具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样...     

一类具有反三角函数自反馈的混沌神经网络及其应用

在线性自反馈的基础上将反三角函数引入到混沌神经网络的自反馈项,提出了非线性自反馈混沌神经网络模型.网络优化机制的分析表明,非线性自反馈使网络以线性函数与反正切函数的和与状态乘积和的方式影响原Hopfield网络的能量函数,避免网络陷入局部极小点.构造了网络的能量函数,分析了网络达到渐进稳定的充分条件并利用其指导网络求解旅行商问题的参数设置.连续函数优化问题和旅行商问题的仿真研究表明,提出的网络能有效地找到优化问题的最优解.     

混沌时间序列的自适应正交小波神经网络预测

针对非线性混沌时间序列预测问题,提出一种基于正交小波神经网络的自适应预测算法.根据来自非线性序列模型的期望输入输出数据,利用小波框架理论建立初始的小波神经网络.采用正交化逐步选择方法对于初始小波神经网络进行结构优化,从而建立最精简的网络模型.同时引入在线学习算法在线修改网络权值和小波神经元的参数,从而提高模型的自适应能力和泛化能力.通过对时滞Mackey-Glass超时间序列和时变Lorenz混沌序列的预测,证明了算法的有效性.     

一种非线性系统参数辨识的耦合算法研究

针对工程复杂性、时变性、非线性的特点,提出了基于混沌免疫粒子群算法(CIPSO)与El-man神经网络的耦合算法(CIPSD-ENN),用于非线性动态模型参数辨识.CIPSO优化算法将人工免疫系统中的克隆选择和混沌优化机制引入粒子群算法,在粒子群种群进化过程中,该算法对粒子进行克隆选择,提高其收敛速度,对克隆后的粒子混沌变异以增强种群局部搜索能力.最后,CIPSO与动态反馈型Elman神经网络融合,对其权值、阈值寻优,建立了基于CIPSO和ENN的耦合算法系统辨识模型.实验结果表明,算法具有收敛速度快、收敛精度高、鲁棒性强的特点,与单纯Elman网络辨识相比,模型收敛速度提高了10倍,拟合精度提高了2个数量级.     

广义平移混沌系统的异结构同步

以广义平移混沌系统的两个子系统为例,基于Lyapunov稳定理论,利用自适应同步与滑模控制的方法,设计一个自适应非线性反馈控制器,以实现平移混沌系统Ⅰ与Ⅱ的异结构同步.数值仿真结果表明,该方法有效.     

具有磁滞类间隙系统的鲁棒自适应控制

针对具有未知磁滞类间隙的非线性系统,提出一种鲁棒自适应控制(ARC)算法。采用连续时间动态微分方程描述此非线性特性,利用投影算子对参数进行估计。鲁棒自适应控制律由3部分组成,即模型补偿项、鲁棒控制项和鲁棒反馈项。仿真结果验证了该方法的可行性。     

混沌时间序列的非线性滤波预测模型的研究

基于混沌动力系统相空间延迟坐标的重构、混沌序列产生的确定性和非线性机制、混沌序列高阶奇异谱的特征及二阶Voherra自适应滤波模型，提出了高阶非线性HONFIR滤波模型和Sigmoid函数的少参数非线性自适应滤波预测模型，并介绍了相应的自适应算法。     

离散时间系统线性状态反馈混沌化的一种新方法

针对给定的确定性离散时间动力学系统,提出一种新的线性状态反馈加非线性模运算的混沌化算法.给定离散时间系统可以是线性、非线性、低阶、高阶、渐近稳定、不稳定、甚至混沌的.算法的结果是受控系统所有李雅普诺夫指数均不为零而其中至少一个为正,符合混沌的定义.给出了证明和一个混沌化实例.仿真结果显示了算法的良好效果.     

基于单神经元自适应PSD算法用于混沌镇定控制

为了镇定混沌系统的不稳定周期轨道,提出了一种基于单神经元自适应PSD算法的状态延迟反馈法用于混沌的镇定控制。仿真结果表明,该算法不仅能够自适应地完成控制参数的整定过程,而且具有适用范围广、镇定时间短、抗干扰能力强等优点。     

具有外扰和不确定项的分数阶非线性混沌系统的自适应滑模同步

研究非线性分数阶混沌系统的自适应滑模同步, 同时考虑外扰和不确定项的影响,  给出滑模函数和控制器的构造及自适应规则,  得到分数阶非线性混沌系统自适应滑模同步的充分条件, 将相同阶的相关结论推广到不同阶情形, 并用MATLAB数值仿真检验结论的正确性.     

基于混沌算法神经网络的高校师资预测

本文提出一种基于混沌算法神经网络的师资预测模型,该算法通过在前馈式神经网络连接权空间学习算法的动力学方程中引进一非线性自反馈项,使得网络具有良好的函数近似能力,应用这种算法的神经网络对我国高等院校的师资需求进行预测,为我国有关高等院校的教育决策提供依据.     

