返回扩张不动点与瞬态混沌神经网络中的混沌研究

证明了返回扩张不动点可以生成分布混沌和ω-混沌。作为一个应用,证明了如果满足一定条件,一个瞬态混沌神经网络（TCNN）可以产生分布混沌和ω-混沌。     

三维Hopfield型神经网络的混沌同步研究

利用状态观测器理论提出了具有多个非线性项的混沌系统的标量输出同步方法。通过对误差系统的变换,以降低非线性项对误差系统的影响,从而可减少极点配置参数。基于这种方法,设计出含有多个非线性项的Hopfield型混沌神经网络的同步系统,并计算出同步参数,从而实现了含有多个非线性项的混沌系统同步,并用计算机仿真证实了此方法的有效性。Hopfield型混沌神经网络具有全局吸引的混沌吸引子,混沌性能稳定,采用线性电路器件容易实现,对混沌的实际应用有参考价值。     

基于增广RBF神经网络的混沌系统辨识

混沌系统的建模与辨识是混沌控制的基础。提出一种动态线性子系统与ＲＢＦ神经网络并联的增广ＲＢＦ神经网络模型,该模型不仅对动态非线性系统具有良好的逼近能力,而且网络学习速度很快。对Ｈｅｎｏｎ系统时间序列的仿真预测结果表明,增广ＲＢＦ网络能有效地用于混沌系统辨识。     

模糊神经网络控制器参数的混沌优化

为了优化模糊神经网络的参数,将混沌变量引入到模糊神经网络参数寻优方式中,根据系统的性能指标,采用混沌变量进行粗搜索寻优模糊神经网络参数,然后在粗寻优基础上引入基于模拟退火策略的混沌细搜索,最后搜索出的模糊神经网络参数是全局最优的.仿真结果表明:该控制方案有效地实现对非线性对象的最优控制,为工业过程非线性复杂系统的控制提供了一种有效的控制方案.     

利用常数周期脉冲方法控制Henon映象的混沌运动

利用常数周期脉冲方法,对两种情形（b=0.3和b=-1,这两种情形分别描述耗散系统和保守系统）下的Henon映象的混沌运动进行了有效地控制,并利用混沌轨道的有限时间收敛性,通过给系统施加适当的常数扰动,使满足期望动力学特征的稳定轨道片段构成闭合的稳定周期轨道,同时还给出了确定施加脉冲的最佳位置和脉冲强度,以及周期不动点的方法。     

利用动态神经网络产生混沌系统

根据逆最优控制方法，针对非线性系统，提出了利用动态神经网络产生混沌的一种新方法。令动态神经网络复制所需要的混沌系统来设计控制器。鉴于混沌反控制的本质，巧妙地引入了一个跟踪控制。这种方法不需要估计混沌吸引子的Lyapunov指数，从而大大地减少了计算量，这说明这种方法便于实际应用。以Lorenz系统为例，进行了数值仿真，结果表明所提出的控制器是有效的，性能是良好的。     

基于U模型的混沌系统Super-Twisting同步控制研究

提出了一种基于U模型的混沌系统Super-Twisting同步控制方法,对混沌系统的混沌控制进行了描述,结合混沌系统的研究现状和非线性系统设计中的一些成果,提出了混沌控制与同步的一些新方法,设计出相应的控制器实现有限时间混沌同步控制。针对Lorenz系统和Chen系统进行了数值仿真,仿真结果证明了所给方法的有效性。     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐。本文研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中。仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值。     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐.研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中.仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值.     

不连续三状态反馈实现n维线性系统混沌反控制

为拓展混沌控制与混沌同步在保密通信等领域方面的应用,通过对一类n维不稳定线性系统添加非连续状态反馈控制项, 实现了不连续三状态线性反馈系统混沌反控制, 并对这一类高维耦合混沌系统的动力学性质进行了理论分析, 给出了定理和证明. 然后分别给出了具有特殊形式的系统和一般系统的例子,计算机数值模拟及计算Lyapunov指数验证这样构造的高维系统确实存在混沌.     

An adaptive strategy for controlling chaotic system

This paper presents an adaptive strategy for controlling chaotic systems. By employing the phase space reconstruction technique in nonlinear dynamical systems theory, the proposed strategy transforms the nonlinear system into canonical form, and employs a nonlinear observer to estimate the uncertainties and disturbances of the nonlinear system, and then establishes a state-error-like feedback law. The developed control scheme allows chaos control in spite of modeling errors and parametric variations. The effectiveness of the proposed approach has been demonstrated through its applications to two well-known chaotic systems : Duffing oscillator and Rǒssler chaos.     

