基于Elman网络结构的惯导平台漂移模型辨识方法

针对惯性导航平台漂移误差高阶非线性动态系统的特点,利用神经网络的任意逼近能力和自适应抽取系统动态信息的能力,提出基于Elman网络结构的惯性导航平台漂移模型辨识方案。首先建立惯性导航平台漂移误差模型,并选择了用于网络辩识的输入、输出量。采用动量及可变学习速率算法加速网络的收敛;在该算法的基础上,针对网络隐层,提出的扩展非线性节点函数能更好地改善网络学习效率,满足系统辨识实时性和精确性的需要。通过测得的惯性导航平台漂移误差数据对网络进行训练,获得了较为满意的辨识结果。     

基于Elman网络的鲁棒型广义预测控制方法研究

提出一种基于Elman动态回归神经网络模型的鲁棒型广义预测控制(GPC)．该算法首先用EIman网络对非线性系统进行辨识，建立预测模型，然后在控制中将模型输出值与测量输出值进行综合，代替量测输出用于控制中，从而降低辨识器与控制器对未建模动态的敏感性，加强控制器的适应能力和鲁棒性．仿真结果证明：将本算法应用于非线性系统预测控制，对未建模动态具有很强的鲁棒性和很好的控制能力。     

一类非线性非最小相位系统的神经网络逆控制

基于对象的逆动力学模型,提出一种RBF神经网络逆控制的在线自学习控制方案.辨识器采用RBF神经网络和最近邻聚类学习算法,实现对象逆模型的动态辨识.并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性.为克服逆控制对非最小相位系统的不足,利用构造铸系统的方法,构成一种对非最小相位系统仍然有效的神经网络逆控制器.仿真实验证明该控制策略不仅能使非线性非最小相位系统具有良好的动态跟踪性能,而且具有较好的抗干扰能力.     

TSK动态网络及其在非线性动态系统中的应用

针对非线性动态系统特点，提出了一种新型的基于TSK模糊模型的动态回归模糊神经网DRFNN（Dynamic recurrent fuzzy neural networks），并给出了网络参教的迭代算法和基于李亚普诺夫稳定理论的收敛性证明。该动态回归网络由静态网络和内反馈动态回归网络组成，在结构上更好的拟合了非线性动态系统特点，应用于非线性动态系统的辨识和控制的试验结果也说明该动态回归模糊神经网络对解决非线性动态系统辨识和控制问题的有效性。     

基于PSO-RBF NN的非线性系统辨识方法仿真研究

提出一种基于粒子群优化算法构造径向基函数神经网络进行非线性系统辨识的新方法。网络径向基层的单元数由对手受罚的竞争学习算法确定后，其他所有参数：中心位置、各向宽度、网络权值，均是在全局空间动态确定的。实例仿真证实了该方法的有效性。     

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。     

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。     

自适应T-S型模糊径向基函数网络

针对T-S型模糊推理系统的模型参数辨识问题,充分利用模糊推理系统的可理解性与神经网络的学习能力,提出一种自适应T-S型模糊径向基函数网络。为设计满足精度要求的最小结构神经网络,在对网络学习动态进行分析的基础上,给出了网络拓扑结构的动态构造学习算法。在不需要任何先验知识的情况下,能够根据任务复杂度和学习进度进行网络隐层节点的自适应增加、合并和删除操作。将该网络应用于非线性函数逼近问题,取得较好的效果。     

运用ADE算法进行Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.首先利用DE算法对Wiener模型参数进行辨识,分析了算法中变异率F对辨识过程中的全局并行搜索能力和收敛速度的影响;其次运用一种自适应变异差分进化算法(ADE)进行Wiener模型参数辨识,该算法在初期变异率较高,种群具有多样性,避免过早收敛于局部最优解;在进化过程中,变异率逐渐变小,优良个体得以保留,避免最优解遭到破坏.运用ADE算法对Wiener模型的数值仿真结果表明了ADE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力.与一般的DE算法相比较,ADE算法辨识到全局最优解的精度和概率有较大提高,对算法参数的敏感性降低.     

基于RBF网络非线性系统逆控制的一种设计方案

基于逆动力学控制的思想,提出一种RBF神经网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF神经网络结构和最近邻聚类算法,实现了对系统逆动力学模型的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题。仿真实验证明该控制策略不仅能使系统具有良好的动态跟踪性能和抗干扰能力,而且具有较强的鲁棒性。     

融合零样本学习和小样本学习的弱监督学习方法综述

深度学习模型严重依赖于大量人工标注的数据，使得其在数据缺乏的特殊领域内应用严重受限。面对数据缺乏等现实挑战，很多学者针对数据依赖小的弱监督学习方法开展研究，出现了小样本学习、零样本学习等典型研究方向。对此，本文主要介绍了弱监督学习方法条件下的小样本学习和零样本学习，包括问题定义、当前主流方法以及实验设计方案，并对典型模型的分类性能进行对比。然后，给出零-小样本学习的问题描述，总结研究现状和实验设计，并对比典型方法的性能。最后，基于当前研究中出现的问题对未来研究方向进行展望，包括多种弱监督学习方法的融合与理论基础的探究，以及在其他领域的应用。     

