一种记忆元网络自适应控制方法

本文提出了一种神经网络自适应方法。该方法采用记忆元网络采用记忆元神经网络进行对象模型辩识,用单个神经元实现了自适应ＰＩＤ 控制器。被控对象输出误差经记忆元辩识网络反传后得到控制器的输出误差,以此修正控制器网络权值,由于记忆元网络无需引入延迟算子,能够逼近任意阶线性动态,保证了模型辩识的精度和误差返传的精度,神经元ＰＩＤ 控制器具有极为简单的结构与算法,保证了自适应控制的实时性,大量仿真结果表明该方法可以有效地应付非线性对象。     

模糊神经网络的记忆

讨论了一种模糊神经网络实现记忆的条件和记忆的特点,并给出了样本组格子点分布的概念。通过定理,证明了在这种情况下,样本组可被模糊神经网络所记忆;证明了若样本组前n-1个样本和整个样本组的模糊矩阵的秩相等,则权向量不能调整, 否则会使模糊神经网络“丧失记忆”同时,也说明了选择记忆法所采用的选择方法中减少运算量,又可保证网络的记忆。     

基于MATLAB的BP神经网络的应用

本文设计了一个基于BP神经网络的全自动洗衣机模糊控制系统。系统采用模糊控制手段,根据输入的模糊参量（如衣物的浑浊度及浑浊度的变化率）,来实现智能识别与控制。测试结果表明,本系统能智能识别衣物的浑浊度和浑浊度变化率,加快控制模式的反应速度,同时可以借助神经网络具有的自学能力和改进能力,对在训练中未出现的样本,通过联系记忆功能做出相应控制决策。     

基于样本划分的启发式遗传BP算法

遗传算法作为一种模拟生物遗传进化过程的随机搜索算法,具有并行和全局搜索能力、不要求函数可导等特点,在神经网络学习中得到广泛应用.合理选择初始群体和控制搜索的盲目性,有利于提高算法的效率.为此,提出了一种新的神经网络学习算法--基于样本划分的启发式遗传BP算法.该方法对神经网络学习样本进行划分,形成样本子集.初始群体通过在样本集类上训练神经网络而获得.这些初始网络中包含了关于样本子集的有用信息,根据模式定理,能通过遗传算法保留和加强.此外,提出并证明了关于样本集类及其BP训练的几个代数性质,结合子空间划分进行启发式搜索,以克服搜索的盲目性.对上述方法进行仿真实验,迭代次数和误差较小,表明本学习算法是切实可行的.     

一种改进的Elman神经网络算法

由于Elman神经网络具有动态记忆功能，作为有效的系统辨识工具在许多领域中都有广泛的应用。然而这种网络学习速度太慢，制约了其向前发展。为了解决这个问题，加速收敛过程，提出了用Rprop算法改进Elman神经网络的方法，并将这种方法应用到布尔序列预测问题中。实验结果证明这种方法可有效提高网络收敛速度，得到较好的预测结果。     

一种时间规整算法在神经网络语音识别中的应用

提出一种新的网络结构,这种网络能够很好地解决神经网络语音识别中的时间规整问题。该网络从输入语音信号的特征矢量序列中提取一组固定数目的特征矢量,然后将这组特征矢量馈入神经网络分类器进行识别。和其他的神经网络语音识别方法相比较,用这种网络进行前端处理,可以缩短后端神经网络分类器的训练和识别时间,简化分类器的网络结构并保持较高的识别率。     

基于RBF神经网络预测模型及其应用研究

利用径向基函数（Radial Basis Function,RBF）神经网络采预测结构初期损伤对整体的影响,可以有效地判断结构的稳定性．由于神经网络可以通过对样本的反复学习来反映整体结构复杂的非线性演化关系,其预测精度可以满足要求．RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性．本文通过有限元计算得出样本作为基础,采用RBF神经网络建立初期损伤的预测系统,通过最近邻聚类学习算法实行整体结构预测,这种研究思路具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强,计算效率明显优于传统方法．本系统采用Fortran语言编写,最后通过一个实例说明本系统的有效性及实用性．     

