基于神经网络方法的船舶姿态运动极短期预报与仿真

根据动态神经网络具有通过学习能以任意精度逼近非线性函数的特性，建立了用于船舶运动极短期预报对角回归网络（DRNN）模型及算法，并将该算法所取得的结果与自回归预报法和周期图预报法的结果相比较，说明了该算法的可行性。     

基于神经网络的直流电动机实时跟踪控制

研究了三层对角回归神经网络(DRNN)用于直流电动机实时控制的方法.首先采用动态反传算法训练神经网络以辨识直流电动机的逆模型,然后将这一训练后的网络作为前馈控制器与常规反馈控制器一起输出控制电压,以控制系统跟踪位置或速度指令.该算法简单、计算量小,适于实时控制.仿真结果表明了该方法的有效性.     

动态伺服系统改进对角回归网络跟踪控制

将对角回归神经网络(DRNN)和径向基函数网络(RBF)相结合,提出一种改进对角回归神经网络结构(IDRNN),使其既有局部逼近的优点,又具有动态网络的特性.推导了权值更新算法.针对转台动态伺服系统,设计了基于该网络的复合跟踪控制器,该控制器由辨识器、前馈控制器和反馈控制器组成,直接将辨识器的拷贝作为前馈控制器.对两种典型动态伺服系统的仿真结果表明,改进DRNN控制器能够进一步提高系统的动态跟踪能力,且敛速度快,计算量小,更适合实时控制.     

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

基于神经网络的并联式混合动力汽车控制策略

为提高并联式混合动力汽车的燃油经济性和控制系统的响应时间,应用神经网络实现控制策略.首先,结合逻辑门限控制策略和等效燃油消耗最小原理制定控制策略,并根据电池的荷电状态(SOC)进行调整.然后将调整后的策略在典型工况JA1015循环上实验,采集合理样本来训练对角回归型神经网络(DRNN),获得基于神经网络的控制策略.最后,在电动汽车仿真软件ADVISOR平台上进行仿真实验,仿真结果表明,采用神经网络的控制策略,提高了并联式混合动力汽车的燃油经济性,响应快,且具有通用性.     

基于变神经网络的非线性最小方差预测控制器

提出基于变神经网络学习动态系统参数的最小方差预测控制器。其目的是通过在线学习 ,使控制器(MVPC)能适应被控对象参数变化和非确定性。提出的变神经网络由两部分组成 ,一部分是线性神经网络 (LNN) ,作为被控对象局部线性动态模型 ,另一部分是多层交叉回归神经网络 (DRNN) ,它近似为非线性动态模型。由于引进递推最小方差算法 ,本控制器运算速度相当快。仿真结果表明所提方法对非线性系统自适应控制是有效的     

基于改进PSO算法的多变量PID型神经网络控制

充分利用PID结构简单、稳定性强的良好性能以及神经网络的自学习和自适应的特长,引入粒子群优化(PSO)学习算法,设计一种多变量自适应PID型神经网络控制器。神经网络的隐含层由带有输出反馈和激活反馈的混合局部连接递归网络组成,采用PSO学习算法优化神经网络参数。在深入研究分析PSO算法的基础上,引入变异因子和惯性权重自适应策略对该算法进行改进,既发挥了PSO算法随机优化收敛速度快的优点,又克服了该算法易陷入局部最优点的缺点,显著提高了控制系统的性能指标。最后,通过对二级倒立摆控制的仿真分析,证明该算法具有较强的鲁棒性。     

递归神经网络学习速率研究

针对典型的对角递归神经网络,推导出递归神经网络稳定条件下网络输出层、隐含层及关联层学习速率的具体取值范围。提出设计者可通过从具体系统中获得的数据确定网络各层学习速率的上、下界数值,确定自适应学习速率的初值与调节方法,并可选取最优学习速率。因而该法具有很强的可操作性和实用性。还给出一个具体数值实例,说明自适应学习速率与最佳学习速率的调整过程。     

基于递归小波神经网络的非线性动态系统仿真

为提高动态递归神经网络的动态系统仿真能力，在Elman神经网络的基础上，提出动态递归小波神经网络（RWNN），给出了其动态梯度下降算法，并将其成功应用于非线性动态系统仿真．仿真算例表明，该网络具有收敛快，精度高等优点，仿真效果很好，同时具有较好的泛化性能，具有广阔的应用前景。     

一类新的离散时延递归RBF神经网络

提出了一类带有离散时间 FIR/ IIR滤波器的递归 RBF神经网络 ,用离散时间 FIR/ IIR滤波器代替通常的 RBF神经网络中的线性输出权值 ,以适用于离散动力学系统的辨识和控制以及混沌时间序列预测 .本文给出的学习算法简单 ,可以避免传统的递归算法的不稳定性 .将该类神经网络用于动力学系统的建模 ,收到很好的效果 .     

