基于联想记忆神经网络的控制方法

提出了一种新型联想记忆神经网络结构和学习算法,通过反馈通道将网络输出反馈至输入层,并在通道中引入联想记忆因子,提高了X寸非线性系统的辨识能力,能够简单有效的建立起电阻炉的数学模型。采用具有逆辨识结构的神经网络控制方法对电阻炉进行实际控制,逆控制器的参数通过神经网络逆辨识模型得到,神经网络采用3层2—8—1结构形式。与常规PID控制相比较表明,此方法对大滞后非线性系统具有良好的控制效果和较强的抗干扰能力。     

模糊神经网络用于非线性系统模型辨识(英文)

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于RBF神经网络的预测控制

运用神经网络解决系统的非线性问题，用预测控制解决系统时滞问题．针对制冷系统膨胀阀控制回路具有时滞、非线性的特点，提出了将基于RBF神经网络的预测控制用于蒸发器过热度的控制．仿真与应用均表明该算法具有良好的动态响应和较强的鲁棒性，能够对蒸发器过热度进行有效的控制．     

非线性系统的复合正交神经网络自适应控制

提出非线性系统的复合正交神经网络自适应控制方法.在非线性系统控制中,这种网络自适应控制不需要辨识系统模型与Jacobian矩阵信息,网络学习算法与被控对象模型无关.仿真结果表明,复合正交神经网络实现的非线性系统控制具有较强的自适应控制能力,证明了控制系统具有良好的跟踪控制性能,为解决非线性系统的控制问题提供了一种方法.     

电弧炉电极系统双模控制策略研究及应用

针对交流电弧炉电极控制系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,采用基于最近邻聚类方法的径向基函数(RBF)神经网络快速学习算法,通过实时在线辨识,建立电弧炉电极系统的精确逆模型并用于控制,实现了将具有强耦合特性的多变量输入/输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与比例微分(P/D)控制相结合的双模控制策略。应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性。     

误差补偿和时滞辨识预测控制算法

通过神经网络辨别出非线性系统的滞后时间,并采用误差补偿手段对神经网络进行修正,控制系统的反馈取自不带时滞的非线性神经网络的输出,采用预测控制策略改善整个系统的控制性能。仿真实验表明该方法具有较快的响应速度和较强的自适应性与鲁棒性,能有效克服延迟和干扰给控制品质带来的不利影响,取得了良好的控制性能。     

一类基于模糊辨识器的非线性动态系统辨识

针对模糊辨识器的参数优化,提出了将改进的遗传算法（ＭＧＡ）应用于模糊辨识器的离线学习,并在此基础上采用ＢＰ算法对其参数在线调整,实现了非线性动态系统模糊辨识。解决了输入仅为一维语言变量时,模糊辨识器的实现问题。仿真结果证实了该方法的有效性。     

基于时滞混沌系统的带密钥Hash函数的设计与分析

提出了一种基于时滞混沌系统的带密钥Hash函数算法,该算法利用时滞混沌系统非线性动力学特性,将需要传送的明文信息调制在时滞混沌迭代的轨迹中,并通过HMAC-MD5算法计算得出Hash值,Hash值的每个比特都与需传送的明文信息相关。该算法使Hash值对明文信息及时滞混沌迭代初始条件的微小变化高度敏感。理论分析和仿真结果均表明,该算法在保证Hash值的混乱性和散布性的同时,由于其混沌特性的加入而增大了参数空间,并且混沌Hash值与初始明文信息之间的非线性关系可以有效地抵御线性分析。因此,本文设计的基于时滞混沌系统的Hash函数算法具有很好的安全性、抗碰撞性和抗攻击能力,在数字签名等认证技术领域有很好的应用前景。     

多比例时滞细胞神经网络的全局一致渐近稳定性

对一类具多比例时滞细胞神经网络进行研究,利用变换()()t i i z t y e,将具多比例时滞细胞神经网络变换成变系数常时滞的细胞神经网络。通过构造合适的Lyapunov泛函,给出了几个保证该系统全局一致渐近稳定的时滞独立的充分条件,并给出例子验证所得结论的正确性。     