具有模糊联想神经网络的自组织模糊控制器

在分析了几种用神经网络实现的模糊控制器不足的基础上，提出一种用模糊联想记忆神经网络实现的自组织模糊控制器；该控制器由２个模糊联想记忆神经网络分别记忆校正规则表和修正控制规则表，并通过网络权值矩阵的在线修正完成控制规则的实时修正。模糊推理则由网络的自联想功能完成。     

人工神经网络在地震分析预报中的应用

为了探索人工神经网络应用于地震分析预报的可能性,以福建及其周边地区地震活动为例,采用ｂ值、地震频次、地震能量释放、空间集中度４项地震活动性指标作为神经网络的输入,用具有Ｓ－型特性函数的ＢＰ网络对由每年地震的活动指标组成的标准样本进行训练,由训练结束后的权值和阈值及待预报样本的因子测值计算出网络输出值,作为地震活动性的预测．结果表明,用神经网络可以在一定精度范围内使震级预报的内检符合率达１００％,在例子中,外推预报准确率达８８％以上．     

基于HMM与神经网络的声学模型研究

神经网络能依靠权值进行长时间记忆和知识存储,但是对输入模式的瞬时相应的记忆能力比较差;而隐马尔科夫模型的短时记忆的能力比较强,但是假定的前提又与实际情况不符.因此,采用HMM和ANN的混合模型来取双方之长,并在这种混合模型的基础上,对神经网络从结构设计、训练、到训练后期的结构调整进行了全程的优化;应用隐节点剪枝算法,并利用广义的Hebb规则重新确定网络的参数.实验表明,这种混合模型在语音识别中取得了良好的效果.     

用T-S型模糊神经网络的机械手轨迹跟踪自适应控制

对于常见的将 CMAC神经网络前馈控制器和常规反馈控制器相结合的机械手轨迹跟踪控制方案 ,它的控制性能同时受神经网络前馈控制器学习能力和反馈控制器控制精度的制约。该文提出的采用 T- S型模糊神经网络的机械手轨迹跟踪自适应控制方案充分利用了 T- S模糊模型的特点和优点 ,以一种基于简化的 T- S型的模糊神经网络作为前馈控制器 ,同时反馈控制器也采用 T- S型模糊神经网络实现。针对三自由度机械手轨迹跟踪问题的仿真实验表明 ,采用 T- S型模糊神经网络的机械手轨迹跟踪自适应控制方案是可行的和有效的     

一种基于模糊CMAC自学习模糊逻辑系统及其在控制中的应用

把HCMA（Hyperball Cerebellar Model Articulation Conroller)与模糊逻辑理论有机结合起来，形成FHCMAC（Fuzzy HCMAC)，它便于从输入输出数据中提取模糊规则，直接用作控制器。可以将FHCMAC看作用基函数网络实现的模糊逻辑系统，兼有HCMAC神经网络和模糊逻辑两者的优点，即可以较容易表达定性或模糊的经验知识，又具有很好的学习性能，应用仿真实例验证了其有效性，该方法可应用于难以获取模糊规则的吻合。     

基于模糊高斯基函数神经网络控制的机器人视觉伺服系统

针对机器人视觉伺服控制系统中存在的不确定性问题,将模糊控制与神经网络相结合,用神经网络来实现模糊推理,提出了一种把高斯基函数作为隶属函数的模糊神经网络视觉伺服控制器,该控制器不仅具有定性知识的表达能力,而且具有很强的在线学习能力。将所提方法用于三关节机器人"手-眼"视觉伺服系统的控制中,取得了很好的控制效果。     

基于模糊学习方法的非线性系统智能容错控制

提出了一种基于自适应模糊逻辑学习方法的非线性系统智能容错控制方案.整个控制方案集自适应模糊控制器、监督控制器和调节控制器为一体,是一个功能强大的控制体系结构.仿真结果表明:提出的控制方案能有效地识别和调节非线性系统的未知错误,而且控制系统在不确定或错误的情况下具有稳定性和鲁棒性.     

