空发动机
ቤተ መጻሕፍቲ ባይዱ
２０年第３卷第２０７３期
彭靖波谢寿生（空军工程大学，陕西西安７０３）１０８
摘要：提出了一种基于Ｅｍｎｌａ神经网络的航空发动机故障智能诊断方法。以在某型发动机地面定检状态下实
测的数据作为样本数据，立了空发动机故障诊断模型，建航利用该模型成功地对实测发动机参数进行了诊断。研究结果表明：法对权值初始值选取、该方隐含层节点数选取和输入样本规范化处理等不敏感，有学具
（ｉＦｒｅＥｇｅｒｇＵｉｒｔ，ｉ７０３ｈｎｉｈｎ）ＡｒｏｃｎｉｅｉｎｖｓｙＸ１０８ｌａｘＣｉａｎｎｅｉＳ
Ａｂｔａｔｓｒｃ：ＡｔｏｆａｒｅｇｎｎｅｅｇｎｅｆｕｔｄａｎｓｓｄｖｌｐｄｂｓｄｏｅＥｍａｅｒｌｎｔｒ．ｍｅｄｏｅｏｎｉｅｉｔｌｎｅｃａｌｉｇｏｉｉｅｅｏｅａｅｎｔｌｎｎｕａｅｗｏｋｈｓｈ
本文使用Ｅｍｎ网络，ｌａ以发动机定检稳态为研

改进Elman神经网络在径流预测中的应用

收稿日期：２０１２ — ０９ — ２１
作者简介：崔东文（１９７８一），男，云南玉溪人，高级工程师，学士，主要从事水资源水环境研究及水资源保护等工作
Ｅ— ｍａｉｌ：ｃｄｗｇｒ＠１６３．ｃｏｍ
７２
水利水运工程学报
预报中的应用提供参考．
１ＧＡ — Ｅｌｍａｎ径流预测模型
１．１Ｅｌｍａｎ神经网络
动态递归神经网络是一种极具潜力系统预测工具，而Ｅｌｍａｎ网络是动态递归神经网络中结构最为简单、运算量小、适合实时系统辨识的动态递归网络．Ｅｌｍａｎ神经网络是Ｅｌｍａｎ于１９９０年提出的，该模型是在前馈
和泛化能力有了较大提高．
关
键
词：Ｅｌｍａｎ神经网络；ＢＰ神经网络；遗传算法；径流预测
中图分类号：Ｐ３３２
文献标志码：Ａ
文章编号：１００９－６４０Ｘ（２０１３）０２一ＩＸ）７１ — ０７
接权值的ＧＡ— Ｅｌｍａｎ多元变量年径流预测模型．以新疆伊犁河雅马渡站径流预测为例进行实例分析，并构建传统Ｅｌｍａｎ，传统ＢＰ和ＧＡ．ＢＰ多元变量年径流预测模型作为对比模型，预测结果与文献ｌＥＡ — ＢＰ网络模型预测结果进行对比．结果表明： ①ＧＡ．Ｅｌｍａｎ模型的拟合及预测效果略优于文献ＩＥＡ・ＢＰ模型，该模型用于多元变量年径流预测是合理可行的，具有较好的预测精度和泛化能力． ② 在相同网络结构及传递函数等条件下，ＧＡ・Ｅｌｍａｎ模

