非平稳环境下提高神经网络辨识能力的新方法

利用非平稳环境下系统时变参数变化规律的先验信息，构造参数转移矩阵来刻画系统的时变动态特征，并基于此推导了非平稳环境下神经网络训练的改进的卡尔曼滤波算法．仿真结果表明：该方法显著地提高了神经网络在非平稳环境下的辨识能力。     

基于回归神经网络的滑模跟踪器设计

基于回归神经网络的在线辨识 ,为实现非线性系统自适应控制提供了一种很有应有前景的方法。本文基于具有线性输入特性的神经网络 ,提出了使系统辨识误差具有指数收敛特性的学习算法。为了得到尽可能普遍的控制律 ,本文运用滑模技术设计出控制信号 ,用其补偿神经网络模型与非线性系统之间的匹配误差。以此为基础 ,提出一种新的基于回归神经网络的间接自适应控制方案。仿真结果表明 ,本控制方案具有较好的跟踪性能     

基于粒子群优化的时变系统辨识

提出了一种基于粒子群优化的时变系统辨识方法。其基本思想是将时变系统的辨识问题转化为非线性连续函数的在线优化问题 ,然后利用粒子群优化获得系统参数的最优估计。仿真结果显示 ,该方法对于时变参数具有很强的跟踪能力 ,与采用遗传算法的系统辨识方法相比 ,有实现简单、运算量小等特点。     

基于模糊神经网络的动态非线性系统辨识研究

针对静态模糊神经网络对动态系统辨识精度低的特点,在5层静态模糊神经网络基础上进行了优化和改进,形成了可将暂态信息记忆于网络的动态回归层的动态模糊神经网络,来提高对动态系统的辨识能力。同时给出了参数的动态自适应学习算法。通过仿真实验,证明提出的动态模糊神经网络对动态非线性系统的辨识,可以取得较好的辨识精度,较快的网络收敛速度,为动态非线性系统的辨识提供新的思路。     

MPSO-RBF优化策略在锅炉过热系统辨识中的仿真研究

提出了基于改进PSO算法的RBF神经网络混合优化（MPSO-RBF）方法，并将其应用到非线性系统的辨识中。该方法将改进PSO算法的全局搜索能力和RBF神经网络局部优化的高效性相融合，克服了普通PSO算法收敛的不稳定性和RBF网络易陷入局部极小值的缺点。经典型非线性系统仿真试验，并与GA-RBF和RBF辨识效果进行了对比，结果表明基于MPSO-RBF的混合优化方法较GA-RBF和RBF优化速度快、逼近性能好，可以达到更优的辨识精度。最后，通过对火电厂的过热汽温动态特性的辨识实例，同样证明了MPSO-RBF方法具有更好的性能指标。     

基于ANN预报模型的快速学习算法

提出了一种基于预报模型的变目标函数的前向神经网络快速学习算法。首先推导出一种综合目标函数从而实现极值点附近收敛速度的提高，然后导出变目标函数的局部化递扒最小二乘算法，该方法与现有同类的算法相比，可以提高收敛速度和预报精度，适用于需快速学习的系统辨识和其他应用。系统辨识的仿真实例表明了算法的优良性能。     

利用基序列逼近的一类非线性时变系统辨识的实用方法

提出了一种针对一类非线性时变系统（时变的Hammerstein级数）辨识的实用方法。为减少时变系统建模所需参数个数，利用已知基底列的线性组合来逼近系统的时变动态特性，并采用递推最小二乘来估计模型的参数，克服了以往基序列逼近用于时变系统辨识方法中离线最小二乘计算效率不高的缺陷，仿真结果表明，本文提供了的有经济有效地对一大类时变非线性系统进行较好的辨识。     

基于神经网络辨识的质子交换膜燃料电池建模

针对质子交换膜燃料电池(PEMFC)系统过于复杂，难以建模，而已建立的模型难以满足PEMFC控制系统设计和应用的要求。本文利用神经网络具有逼近任意复杂非线性函数的能力，将神经网络辨识方法应用到PEMFC强非线性系统的建模中，避开了PEMFC系统内部的复杂性。模型以电池工作温度为神经网络辨识模型的输入量，电池电压、电流密度为输出量，利用500组实验数据作为训练样本，采用改进型BP算法，建立了不同温度下电池电压—电流密度动态响应模型。仿真结果表明，方法可行，建立的模型精度较高，从而为设计PEMFC实时控制系统奠定了基础。     

非线性系统的模糊辨识在线算法

在以往的模糊辨识方法中，均未给出在线调整非线性系统的模糊辨识算法。基于递推模糊聚类方法，提出了一种在线调节模糊模型的辨识算法。为了验证所提出方法的有效性，对几个非线性系统进行了辨识，最后给出了辨识结果。     

混合编码免疫算法在非线性系统辨识中的应用

基于免疫算法优越的全局搜索性能与GP算法简洁的结构树编码方法,提出了一种混合编码免疫辨识算法,通过对模型结构与参数分别编码及免疫操作,同时实现了非线性模型的结构与参数辨识,实现了全局寻优,辨识的模型结构简单、易于理解.仿真验证了本算法的有效性及较强的非线性逼近能力.     

基于动态小波神经网络的非线性动态系统辨识

一种隐层由小波基组成的神经网络被用来实现非线性系统的输入输出之间的映射关系.为描述系统的动态特性,在网络中引入了自回归连接结构.本文给出了详细的用小波神经网络进行系统辨识的算法和步骤.本文提出了一种FC+GD算法以提高训练神经网络的收敛速度.最后,将所提出的方法用于CSTR模型的辨识,并与RBF和MLP网络相比较.     