混沌算法神经网络与含噪声时间序列的预测

在前馈神经网络连接权的动力学方程中引进一非线性反馈预后,网络在权空间具有混沌动力学行为：应用这种算法的神经网络对基于Mackey-Glass方程含噪声的时间序列进行在线预测,结果表明网络具有很好的预测性能。     

暂态混沌动力学在神经网络优化计算中的应用

通过在神经网络状态空间演化方程中引入一个非线性反馈项,使神经网络系统的动力学表现出混沌特性。为将混沌动力学作为搜索机制应用于优化问题,又引入一个调节机制构成了暂态混沌神经网络模型。本文着重分析了暂态混沌神经网络动力学行为,并将其应用旅行推销员问题。实现了全局优化且有较快的收敛速度。     

一种求解非线性约束优化问题的新方法

针对标准遗传算法的缺陷,提出一种基于实数编码技术的新型自适应混沌遗传算法,求解复杂非线性约束优化问题.算法根据实数编码的特点,依据概率分布函数构造杂交算子,结合混沌动力学特性和人工神经网络理论,设计了一种自适应混沌变异算子,使算法有效维持群体多样性,防止和克服进化中的“早熟”现象,同时采用不需要惩罚因子的直接比较惩罚函数方法,对约束条件加以处理.通过算例数值实验,验证了算法在提高解的精度和加快收敛速度方面都有明显改善.     

混沌时间序列局域线性预测方-法

在许多场合下,时间序列中的明显随机性可能是由于非线性确定性系统中混沌行为的缘故．混沌系统对初值的极端敏感性使之不可能对其时间序列进行长期预测,然而,利用混沌的确定性可以进行短期预期．混沌时间序列预测首先要重构相空间,接着再利用非线性函数逼近方法构造一个动力学系统模型．探讨了预测模型问题,并用数值分析的方法对Ｆａｒｍｅｒ＆Ｓｉｄｏｒｏｗｉｃｈ,Ｌｉｎｓａｙ和Ｎａｖｏｎｅ＆Ｃｅｃｃａｔｏ提出的三种典型混沌时间序列局域线性预测方法进行了研究．实验结果表明,这三种方法的性能是相同的．本文的结果将平息人们对这三种方法优劣的争论,有利于在实际中选择合适的预测模型．     

差异化策略的两组动态古诺模型及其稳定性控制

建立了分别由2家有限理性特征的厂商和1家自适应调整特征的厂商组成的2组动态古诺模型,运用非线性动力系统理论求出了系统的均衡点并进行分析;然后通过数值模拟仿真方法研究了当主要参数发生变化时系统产生的动力学行为;最后在系统中引入时滞反馈控制方法,结果表明:当自适应调整的厂商加大调整速率时系统会提前进入混沌状态,同一团队适当的利润分配及调整参数的变化有利于系统稳定性,引入时滞使系统达到稳定状态.     

混沌时间序列在边坡位移预测中的应用

根据非线性边坡位移时间序列，运用相空间重构理论，建立了加权一阶局域法边坡位移预测模型、基于Lyapunov指数的边坡位移预测模型、基于神经网络的混沌时间序列边坡位移预测模型，对比分析了三个预测模型的特点。新龙寺滑坡预测研究表明，基于混沌时间序列预测方法具有很好的预测精度和广泛的适应性。     

办公建筑运行能耗的混沌时间序列复合预测

针对办公建筑已有的能耗预测方法中未能考虑到能耗数据的混沌变化特性,提出了一种基于混沌时间序列的办公建筑运行能耗预测方法.对研究对象的时间序列进行相空间重构,判断其具备混沌特性,建立混沌理论和支持向量回归的组合模型进行训练,采用Markov链消除组合模型由于参数传递产生的累积误差,得到最终预测结果.为了验证算法的有效性,以西安某办公建筑的能耗监测数据为例进行实例分析,并与非线性自回归神经网络、支持向量回归等其他预测方法进行对比.实验结果表明,经过Markov修正后的混沌时间序列组合模型预测精度显著提高,预测效果优于其他方法,且更符合办公建筑能耗的变化规律,为节能优化提供有效的数据支撑.     

基于RBF神经网络的混沌背景下瞬态弱信号检测

针对海杂波背景下瞬态弱信号检测的问题,采用海杂波混沌模型,基于神经网络重构混沌序列相空间,提出了基于RBF神经网络预测混沌时间序列和瞬态弱信号检测方案。理论分析和仿真结果表明这种方法能够有效实现混沌背景噪声中瞬态弱信号的检测。     

一个具有四翼的混沌吸引子的混沌系统的分析与同步控制

在提出一个具有四翼混沌吸引子和每个方程含有一个三次非线性交叉乘积项的新复杂四维连续自治系统基础上,依据Lyapunov稳定性定理,采用非线性反馈控制,通过构造合适的响应系统,实现了新系统的错位同步控制．数值仿真结果表明,该非线性反馈控制器所要求的控制律简单易于实现,且收敛速度快．