基于Elman神经网络的非线性动态系统辨识

Ａｂｔａｔｓｒｃ：Ｔｅｔｅ￣ａｄｈｈｏｎｍｅｈｄｆｄｎｍｉｙｔｍｄｎｉｃｔｎｂｙａｃｒｃｒｅｔｅｒｌｎｔｏｋａｅｓｕｉｄＡｎｉｒｖｄｔｏｏｙａｃｓｓｅｉｅｔａｉｙｄｎｍｉｅｕｒｎｎｕａｅｗｒｒｔｄｅ．ｍｐｏｅｉｆｏＥｍａｅｒｌｅｗｏｋｓｓｃｅｓｕｌｓｄｏｉｅｔｙｔｅｎｎｉｅｒｄｎｍｉｙｔｍｖｎｔｏｇｔｏｔａｙｒｒｉｆｒｔｎｏｌｎｎｕａｎｔｒｉｕｃｓｆｌｕｅｔｄｎｉｈｏｌａｙａｃｓｓｅｅｅｈｕｈｗｉｕｎｐｏｎｏｍａｉｆｙｆｎｈｉｏｉｅｔｅｙｔｍ．ｉｌｔｎｒｓｌｈｗｈｔｔｅｌｎｎｕａｅｗｒａｈｇｅｅｒｉｇｓｅｄａｄｂｔｒｇｎｒｌａｉｎａｉｔｄｎｆｄｓｓｅＳｍｕａｉｅｕｔｓｏｔａｈＥｍａｅｒｌｎｔｏｋｈｓｉｈｒｌａｎｎｐｅｎｅｔｅｅａｉｔｂｌｙｉｉｏｓｅｚｏｉｔａｈｅｄｏｗａｄｎｕａｅｗｒａｄｔａｔｉｕｔｂｅｆｒｔｅｎｎｉｅｒｄｎｍｉｙｔｍｄｎｉｃｔｎｈｎｔｅｆｅｆｒｒｅｒｌｎｔｏｋ，ｎｈｔｉｓｓｉｌｏｈｏｌａｙａｃｓｓｅｉｅｔａｉ．ａｎｉｆｏＫｅｒｓｎｎｉｅｒｓｓｍｄｎｉｃｔｎ；ｙａｃｓｓｅｄｎｍｉｅｕｅｔｎｕａｅｗｏｋＥｌｎｎｕａｅｗｒｙｗｏｄ：ｏｌａｙｔｎｅｉｅｔａｉｄｎｍｉｙｔｍ；ｙａｃｃｒｎｅｒｌｎｔｒ；ｍａｅｒｌｎｔｏｋ矗ｏｒ

工业自动化中的神经网络及其应用

工业自动化中的神经网络及其应用随着工业技术的不断发展，自动化技术也日渐成熟，成为各行各业中必不可少的一部分。

工业自动化的核心在于自动化控制系统，而神经网络作为一种控制系统设计的有力工具，已经被广泛应用于工业自动化领域。

本文将介绍神经网络的基本概念、工业自动化中的应用案例以及未来发展趋势。

一、神经网络的基本概念神经网络是一种模仿人类大脑的信息处理方式的计算模型，它通过模拟大量神经元之间的相互连接和影响，从而实现复杂的信息处理。

神经网络的核心是人工神经元，也称神经元模型。

神经元模型接收来自其他神经元的输入信号，根据预先设置的权值和阈值进行处理，最终产生输出。

神经网络由多个神经元模型相互连接而成，组成了一个具有自我学习和适应能力的系统。

二、工业自动化中的神经网络应用案例1. 钢铁行业中的神经网络钢铁行业是一个典型的重工业，各工序之间的协调和优化对于整个生产流程的效率和质量至关重要。

传统的控制系统对于生产线中的多变量问题求解能力有限，因此难以实现最优化调度和生产计划。

神经网络作为一种新型控制系统，可以准确预测工况变化和产量波动，并进行实时调控，从而实现更精准的计划和调度。

经过多年的实践验证，钢铁行业中的神经网络控制系统已经广泛应用，并取得了显著的经济效益。

2. 电力行业中的神经网络电力行业是工业自动化中一个非常重要的领域，电力系统的安全和稳定对于整个社会的运行至关重要。

神经网络在电力行业中的应用主要集中在故障预测和诊断领域。

通过对不同电力设备的实时监控和数据采集，神经网络系统能够综合分析电力设备的工作状态，及时预警潜在故障，并提出相应的检修建议。

这种智能化的故障预测和诊断系统可以显著提高电力设备的使用寿命和稳定性，保证电力系统的正常运行。

3. 制造业中的神经网络制造业是工业自动化的重要领域之一，生产流程中存在大量的工艺参数和操作规律需要优化和调整。

神经网络技术可以通过对生产设备的数据进行模拟和优化，实现自动化生产控制。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