基于动态神经网络的PID参数整定与实时控制

提出了一种基于对角回归神经网络的PID控制器结构,给出了PID参数在线自整定的学习控制算法。为检验控制效果同时还使用了静态BP网络来整定PID参数,并在Matlab环境下,分别建立了基于对角回归神经网络和BP网络的液位实时控制系统。实际的控制效果说明,基于动态网络的PID控制器工作稳定,具有较好的鲁棒性。     

基于DRNN的ATM网络拥塞控制及仿真

提出一种在用户－网络接口处利用对角递归神经网络（ＤＲＮＮ）作为自适应预测器,实现ＡＴＭ网络自适应拥塞控制的模型。当ＤＲＮＮ预测下一时刻缓冲区中的信元数超过阈值时,控制器产生一个反馈控制信号减小信源进入网络的信元速率以避免拥塞发生。用语音和图象信源所作的仿真本文提出的模型较基于常规前馈网络的模型具有系统结构简单、控制效果好、实时性好等优点。     

AN INTELLIGENT CONTROL SYSTEM BASED ONRECURRENT NEURAL FUZZY NETWORK AND ITS APPLICATION TO CSTR

In this paper, an intelligent control system based on recurrent neural fuzzy network is presented for complex, uncertain and nonlinear processes, in which a recurrent neural fuzzy network is used as controller (RNFNC) to control a process adaptively and a recurrent neural network based on recursive predictive error algorithm (RNNM) is utilized to estimate the gradient information ρy/ρu for optimizing the parameters of controller.Compared with many neural fuzzy control systems, it uses recurrent neural network to realize the fuzzy controller. Moreover, recursive predictive error algorithm (RPE) is im-plemented to construct RNNM on line. Lastly, in order to evaluate the performance of the proposed control system, the presented control system is applied to continuously stirred tank reactor (CSTR). Simulation comparisons, based on control effect and output error,with general fuzzy controller and feed-forward neural fuzzy network controller (FNFNC),are conducted. In addition, the rates of convergence of RNNM respectively using RPE algorithm and gradient learning algorithm are also compared. The results show that the proposed control system is better for controlling uncertain and nonlinear processes.     

神经网络结构的递归T—S模型模型

提出一种新的递归T－S模型（Takagi-Sugeno模型）的模糊神经网络结构（TSFRNN）,利用动态BP（DBP）算法来学习训练神经网络的参数,通过与通常的多层前馈神经网络结构的T－S模糊神经网络（TSFNN）的对比仿真实验,说明在非线性系统建模方面TSFRNN比TSFNN更加优越。     

基于奇异值分解的混合递阶遗传算法训练径向基神经网络

提出了一种将递阶遗传算法和奇异值分解的优点相结合的新型径向基神经网络学习算法--混合递阶遗传算法。它具有较高的学习效率,并能同时确定径向基神经网络的结构和参数。利用所提出的混合递阶遗传算法对混沌时间序列学习和预测,取得了较好的效果。     

遗传神经网络特征提取及在分类中的应用

将遗传算法和神经网络结合应用于乳腺癌细胞分类,首先利用遗传算法随机提取训练集的属性特征,然后用提取特征后的训练集训练神经网络,最后得筑必要的特征子集优化网络结构,仿真实验结果表明,遗传神经网络不仅可以优化神经网络的权值和阈值,还能有效地找出线性可分离特征子集,从而达到降低数据维数并提高分类精度的目的。     

基于结构自适应模糊神经网络的前列腺癌诊断方法

前列腺癌是近年来严重危害男性健康的疾病.利用模糊神经网络方法可以实现前列腺癌诊断,并将诊断模型表示为模糊规则集合.针对模糊神经网络所提取规则解释性差的问题,提出结构自适应模糊神经网络方法,通过改进损失函数,在训练中控制相似隶属度函数的合并,实现模糊神经网络模型结构自适应调整,减少模糊规则数量,在保证诊断准确性情况下,提取出容易理解的可解释性规则.同时该方法在模型的训练过程中引入粒子群优化(PSO)算法进行结构和参数学习,有效减少计算量,提高训练效率.最后,使用临床医学科学数据中心提供的前列腺疾病检查数据进行数值实验,验证了所提出方法在前列腺癌诊断和可解释性规则提取中的有效性.