一个新分数阶混沌系统的同步和控制

构造了一个具有三个非线性二次项的新分数阶混沌系统,分析了其基本的混沌动力学特性,并应用Laplace变换实现了新系统的混沌控制。基于Lyapunov理论和分数阶混沌系统稳定性理论,得到同时实现新分数阶混沌系统自适应同步和参数辨识的充分条件,并通过数值仿真,验证了结论的正确性。     

Duffing-WS型小世界网络的混沌行为

近年来,复杂网络逐渐成为非线性动力系统研究的一个热点.对复杂网络的混沌行为的产生机制及其对系统参数的依赖进行研究可以为复杂网络的混沌控制提供理论基础.本文研究了一种新的Duffing-WS型小世界网络的混沌行为.本文首先利用变分法推导其最大李雅普诺夫指数,并将其作为混沌判据讨论了混沌行为对系统参数的依赖.结果显示,该网络具有比单个Duffing方程复杂得多的混沌行为.     

Control uncertain continuous－time chaotic dynamical system

The new chaos control method presented in this paper is useful for taking advantage of chaos.Based on sliding mode control theory, this paper provides a switching manifold controlling strategy of chaoticsystem, and also gives a kind of adaptive parameters estimated method to estimate the unknown systems‘ pa-rameters by which chaotic dynamical system can be synchronized. Taking the Lorenz system as example, and with the help of this controlling strategy, we can synchronize chaotic systems with unknown parameters and different initial conditions.     

一种混沌神经网络及在优化计算中的应用

提出了一种混沌神经网络模型。在Hopfield网络中引入混沌机制,首先在混沌动态下搜索,然后利用HNN梯度优化搜索。对非线性函数的优化问题仿真表明算法具有很强的克服陷入局部极小能力。     

基于RBF网络的混沌动力系统辨识

提出用RBF神经网络对混沌动力系统进行辨识，设计了一个三层RBF网络结构，仿真实验说明了RBF网络用于学习混沌动力系统时的基本性质。用辨识模型重建吸引子方法定性地评价辨识模型，通过计算辨识模型的Lyapunov指数定量地评价辨识模型的性能，同时推导了RBF网络模型Lyapunov指数的计算公式。仿真结果表明，该辨识模型能很好地逼近原混沌动力系统，准确地体现原混沌系统的动力学特性。     

离散时间细胞神经网络中的分岔和混沌

研究了离散时间细胞神经网络（ＤＴＣＮＮ）中的分岔和混沌,ＤＴＣＮＮ中的细胞与连续时间ＣＮＮ中的细胞相似,具有局部耦合,其输出方程是罗切斯蒂方程。分别讨论了２种结构（有边界和无边界）的ＤＴＣＮＮ的混沌特性,ＤＴＣＮＮ的混沌与全局耦合系统一的混沌相似,但由于其局部耦合的结构,其混沌与后者有所不同。提出了有关分岔与混沌的一些有兴趣的理论问题和实际问题．     

混沌动力系统Hausdorff周期律和概率周期律的关系定理

在综合分析混沌动力系统概率测度渐进独立性和周期性的基础上,提出了混沌动力系统Hausdorff周期律和概率周期律的关系定理。该定理成功地跨越了确定性现象和随机现象间的鸿沟,揭示了Hausdorff周期律和概率周期律间的依存关系,它表明混沌动力系统的Hausdorff周期律是其概率周期律的一种表象。这一发现不仅清楚地解释了混沌动力系统Hausdorff周期律的非退化机理,而且对揭开混沌现象的本质至关重要。     

四色图着色问题的混沌神经网络解法

采用一种基于退火策略的混沌神经网络（ACNN）算法求解四色图着色问题。将混沌机制引入H0pfield神经网络（HNN），利用混沌的遍历性进行随机搜索，由退火策略控制混沌动态退出和倒分岔出现，使ACNN逐渐趋于一般的HNN．从而既避免了陷于局部极小，又加快了收敛速度，使网络能快速收敛到一个全局最优或近似最优的稳定平衡点。仿真结果表明，这是一个能有效求解四色图着色问题的全局最优化算法。     

一种神经网络自适应控制策略

针对未知非线性不确定系统,提出了一种新的基于神经网络的自适应控制策略,该方法只需辨识对象的正向模型,将神经网络与优化方法相结合,对控制量进行优化迭代求解,使被控对象的输出能较好地跟踪期望输出,并且分别针对单输入-单输出系统和多输入-多输出系统进行了控制算法的推导,其中的优化方法分别采用梯度法和高斯-牛顿法·仿真结果表明,该算法能精确跟踪设定输出,超调量小,响应速度快,无稳态误差,控制效果是非常令人满意的