基于动态递归神经网络的动态矩阵控制

给出了劝态递归神经网络（DRNN）重构一个非线性动态过程的方法,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征,容易实现并进行稳定性分析,利用训练好的网络作为预估模型,设计了基于DRNN的动态矩阵控制算法,仿真结果表明了权值调整算法和控制策略的有效性。     

基于动态递归模糊神经网络的动态系统辨识

模糊系统和神经网络由于具有逼近任意连续非线性映射的特性而广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识,而现实工程中的控制对象反映的是系统的动态行为.为了提高动态系统的辨识精度,提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导其动态反向传播学习算法及其改进算法.仿真结果表明:由于动态模糊神经网络的辨识过程同时利用了系统的当前数据和历史数据,对动态系统的辨识,特别是对具有纯时间延迟动态系统的辨识,较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.同时,确定网络权值和隶属函数参数初始值的方法可使动态系统的辨识过程具有更快的收敛速度.     

递归神经网络的RPE算法及其在非线性动态系统建模中的应用

针对递归神经网络BP学习算法收敛慢的缺陷,通过引入递推预报误差(RPE)学习算法,提出一种新的递归神经网络快速学习算法·该算法的基本原理是沿着指标函数的GaussNewton搜索方向修正权值,同时不必计算二阶偏导数和进行矩阵求逆运算·仿真结果表明,该算法比传统的递归BP学习算法具有更快的收敛速度,用于非线性动态系统建模是有效的     

基于动态补偿神经网络误差修正的广义预测控制

本文采用权值可在线调整的动态补偿神经网络(动态BP网络)对模型预测误差进行拟合,从而显著提高了基于线性模型的非线性广义预测(GPC)的预测精度,增强了算法的鲁棒性。仿真实验证明了该算法的有效。     

基于递归神经网络模型的传感器非线性动态补偿

讨论了递归神经网络模型在传感器非线性动态补偿中的应用，给出了递归神经网络模型的结构及相应的训练算法．递归神经网络模型本身具有动态映射能力，其结构仅与输入层和中间层的节点数有关，且不需要知道被补偿传感器的结构特性(如输出、输入的最大延迟)等先验知识，简化了动态补偿器的结构设计．采用递推预报误差算法训练神经网络，具有收敛速度快、收敛精度高的特点．实验结果表明，经过补偿后的传感器具有期望的输入输出特性，应用递归神经网络对传感器进行非线性动态补偿是一种行之有效的方法．     

基于动态神经网络的非线性系统建模及其控制

结合已知机理信息构造动态神经网络 ,进行了非线性动态系统的建模 ,给出了权值调整算法。利用获得的模型 ,设计了反馈线性化控制器。由训练好的网络在线提供反馈线性化所需要的信息。为了解决模型失配问题 ,采用内模控制结构来引入模型的误差反馈 ,以消除稳态误差。文中给出了仿真实例。     

简单动态递归神经网络在非线性系统辨识中的应用

提出了用一种结构非常简单的动态递归神经网络(SRNN)辨识非线性系统的方法。该方法研究了在递归层不加权的网络简单拓扑结构,推导出SRNN的预报误差(RPE)学习算法,并对算法进行了补充和改进。仿真实验结果表明,这种网络需要调整的权系值少,且改进后的学习算法简单、辨识速度快、模型精度高,解决了一般动态递归网络因网络拓扑结构复杂造成的训练算法复杂、收敛速度慢的问题,可以实时应用。     

基于动态神经网络的非线性系统建模及其控制

结合已知机理信息构造动态神经网络，进行了非线性动态系统的建模，给出了权值调整算法，利用获得的模型，设计了反馈线性化控制器，由训练好的网络在线提供反馈线性化所需要的信息，为了解决模型失配问题，采用内模控制结构来引入模型的误差反馈，以消除稳态误差，文中给出了仿真实例。     

基于递归神经元网络的动态系统逼近研究

研究局部递归神经网络的逼近能力,为递归网络在非线性系统辨识和控制中的应用提供理论的依据。方法 构造一种结构乘法的局部归网络模型,使用神经网络基本逼近定理,函数分析理论分析它在一定条件下的逼近能力。结果证明了在适当的实始条件下,通过权值苛使递归网络输出逼近ｎ维动态系统的有限时间轨迹。     

用简单动态递归网构造固体散料流量模型

提出了用简单动态递归网来建立固体散料流量模型，针对动态递归网结构复杂，训练算法收敛速度慢的缺点，采用一种结构十分简单的递归网，对RPE算法进行了改进和补充，使之适用于简单递归网，用来对网络的权值和阈值进行调整，建模结果表明此方法收敛速度快，精度高。     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

多层递归神经网络自适应控制及稳定性分析

提出一种基于多层归神经网络的自适应控制离散时间系统的方法,使用多层递归神经网络及新的动态ＢＰ算法（ＤＢＰ）描述未知系统的输入／输出关系。基于此神经网络模型,提出一种自适应控制方案,并对该方案的闭环稳定性进行了分析。     

基于DRNN的机器人轨迹跟踪自适应控制

针对模型未知和动力学非线性机器人轨迹跟踪,提出了一种基于分布式动态回归神经网络（ＤＲＮＮ）的自适应控制方法．该方法在ＰＤ动态反馈控制的基础上,引入神经网络辨识器（ＮＮＩ）在线逼近对象的非线性动力学,并设计出神经网络自适应控制器（ＮＮＣ）来补偿机器人动力学非线性造成的误差．仿真结果表明该控制方案具有良好的跟踪性能和较强的鲁棒性．     

基于对角递归神经网络的建模及应用

介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性.     

基于神经网络的语音识别系统

介绍一种适用于实时语音识别环境下的神经网络模型——动态识别神经网络（dynamic recognition neural network，DRNN）．DRNN聚类学习的性能使得它非常适用于与在线学习方式相结合的实时语音识别系统．通过比较DRNN和隐含马尔科夫模型（hidden Markov model，HMM），可以看到不论是在训练方面还是在识别方面，DRNN算法的计算复杂程度都要低于HMM算法．     

时空预测技术在森林防火中的应用研究

构建了一个随机的时间序列模型获得每一个空间上相互独立部分的时间预测,然后建立动态回归神经网络(DRNN)发现隐藏的空间关系,最后用统计回归方法把单个时间和空间预测整合起来产生最终预测。实验结果表明,提出的方法能对森林火灾面积进行准确有效的预测。通过对时空预测结果的准确性和训练精度进行讨论,分析了时空预测方法在林火预测中的可行性,证明时空变化预测方法在林火预测中的应用价值。     

基于动态反馈神经网络的复杂系统预测控制

在分析基于动态反馈神经网络(DRNN:Dynamic Recurrent Neural Network)的模型预测控制策略的基础上,为改善Elman网络辨识高阶系统时的计算复杂性,采用具有局部动态反馈特性的Elman网络进行线性系统状态空间模型的在线辨识.基于跟踪器型性能指标的预测控制器对系统进行滚动优化,并对动态反馈神经网络逼近状态空间模型进行了证明.对过程控制装置三容系统进行了仿真研究,通过离线训练方式获得网络初值的选择.仿真结果表明,此算法能使系统的输出保持期望轨迹,并能有效处理系统本身的输入、输出约束条件.     

基于对角递归神经网络盲均衡算法的研究

提出了一种基于对角递归神经网络的盲均衡算法。利用对角递归神经网络结构简单、计算量少的优点,结合传统的恒模盲均衡算法定义了代价函数,用最速梯度下降法推导出了其算法迭代公式。计算机仿真表明,该算法收敛速度较快,误码率较小。