小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性，而小波变换具有良好的时频局部化特性．将二者结合在一起构成小波神经网络，网络隐层采用morlet小波函数，输出层采用线性函数，使得该网络兼具神经网络和小波变换的优点．分别用小波网络和BP网络逼近一非线性函数，其结果表明，在相同的误差条件下，小波网络的收敛速度要远远快于一般的BP网络．     

基于2D模型的网络系统迭代学习控制设计方法

迭代学习控制(iterative learning control, ILC)方法应用于网络控制系统时,由于数据需要在控制器和远程对象间传输经常产生数据丢失现象。给出了一种存在数据丢失时网络系统的随机迭代学习控制设计方法,首先将数据丢失现象描述为随机伯努利序列,在此基础上将迭代学习的控制器设计转化为随机〖JP2〗2D Roesser系统的稳定问题。定义了随机意义下2D系统的均方渐进稳定,基于线性矩阵不等式(linear matrix inequality, LMI)给出一个判别稳定性的条件,该条件同时可实现迭代学习控制器的设计。仿真示例验证了设计方法的有效性。