… … … … … … … ・・
＿、
Ｙ正＝ｇＬ，Ｃ（）２Ｗ３７正］。 …… … （）（） Ⅵ ４ｉ正＋ａ。），（２３其中：正为隐层节点的输出（）乃（）正为结构层节点的输出；、、、分别为结构层到隐层、入层到ＷＷ。Ｗ。Ｗ输隐层、隐层到输出层以及结构层到输出层的连接权值；
１Ｅｍａｌｎ神经网络介绍
Ｅｍａｌｎ神经网络是一种典型的动态回归网络，它在前馈神经网络基本结构的基础上，通过存储内部状态而具备了映射动态特征的功能，可以模仿时变对象的行为，为自适应控制的发展注入了新的活力。采用标准ＢＰ学习算法训练的Ｅｍａｌｎ神经网络能对一阶系统进行有效的辨识，由此提出了动态ＢＰ算法，可通也过对网络结构进行修改从理论上提高它的动态性能。本文采用了单输入、输出的Ｐ型Ｅｍａ单Ｉｌｎ神经网络，其结构见图１在基本结构的基础上，增加了结构层。它到输出层的连接，网络表达式为：
２ＯＯ８年第１期
机械工程与自动化
・１５・４
３Ｅｍａ网络对主汽温对象的辨识ｌｎ
采用某电厂超临界机组的主汽温对象的惰性区作为被辨识对象，惰性时间常数７为８ｓ迟延时间为其１８，５ｓ２，静态增益为８。采用Ｅｍａｌｎ网络，输入层和输出层均有１节点，隐含层和结构层含１个节点。个５给辨识对象施加幅值为２的阶跃激励，样周期１ｓ共采采５，集１０对输入、出数据对网络进行训练，练６０次０输训０
ｃ（）正一（一１。 … … … … … … … … … … 七）
ｒ
（）２
其中：为权值的学习步长。
根据动态反向传播的思想，十１时刻的权值可用ｋｋ时刻的误差Ｅ（）行修正，即：正进
△Ｗｉ一一Ｅｐｋ），ｊ３（
Ｅｍａｌｎ神经网络在热工辨识中的应用研究
徐笑，谷俊杰彭钢。，
（．华北电力大学控制科学与工程学院，河北保定１
北石家庄００２）５０１
０１０；２河北省电力研究院热控技术研究所，河７００．
ｒ
图１ＰＩ型Ｅｌｎ神经网络结构ｍａ
２Ｐ型ＥｍａＩｌｎ网络的ＤＢＰ学习算法网络的理想输出为Ｙ，际输出为Ｙ则总体误差实，
目标函数为：
Ｅ正一１ ∑ （ｄ户一户）（）百∑ （）（）ｚＥｐ）。一∑ （正
收稿日期：２０— ７１；修回日期２０— ９２０７０ — ５０７０— ０作者简介：徐笑（９３）男，１８一，河北安国人，士研究生。硕
。
（６）
如此改进后的Ｅｍａｌｎ网络具有比例积分特性。
维普资讯
（）（）正、正分别为ｋ时刻网络的输入和输出；、ｆｇ分别为隐节点和输出节点的函数，ｇ在使用时常取为线性
函数。
安全，而且使生产成本居高不下。本文在以往研究的基础上提出了基于ＰＩ型Ｅｍａｌｎ网络的热工辨识方法，该方法提高了系统的稳定性和准确性，为解决常规ＰＤ控制整定方法复杂和对运行工况适应力不足Ｉ的问题提供了理论依据。
维普资讯
第１期（第１６）总４期
２００８年２月
机械工程与自动化ＭＥＣＨＡＮＩＣＡＬＥＮＧＩＮＥＥＲＩＮＧ＆ＡＵＴ０ＭＡＴ１０Ｎ
Ｎｏ．１Ｆｅｂ、
文章编号：６２６１（０８０— １４０１７ — ４３２０）１０４ — ２
摘要：介绍了一种Ｅｍａｌｎ动态递归神经网络结构，论了它的ＤＢ讨Ｐ学习算法，将具有比例积分特性的Ｅｍａ并ｌｎ网络应用于动态系统的辨识。计算机仿真结果表明，Ｅｍａｌｎ网络对热工动态系统辨识有很好的逼近效果。
；
．
－
１
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
（）４
＿、
．Ｊ
（）［』正十Ｗ１Ｊ（）。 …… （）正一ｆｗ２）（ｃ正］１
ｌｌ —
网络的权值修正公式为：
Ｗ（ｋ十１）一（正）＋ｆｌＡＷ（ｋ）。 … … … … … （）５
关键词：递归神经网络；Ｐ型Ｅｍａ网络；动态系统辨识Ｉｌｎ
中图分类号：ＴＰ８１３
文献标识的大容量高参数火电厂热工对象慢时变大迟延的特性，在变负荷时表现得很明显，运行人员反映系统的控制效果不甚理想，这不仅影响了机组设备的