一种模糊神经网络学习算法:移动小论域法

提出了一种T-s模糊神经网络在线学习算法：移动小论域法，解决非线性控制对象的在线辨识的精度和实时性问题。该算法是在前后件参数可分离的离线混合学习算法基础上，通过分析隶属函数类型及论域模糊子集划分稠必程度对辨识精度的影响后提出来的。不同于传统模糊化进程，此法使用了移动的小论域窗口在此窗口上划分较少的模糊子集技术产生网络前件模糊化参数，解决了模糊神经网络学习中精度和实时性相互制约的矛盾。仿真结果证实该算法精度高，实时性好。     

一种多神经网络混合模型的学习算法研究

针对混合智能模型的多神经网络结构特征，提出一种模型参数的在线辨识算法。该算法在起始阶段利用混沌优化算法寻找初始点，随后采用BFS法完成参数寻优过程。对处于扰动状态下的预分馏塔的仿真结果表明，该算法可以有效地解决一类多神经网络模型的在线参数辩识问题。     

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。     

非线性系统辨识的一种泛函网络方法

泛函网络是最近提出的一种对神经网络的有效推广.与神经网络不同,它处理的是一般的泛函模型,而不仅仅是Sigmoidal函数,并且在各个处理单元之间没有权值.提出了一种基于泛函网络的非线性系统的辨识方法,而网络参数利用梯度下降方法来进行学习.计算机仿真结果表明,这种辨识方法具有较快的收敛速度和良好的性能.     

基于Chebyshev基函数模糊神经网络的快速辨识方法

神经网络的非线性逼近能力的研究是神经网络成为辨识模型的理论基础。首先研究了基于正交多项式函数的神经网络逼近理论和方法,并在此基础上证明了新型Chebyshev神经网络具有良好的非线性并研究了它的全局最优逼近性质。然后提出了一种用于复杂非线性系统辨识的基于Chebyshev基函数的模糊神经网络模型和学习算法。该模型以Chebyshev基函数为隶属函数,规则后件采用输入变量的线性函数,无需调整隶属函数的参数,只是采用BP学习算法学习后件参数,因而大大减少了模型算法的计算量,学习算法简单,加快了学习收敛速度,而且不使网络结构复杂,设计简单。仿真结果表明所提模型和方法的有效性。     

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。     

神经网络自适应广义预测解耦控制器的设计

提出了一种神经网络补偿自适应广义预测解耦控制方案，即用神经网络逼近通道间的耦合、非线性及未建模动态，且采用了改进RLS辨识算法及用后能改善辨识效果，从而增进自适应控制的精度与鲁棒性，能解决参数不确定的非线性多变量耦合问题，给出了该算法的实现原理及步骤。理论分析和仿真结果表明，该方案是有效的。     

一种基于模糊神经网络的自适应模糊辨识方法

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)。首先，基于模糊竞争学习算法确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。其次，利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁，逼近能力强，能够显著提高辨识精度，并且辨识的模糊模型简单有效。最后，将该AFNN用于非线性系统的模糊辨识，仿真结果验证了该方法的有效性。     

船舶航向的神经网络并行鲁棒模型参考控制

针对大型船舶的航向控制特性,提出一种神经网络并行自学习鲁棒模型参考控制方法。这种复合控制结构利用神经网络的学习能力和非线性映射能力,解决传统自适应控制中模型的在线辨识和控制器的在线设计问题,以达到对不确定非线性船舶的高精度输出跟踪控制;通过引入运行监控器,克服神经网络控制方法实时性差的问题;利用一个鲁棒反馈控制器,来保证神经网络模型学习初期闭环系统的稳定性。仿真结果表明这一方法对设定航向具有精确的跟踪控制效果。     

一类过程控制对象的神经网络建模及仿真

针对一类典型过程控制系统中存在的非线性和参数不确定问题，提出了神经网络的建模方法。辨识结构采用串并联形式，并分别使用改进BP算法和浮点式遗传算法进行了网络的训练。仿真结果表明遗传算法的全局搜索能力及高效率对神经网络的权值优化具有相当明显的效果，它不仅学习速度快而且稳定性好，可以作为一种良好的优化方法运用到神经网络建模和控制当中。     

一种模糊神经网络控制系统研究

针对被控过程的非线性、时变性和复杂性,提出了一种模糊神经控制器与动态辨识器组成的控制系统。该系统的控制器采用模糊神经网络控制器,它的控制参数采用遗传算法全局离线优化对BP算法局部在线调整相结合的混合方法;该系统的辨识器采用变形Elman动态神经网络进行系统辨识。给出了该系统的结构、原理及工作流程,通过仿真实验证明该系统的可行性和有效性。     