基于UKF神经网络的姿态测量信息融合算法

针对融合系统建模误差、噪声统计特性不精确性和环境的动态变化性致使传统联合滤波过程中融合权值难以确定,引入人工智能中的神经网络,提出了基于神经网络的多信息自适应智能估计融合算法研究;利用神经网络的自适应能力对状态估计融合结果进行实时辅助补偿和修正,将非线性最优估计与神经网络技术相结合,重点研究了基于UKF的神经元融合权重在线自适应学习算法,以便在缺少准确局部子滤波器协方差信息情况下,仍能使全局估计融合结果最优,从理论上证明了UKF学习算法优于传统EKF学习方法,并以卫星多姿态测量信息融合定姿系统为例,给出了计算实例和结论分析,表明了所提出的模型与算法在实际应用中的有效性。

Abstract：

The fusion weight of traditional Federal Kalman Filter is difficult to be determined because of the fusion system modeling error,the inaccuracy of noise statistic characteristics as well as the dynamic variability in the fusion filtering process.In order to solve this problem,a self-adaptive fusion estimation algorithm for multi-information measurement based on neural networks was presented,which used the self-adaptive ability of neural networks to make real-time compensation and amendment for the state fusion estimation results.Combining a nonlinear optimal estimation with neural network,an online adaptive training algorithm for the weights of neuron based on Unscented Kalman filter （UKF） was researched,which could still realize the optimal fusion for the global estimation even if the accurate covariance information of each local sub-filter were absent.The performances of UKF training algorithm and the traditional EKF algorithm were analyzed and compared,and moreover taking the multi-information fusion system for satellite attitude determination as the experimental example,the simulation calculation and analysis were advanced,which show that the presented models and algorithms are effective in the actual application.     

基于雷达/红外神经网络融合目标跟踪算法

提出—种基于雷达/红外传感器神经网络融合的机动目标跟踪算法，利用神经网络的非线性逼近能力，将神经网络与卡尔曼滤波器相结合构成一个非线性估计器，该算法可以对来自红外成像传感器的补充信息加以充分利用，进行机动检测，把计算负荷转移到神经网络，在改善跟踪性能的同时又保持跟踪滤波的计算结构尽可能简单。仿真结果表明所提出的跟踪滤波算法在跟踪应用上优于—般的非线性估计算法，它最明显的优点就是减少了数字计算上的复杂性，提高了跟踪算法的快速性。     

高精度陀螺稳定跟踪系统神经网络预测控制

针对高精度陀螺稳定跟踪系统，提出了一种基于小波基函数神经网络的非线性系统的一步超前预测控制算法。该方法利用小波网络学习非线性系统，利用小波神经网络模型作为系统的预测模型，控制信号直接通过极小化期望输出值与预测输出值之间的偏差来获得。通过对陀螺稳定跟踪控制系统的仿真，表明该算法具有优良的控制品质。     

基于先验知识和神经网络的非线性建模与预测控制

神经网络模型是模拟非线性系统的有力工具，它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法，提出了一种利用先验知识和神经网络建立非线性系统模型的方法，具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算，从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。     

基于自适应SSUKF的组合导航信息融合方法

针对车载组合导航系统噪声统计特性无法事先实时获取的问题,提出了一种神经网络辅助的自适应SSUKF信息融合算法.该算法利用神经网络在线估计系统噪声,采用SSUKF同时估计系统状态和在线训练神经网络的权值,从而能在系统噪声统计特性未知的情况下获得组合导航系统的实时最优估计,给出了算法的详细实现过程.最后,针对车载INS/GPS组合导航系统的信息融合问题进行了仿真研究.仿真结果表明,该算法在系统噪声统计特性未知的情况下仍能获得高精度的估计效果,同时与自适应UKF算法相比,有效降低了算法的计算量,提高了算法运行的实时性,证明了该算法是一种有效而实用的方法.     

神经网络在质量矩导弹控制系统上的应用

以所建立的质量矩导弹数学模型为基础,通过对模型合理的简化,得到一个耦合的非线性动力学系统,由于存在参数的不确定性以及建模误差,考虑到质量矩导弹的鲁棒性要求,采用神经网络自适应控制器对系统进行补偿。通过李亚普诺夫稳定理论证明跟踪误差是指数收敛的,仿真结果验证了这种方法的有效性。     

回归神经网络辩识电液伺服系统模型与仿真

建立了一种回归神经网络辩识非线性电液伺服控制系统数学模型的辩识方法,研究了基于回归神经网络内部状态反馈的辩识算法,利用辩识实验获得的过程输入/输出数据动态调整神经网络权值。仿真结果辨明:神经网络描述的电液伺服控制系统数学模型具有较高精度,算法全局逼近能力良好。     

基于Kalman／UKF组合训练神经网络的初始对准方法

针对基于Unscented卡尔曼滤波(UKF)的神经网络训练学习方法存在的计算量大,实时性差的问题,提出了一种基于Kalman/UKF组合滤波原理的神经网络学习方法,该方法综合了Kalman滤波对线性系统和UKF对非线性系统的最优估计的优势,在保证神经网络权值估计精度的同时,有效降低了神经网络权值学习的计算量,提高了神经网络训练的实时性。最后将该利用方法训练的神经网络应用于惯性导航系统的非线性初始对准过程中,并进行了仿真研究。仿真结果表明利用提出的算法训练的神经网络与基于UKF训练的神经网络具有相同的对准精度和实时性,而提出的算法的有效降低了神经网络训练的计算量,提高了训练的运行效率,是解决惯性导航系统初始对准的一种有效和实用的方法。