一种基于模糊神经网络的自适应模糊辨识方法

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)。首先，基于模糊竞争学习算法确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。其次，利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁，逼近能力强，能够显著提高辨识精度，并且辨识的模糊模型简单有效。最后，将该AFNN用于非线性系统的模糊辨识，仿真结果验证了该方法的有效性。     

基于改进Elman神经网络的非线性预测控制

为了提高非线性预测控制中预测模型的精度,提出一种基于递归神经网络建模的预测控制方案.采用改进Elman神经网络在线建立预测模型,用递推最小二乘法在线修改神经网络权值,并引入误差补偿环节,从而达到改善预测模型精度的目的,使控制系统的控制性能得到提高.仿真实验表明了该方法的有效性.     

基于RBF神经网络多步预测的自适应PID控制

提出一种基于RBF神经网络多步预测的自适应PID控制算法．该算法用无局部极小的径向基函数网络对非线性系统进行在线辨识，利用多步预测误差对PID型控制器网络进行训练，从而实现PID参数的在线自适应寻优．通过对典型非线性系统的仿真研究，该控制系统具有较强的适应性和鲁棒性．     

一种改进的小波网络与故障检测

提出一种基于改进的小波网络非线性观测器故障检测方法，利用小波网络对任意函数的逼近能力，获得系统的非线性特性，进而能快速实时地计算出残差并进行逻辑判决，仿真试验表明改进后的小波网络较BP网络和未改进的小波网络收敛速度快，效果好。     

基于粗糙集神经网络的故障诊断

在神经网络故障诊断模型的基础上,引入粗糙集理论,给出连续属性值的离散化方法.并应用粗糙集对故障诊断决策表进行属性约简,剔除其中不必要的属性.仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景.     

基于前向神经网络的多新息随机梯度辨识算法

为了提高动态系统的辨识精度,提出一种基于前馈神经网络的多新息随机梯度辨识算法,它通过动态调整网络权值来提高网络在线辨识性能.由于多新息随机梯度辨识算法利用了系统的当前数据和历史数据,对动态辨识,特别是对具有纯时间延迟动态系统的辨识,较传统的BP算法在辨识精度和收敛速度方面具有更好的效果.仿真结果表明该算法的有效性.     

一种基于神经网络辨识的预测方法

针对时变的非线性系统,将传统的预测控制与神经网络逼近任意非线性函数的能力相结合,提出一种基于神经网络辨识的预测方法.同时选用含有调整参数的双曲正切函数作为节点的激活函数,弥补由于未考虑激活函数的输出值域、影响神经网络辨识精度和速度不足的问题.仿真结果表明,它适用于无滞后和有滞后的时变非线性系统,辨识收敛速度快、精度高,并具有较强的自适应性和鲁棒性.     

一类非线性系统的自适应模糊控制

针对一类非线性系统,利用模糊逻辑提出一种鲁棒自适应控制方法.首先证明在一定的条件下,闭环系统必能稳定,并证明这个条件即必落人某一紧集中成立,同时考虑其控制性能,选择鲁棒控制量,使跟踪误差达到要求的性能指标.     

改进的Elman网络在非线性系统辨识中的应用

通过对Elman网络的研究,提出一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络,给出Elman网络的标准BP学习算法,针对标准BP算法的收敛速度慢和容易收敛于局部极小点的缺点,利用非线性动量项自适应变步长的BP算法进行改进,从而提高算法的收敛速度,避免陷入局部极小点的问题.通过在系统辨识中的应用,表明该网络收敛速度快,模型精度高,并具有较强的自适应性和鲁棒性,适合于动态系统的实时辨识.