基于改进递阶遗传算法的RBF神经网络分类器

针对通信信号调制类型识别,应用递阶遗传算法动态确定径向基神经网络分类器结构。建立了新的适应度函数,该函数简单直观,待定参数少;同时结合相关联赛选择方法对选择算子进行了改进,增加了种群进化的多样性,避免了早熟收敛。仿真结果表明改进算法能更好地确定分类器结构,分类准确率更高。     

基于模糊推理的自适应BP算法

ＢＰ网络是迄今为止应用最广泛的一种神经网络，但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题．本文在标准ＢＰ算法的基础上提出一种改进ＢＰ算法，称之为自适应ＢＰ算法．这种自适应ＢＰ算法采用模糊规则动态调整学习参数，并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构，有比标准ＢＰ算法更好的收敛性和更好的泛化能力     

变结构离散动态贝叶斯网络及其推理算法

目前的动态贝叶斯网络的研究,是定义在每一个时间片的静态贝叶斯网络结构和参数都一致的基础上,对于过程突变,参数变化等情况就难以适应.为了解决这个问题,提出变结构离散动态贝叶斯网络的概念,并根据概率和动态贝叶斯网络的理论,推导出变结构离散动态贝叶斯网络的推理方法,对算法进行了验证并结合环境变化时的路径选择问题,进行了计算仿真.计算和仿真结果证明了文章提出的变结构离散动态贝叶斯网络的概念和推理算法的正确性.     

基于模糊神经网络预测转角的无传感器无刷直流电动机换相控制研究

针对位置检测和准确换相是无刷直流电机运行的关键，本文提出一种新的方法来实现无传感器无刷电机的换相控制。即构造一个基于遗传算法训练结构和参数的模糊神经网络，通过检测电机的磁通和电流来预测电机实际转角实现电机的准确换相。仿真结果表明，利用模糊神经网络预测转角来控制电机换相能取得很好的效果。而文章利用遗传算法作为模糊神经网络的训练算法，此算法具有收敛速度快，不易陷入局部极小的特点。     

基于动态RBF神经网络在线辨识的单神经元PID控制

针对工业控制领域中复杂非线性时变系统,提出了基于动态RBF神经网络辨识的单神经元PID控制方法。采用动态RBF神经网络辨识器在线辨识系统模型,获得PID参数在线调整信息,并由单神经元PID控制器完成控制器参数的在线自整定,实现系统的智能控制。仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性。     

基于NS2的RPR带宽分配算法参数确定方法

RPR(resiliencepacketring)是一种MAC层的环网络协议,具有全双工,空间可重用,自我护的特点,IEEE正在致力于RPR标准化。带宽分配算法是整个协议(RPRDraft1.0)讨论的重点之一,在分析了RPRDraft1.0中定义的参数Lpcoef和Rampcoef对带宽分配算法效率的影响之后,分别用25种不同的关键参数配置NS2RPR模拟器,模拟经典的两种背景压力情景,综合考虑收敛时间和振荡波形可以选出最优的关键参数组合。实验结果发现Lpcoef=32且Rampcoef=64在收敛时间与振荡方面都优于草案中建议的Lpcoef=64且Rampcoef=64。     

基于EM算法的有监督LVQ神经网络及其应用

针对监督LVQ神经网络存在神经元未被充分利用以及输入样本和竞争单元之间的信息被浪费等问题。通过将EM算法引入到LVQ神经网络中,提出了基于EM聚类算法的有监督LVQ神经网络(即EMLVQ网络),从而弥补了LVQ神经网络的不足且具有EM算法提取样本信息精确的优点。通过参数的简化可以得到EMLVQ算法是软竞争格式(SCS)的一种推广。最后将它们应用于说话人辨识。实验表明,EMLVQ神经网络辨识说话人取得了很好的效果。     

遗传BP网络转速辨识器的设计及在DTC中的应用

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解。将遗传算法和BP算法结合,采用混合编码的遗传算法优化神经网络的结构及网络初始权值,再利用BP算法对网络权值进行精确调节;这种将遗传算法与BP算法相结合的GA BP算法,实现了遗传算法的全局搜索能力与BP算法的局部寻优性能的互补结合。将所设计的神经网络转速辨识器运用到直接转矩控制系统当中,利用MATLAB/SIMULINk实现无速度传感器控制系统的仿真实验结果表明,该算法具有良好辨识效果。     

基于数据库的神经网络轧制力建模

冷连轧过程控制的轧制力模型对于提高轧制精度和降低生产成本具有重要的意义，而传统的轧制力模型结构简单，精度较低，即使在实际生产中采用自适应技术，也无法满足高精度轧制的需要。为此针对5机架冷连轧机，提出并联结构的BP神经网络模型；采用Levenberg-Marquardt算法进行训练，确定网络的结构和参数；在数据库中建立钢种与神经网络的结构和参数一一对应的关系表，保存网络训练结果。对神经网络模型的仿真测试表明该神经网络轧制力模型有较强的泛化能力，收敛速度快，不易陷入局部最优，精度明显高于传统的轧制力模型。