基于结构的神经网络模型

提出了一种基于结构的神经网络模型，并介绍了利用该模型进行系统建模与参数优化的方法，该神经网络模型本质上是结构化的，网络模型的结构与系统结构相对应，网络中神经元的个数是确定的，神经元之间的连接不是盲目的，而是根据子系统间的相互作用关系连接而成，网络的部分连接权值与系统结构参数相对应，具有明确的物理意义，所以，建模后可进一步进行结构参数的优化。     

基于结构的神经网络在系统建模中的应用

针对复杂非线性系统的建模问题，提出一种基于结构的神经网络建模方法。将一个复杂系统转化为若干个较简单的子系统，分别用函数链神经元建立各子系统的模型，然后根据子系统间的相互作用关系连接成一个完整的网络，即基于结构的神经网络。分析了网络的性能，探讨了在复杂系统建模中的应用。对Y2－Hc10型先导式溢流阀的仿真表明了该方法是可行和有效的。     

用递阶控制思想改进基于结构的神经网络模型

分析了基于结构的神经网络建模方法，应用递阶控制的思想对基于结构的神经网络模型进行了改进．在原模型中增加了一个协调器，对每一时刻各子系统输出修正后再进行下一时刻计算．建立了52SFZ-140—270B型液压缓冲器基于结构的神经网络模型．测试结果表明，改进后的模型减小了子系统误差及子系统间的相互影响，提高了系统的整体模型精度．     

基于结构的神经网络在液压缓冲器建模中的应用

分析了液压缓冲器的结构及其动态工作过程，介绍了基于结构的神经网络建模方法．该建模方法根据系统结构组成特点将复杂系统分解为相互关联的简单子系统，用函数链神经元分别建立子系统模型，然后根据子系统间固有的连接关系将子系统神经元模型连接成一个网络，所得网络模型即为原系统模型．应用该方法建立了52SFZ—140—207B液压缓冲器的动态模型．结果表明，基于结构的神经网络建模方法对复杂非线性系统建模是有效的．     

基于结构的神经网络优化结构参数的应用

介绍了基于结构的神经网络建模原理，提出了基于结构的神经网络结构参数优化方法。应用该方法建立了52SFZ-140-207B型液压缓冲器基于结构的神经网络模型，并对系统的关键结构参数进行了优化。通过优化，液压缓冲器的动态性能得到了改进。     

基于结构的神经网络在参数优化中的应用

在对传统人工神经网络优化方法的认识基础上，针对复杂非线性系统的优化问题，提出了一种基于结构的神经网络优化方法。它将一个复杂系统转化为若干个较简单的子系统，分别建立各子系统的函数链神经元模型，然后根据原系统的结构特点将它们连接起来构成一个基于结构的神经网络。网络权值与系统的结构参数相对应，具有明确的物理意义，通过调整权值即可实现系统结构参数的优化。对Y2-Hc10型先导式溢流阀的优化研究表明，该方法为大型、严重非线性系统的结构参数优化提供了一条新的途径。