一类新的离散时延递归RBF神经网络

提出了一类带有离散时间 FIR/ IIR滤波器的递归 RBF神经网络 ,用离散时间 FIR/ IIR滤波器代替通常的 RBF神经网络中的线性输出权值 ,以适用于离散动力学系统的辨识和控制以及混沌时间序列预测 .本文给出的学习算法简单 ,可以避免传统的递归算法的不稳定性 .将该类神经网络用于动力学系统的建模 ,收到很好的效果 .     

基于灰度和梯度不变矩的人脸识别

提出一种新的人脸识别方法———灰度-梯度共轭不变矩法,克服了传统方法的缺点,在不增加复杂度的前提下,将灰度信息和梯度信息有效地结合起来,并将其共轭分布反映的纹理特征作为对灰度特征的补充参与特征分类.同时,对经典不变矩组进行分析并改进,消除了离散状态下比例因子的影响.以BP网络作为分类器进行试验,结果表明,与传统方法相比,该方法具有更高的识别率.     

六关节机器人的分散预测控制

分析和讨论了分散预测控制的多层控制结构,研究了在关联模型及参考轨迹已知的情况下的关联补偿和应用于机器人手臂控制的算法及改进．仿真结果证实了算法的有效性．     

六关节机器人的分散预测控制

分析和讨论了分散预测控制的多层控制结构,研究了在关联模型及参考轨迹已知的情况下的关联补偿和应用于机器人手臂控制的算法及改进．仿真结果证实了算法的有效性．     

一类非线性系统的递归神经网络控制

递归神经网络（ＲＮＮ）由于具有极为丰富的动力学行为而被用在非线性控制系统中,但是传统的ＲＮＮ的训练算法不仅复杂,而且容易陷入局部极值点．作者通过对标准的遗传算法的改进,采用格雷编码方式、比赛选择策略和稳定状态更替方式,使其适用于ＲＮＮ控制器结构和参数的确定．此外,把ＲＮＮ控制器用于控制一类ＳＩＭＯ自不稳定非线性系统（ 如倒立摆系统） ,也收到很好的效果．     

时滞离散智能系统的动态输出反馈镇定控制器综合的统一方法

提出标准神经网络模型（SNNM）来描述包含神经网络或T—S模糊模型的时滞（或非时滞）离散智能系统．SNNM由离散线性动力学系统和有界静态非线性算子连接而成．利用SNNM的全局渐近稳定性分析的结果，分别设计线性或非线性动态输出反馈控制器，使得SNNM的闭环系统稳定．控制方程可以表示为线性矩阵不等式（LMI）形式，便于利用各种凸优化算法求解以获得控制规律．大部分基于神经网络（或模糊模型）的时滞（或非时滞）离散智能系统都可以转化为SNNM，以便采用统一的方法来综合这些智能系统的控制器．SNNM的3个应用例子表明：SNNM不仅使得大多数基于神经网络（或模糊模型）的离散智能系统镇定控制器的综合简单易行，而且为其他类型的非线性系统的控制器综合提供新的思路．     

RBF神经网络的一种鲁棒学习算法

用定标鲁棒代价函数代替传统的二次型指标，并结合改进的遗传算法，搜索近最优径向基函数神经网络（ＲＢＦＮＮ）的结构和参数。实验结果表明该训练方法比其他方法具有更强的鲁棒性，可提高ＲＢＦＮＮ的泛化能力，自动消除数据中的噪声，再现训练数据中的潜在规律。     

采用SNNM的离散智能系统鲁棒控制器综合

研究了离散标准神经网络模型(SNNM)的鲁棒镇定控制器综合问题,利用李亚普诺夫稳定性理论和S方法推导出了鲁棒状态反馈控制律存在的充分条件,并利用一个线性矩阵不等式的解给出了控制律的参数化表示.大部分基于神经网络或T-S模糊模型的离散智能系统都可以转化为离散SNNM形式,以便采用统一的方法进行控制器的综合.数值示例和仿真结果表明所提出的方法简单易行,为非线性系统鲁棒控制器的综合提供了新的思路.     

基于预测控制理论的位置伺服系统设计

结合预测控制的思想，提出了一种位置伺服控制器的设计方法．实验结果表明，该控制器作用于位置伺服系统时，在跟踪性能和控制的鲁棒性方面均能取得令人满意的效果．     

真空烧结炉两级微机控制和管理

以真空烧结炉为研究对象，研制了一个两级计算机系统，采用Ｗｉｎｄｏｗｓ环境下面向对象的可视化编程工具设计人机界面和实时数据库查询及报表，ＤＤＣ级以高性能嵌入式微控制器Ｉｎｔｅｌ８０Ｃ１９８为核心，应用参数自调整模糊控制算法实现真空炉的温度控制，并同时在线检测其他参数和状态，实现了烧结生产过程的微机化管理．