融合零样本学习和小样本学习的弱监督学习方法综述

深度学习模型严重依赖于大量人工标注的数据，使得其在数据缺乏的特殊领域内应用严重受限。面对数据缺乏等现实挑战，很多学者针对数据依赖小的弱监督学习方法开展研究，出现了小样本学习、零样本学习等典型研究方向。对此，本文主要介绍了弱监督学习方法条件下的小样本学习和零样本学习，包括问题定义、当前主流方法以及实验设计方案，并对典型模型的分类性能进行对比。然后，给出零-小样本学习的问题描述，总结研究现状和实验设计，并对比典型方法的性能。最后，基于当前研究中出现的问题对未来研究方向进行展望，包括多种弱监督学习方法的融合与理论基础的探究，以及在其他领域的应用。     

团队领导学习策略对组织学习影响的仿真研究

组织学习领域的已有研究主要探讨了团队领导如何在组织学习过程中发挥重要的支持性作用,但却忽视了团队领导个人学习对组织学习的直接影响.以此不足为切入点,提出团队领导应根据外部环境特征采取不同的学习策略来与其他成员开展双向学习互动.一系列基于agent的计算机仿真实验结果表明:当外部环境平稳时,团队领导应采取平衡型的个人学习策略,既要通过自身学习促进组织知识的积累,同时又要激发下属主动寻找答案解决问题,避免下属对团队领导的个人知识产生依赖;当外部环境持续变化时,团队领导应采取减弱与团队工作任务相关的个人学习的策略,促进差异化知识在组织内部存留与传播,进而衍生出能够适应新环境的全新解决方案,提高组织整体适应变化环境的能力.     

雷达小样本目标识别方法及应用分析

针对雷达小样本目标识别问题, 结合元学习和迁移学习提出一套综合解决方案, 旨在根据实际应用场景的不同提供合适的模型学习方式和分类方式, 从而提升雷达小样本目标识别效率和准确率。同时，通过多组对比实验深入分析小样本学习算法在实际雷达目标识别场景下的模型性能变化, 得出两个可有效指导工程化应用的重要结论。元学习模型在源任务信息充足且源任务与目标任务间差异性小时性能表现良好, 否则迁移学习方法更适用; 小样本学习模型对雷达目标外在特征的关注度不同, 以识别为目的的雷达成像应重点关注模型需求的显著性特征。     

智能学习技术及其应用

本文按三种学习方式：有导师学习、无导师学习和加强学习的次序,分别概述了在这些学习方式下各种学习算法和学习系统中所采用的学习技术、方法及其应用。通过智能学习技术的研究使我们了解目前学习技术的主要研究内容、应用和发展方向。     

一种新的贝叶斯网络增量学习方法

现有的贝叶斯网络增量学习方法忽略结构与参数变化的特点和内在联系,往往会降低更新后贝叶斯网络的可靠性.针对这一情况,提出了贝叶斯网络结构与参数变化并不同步,参数变化到一定程度将引起结构变化,并基于这种不同步性,给出了一种是否进行结构更新的判别方法,以及结构与参数更新的实现算法,实验结果显示,这种增量学习方法更加合理和可行.     

基于Metropolis准则的多步Q学习算法与性能仿真

强化学习是目前智能体和机器学习研究的热点。针对强化学习中标准Q学习算法更新速度慢的缺点,通过引入多步信息更新策略和模拟退火中的Metropolis准则,提出了一种新颖的多步Q学习算法,称为SAMQ算法。仿真实验表明,与现有的算法相比,该算法能够有效提高收敛速度,较好地解决智能体选择动作时面临的新知识探索还是当前策略遵循的关键问题。     

自适应在线增量ELM的故障诊断模型研究

为满足现役装备根据故障样本数据集积累的特点进行自适应故障诊断的需求, 本文将极限学习机(extreme learning machine, ELM) 的数据增量学习、隐藏层增量学习和输出层增量学习(类增量学习)3种增量学习模式, 融合到一个统一的学习框架内, 提出一种凸最优自适应增量在线顺序ELM(convex optimal adaptive incremental online sequential ELM, COAIOS-ELM)。模型能够根据增量学习中误差的变化情况, 自适应地增加隐藏层神经元, 减小分类误差; 并可根据增量数据集中新出现的故障类别, 进行相应的类增量学习, 增加故障诊断的范围。有效解决了ELM增量学习过程中模型自适应动态选择最佳网络结构的问题, 提高模型的故障诊断的精度和故障诊断的范围。本文选择UCI数据集中公共数据集和Biquad低通滤波电路故障诊断数据集, 通过与类增量ELM (class incremental ELM, CI-ELM)模型对比实验, 验证了所提方法的有效性。     

A kind of Generalized Learning Model

1　IntroductionSymboliclearning,connectivelearning,fuzzylearningandevolutionarylearningarethepresentfundamentalmethodsformachinelearning[1～3].Eachofthemhascharacteristicsandadvantages,andcancarryoutmachinelearningtasksincertainregioneffectively.Howe...     

学习型组织的内部控制及其评价

学习型组织被认为是21世纪的最成功的企业模式，但对于如何建立学习型组织并加强其管理控制，目前尚处于探索阶段。从组织学习与内部控制之间的相关性入手，旨在分析学习型组织内部控制的特征、方式和评价方法。