基于IRBFNN和IRAN的非线性动态系统在线自适应建模

将资源分配网络算法(RAN)与相似隐单元合并操作、冗余隐单元删除操作和基于滑动数据窗连接权值学习相结合,形成了改进的资源分配网络(IRAN)算法。IRAN算法用于非线性动态系统的在线建模,能有效地改善模型精度和泛化能力。将改进径向基函数(RBF)神经网络(IRBFNN)和IRAN结合可以用于不确定非线性动态系统自适应建模。仿真研究表明:所提出的建模方法在模型精简、泛化和自适应等方面均具有优良的性能。     

复杂枝状管网内不稳定流动数学模型的广义解

考虑复杂枝状管网系统內不稳定流动,建立起压力分布的偏微分方程组的初边值问题的数学模型,利用线性算子半群方法得到了问题解存在唯一的结论,并利用算子级数法得到了问題的广义解。     

基于多层神经网络的非线性系统预测

针对一类非线性动态系统,提出了一种新的基于多层神经网络的自适应预测器,并对基于神经网络的预测机理进行了分析。该预测器由两个同构的多层神经网络实现,其中一个称为学习网络(LN),另一个称为预测网络(PN)。彷真结果表明,速种基于多层神经网络的预测嚣对于恒定参数的非线性系统是有效的,从而为解决非线性系统预测问题提供了一条可行的途径。     

循环流化床锅炉发电机组神经网络广义预测控制研究

循环流化床锅炉(CFBB)发电机组具有:多变量、非线性、强耦合、时变等特性,其燃烧仍然处于流化状态,导致其控制调节比较复杂,传统的PID控制效果不太理想。本文采用具有良好非线性函数逼近功能的BP神经网络,并且针对收敛速度比较慢这一缺点,采用了变步长法与引入动量项相结合的一种方法进行改进。同时利用多变量广义预测控制策略经过在线滚动优化和反馈校正,实现预测控制。仿真结果表明了其有效性。     

基于人工神经网络温度场物性参数模型研究

因人工神经网络具有表达任意非线性映射的特性，本文探讨用于温度场的 物性参数识别的人工神经网络模型，阐述了该方法的适用性.     

基于神经网络的投资基金周净值预测

利用神经网络理论的辨识特性,建立了基金周净值预测的BP神经网络预测模型.通过对具有代表性的投资基金“基金金泰”的实证分析,表明该模型具有很好的非线性反映能力和学习能力,能准确预测基金周净值的变化趋势和上升与下降趋势的转折点,为预测基金净值未来走势提供了一个有效的方法.     

基于时变系统的油田产量功能模拟预测

神经网络预测的优点是预测指标与影响因素指标的历史拟合好，微分模拟预测的特点则是预测过程中更加注重预测指标的自身变化趋势。两者有机结合，首先将微分模拟得到的油田产量与其影响因素的输入输出关系视为时变系统，再把BP神经网络引入到微分模拟参数识别中，建立具有时变特征的功能模拟预测新方法。该预测模型中的参数随时间变化，具有自适应性；能在神经网络训练过程中通过变学习率的方式解决其与微分模拟胶合过程可能出现的不收敛问题；对中长远预测有更好的效果。最后将这一新方法应用于国内某油田的产量预测中，经软件计算，预测结果与实际的吻合程度明显高于其它几种预测方法。     

基于混沌时间序列分析的股票价格预测

根据股票市场是非线性动力系统的假设,利用混沌理论对混沌时间序列的分析方法,提出了股票价格预测方法。同时利用重构相空间的嵌入维数和延迟时间分别确定经向基函数模型网络的结构和训练样本对,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,并与前馈神经网络模型相比,可得到较好的预测结果,因而在股票时间序列预测中有广泛的实用价值。     

具有时滞的非线性系统的k-全局稳定性

研究了具有时滞的非线性系统的稳定性问题，利用不等式分析技巧和常数变易法，给出了具有时滞的非线性系统的ｋ－全局指数稳定性的充分条件。并举例说明了所得结论的优越性     

神经网络仿PID参数自适应控制器及其应用

介绍了基于BP神经网络的仿PID自适应控制器，给出了控制算法，推导了基于变形Elman网络的系统辨识算法，仿真及应用表明此方法是可行的。