静止无功补偿器的智能自适应PID控制器设计

将神经网络和模糊控制与有着广泛应用ＰＩＤ控制相结合,设计了一种静止无功补偿器的智能自适应ＰＩＤ控制器。利用神经网络实现系统模型辨识,采用模糊逻辑和神经网络相结合对ＰＩＤ控制器参数动态寻优。使ＳＶＣ的控制既具有模糊控制的简单,有效的非线性控制作用,又具有神经网络的自学习,自适应能力。     

基于模糊神经网络自适应控制研究

为了改善模糊神经网络控制系统的收敛速度,提出一种模糊神经网络自适应控制方案,在传统控制结构的基础上增加系统输出反馈网络,一方面使得控制量包含更多的系统动态信息,另一方面,也不至于增加模糊神经网络控制器的复杂度。仿真结果显示此种结构能够加快控制系统的收敛速度。     

基于车载摄像机移动机器人的模糊神经网络跟踪

针对车载单目摄像机的轮式移动机器人的目标跟踪问题,提出一种模糊跟踪控制方案.方案分为两部分,分别为摄像机控制部分和轮式移动机器人控制部分.摄像机控制部分通过相关特征点之间的连线的夹角设计摄像机云台控制器,使摄像机能够实时跟踪目标,保持目标在图像平面的期望位置上.轮式移动机器人控制部分通过设计T-S模糊神经网络控制器使其能够在视觉伺服反馈下实时调整速度和姿态,实现目标的有效跟踪.仿真结果表明了本文方法的有效性.     

A Self-Organizing Controller for Dynamic Processes Using Wavelet Networks

ＡＳｅｌｆ┐ＯｒｇａｎｉｚｉｎｇＣｏｎｔｒｏｌｅｒｆｏｒＤｙｎａｍｉｃＰｒｏｃｅｓｅｓＵｓｉｎｇＷａｖｅｌｅｔＮｅｔｗｏｒｋｓＳｈｅｎＦａｎＬｉＺｈｏｎｇｌｉ（ＳｏｕｔｈｗｅｓｔＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ）ＡｂｓｔｒａｃｔＩｎｔｈｉｓ...     

基于网络测量和模糊控制技术的拥塞控制机制

为向端系统反馈及时准确的网络状态以提高TCP效率，同时避免主动队列管理（AQM）机制的诸多局限，提出一种基于网络测量的拥塞控制机制——利用分布在网络中的测量设施监测主干链路，再根据链路性能采用模糊控制技术指导端系统选择适当的FAST控制参数．仿真实验表明，该机制能承受更大的负载压力，达到高吞吐量，并能稳定排队时延，在高速网络中比AQM机制更稳定、更公平．相比突发性的Web流量来说，该机制更适用于类似P2P等数据量大、连接持续时间长的流量的拥塞控制．     

基于补偿模糊神经网络的BLDCM伺服控制

为了实现无刷直流电机(BLDCM)位置伺服系统的高精度位置跟踪控制,针对系统多变量、非线性、强耦合、时变的特点,提出了一种基于补偿模糊神经网络控制器(CFNNC)的设计方法.该控制器将补偿模糊逻辑和神经网络相结合,引入了模糊神经元,使网络既能适当调整输入、输出模糊隶属函数,又能借助于补偿逻辑算法动态地优化模糊推理,大大提高了网络的容错性、稳定性和训练速度.仿真和在DSP控制系统上的实验结果表明,采用补偿模糊神经网络控制器,系统响应快、精度高、鲁棒性强,动态特性明显优于传统PID控制.