运用Matlab语言编程,构造预测交通噪声的LM算法BP神经网络模型,把预测因子(轻、重型车流量、平均车速、受声点距路肩距离、敏感点高差)作为样本输入到网络模型,噪声等效声级作为样本输出,反复训练网络,通过增加隐含层节点数、改进算法,以降低误差,缩短训练时间.

针对气动力伺服系统的非线性、时变性和不确定性，在已有RBF神经网络PID控制算法的基础上，提出了一种改进的控制算法。在RBF网络参数调整中引入动量因子，考虑参数变化的经验积累，减小系统振荡；同时，采用LM（Levenberg—Marquardt）算法代替梯度下降法对算法中PID参数进行实时在线调整，加快其响应速度。最终通过MATLAB仿真和基于LabVIEW的实物验证实验，测试了改进算法在气动力伺服系统中的控制效果。实验结果表明，改进算法的快速性和鲁棒性明显提高，在气动力伺服系统中具有良好的控制效果，且在工业现场具有实用性。