用于非线性时变系统噪声统计Q、R阵估计的新方法

提出了一种估计非线性时变系统过程噪声协方差阵Q和观测噪声协方差阵R的新方法.扩展卡尔曼算法结合前馈神经网络的非线性时变系统辨识过程中,噪声统计Q、R阵的估计是影响系统建模和预测精度的关键因素之一.本文所提出的估计噪声统计Q、R阵方法是基于协方差匹配技术,将M ehra估计定常系统噪声统计的方法推广到一般的非线性时变系统.仿真结果显示了本文方法的有效性.     

基于多分辨分析神经网络的函数逼近

基于小波分析的基本理论,提出了迭代求解Daubechies小波函数和尺度函数,并用多项式最小二乘曲线拟合离散数据点,得到小波函数和尺度函数的近似封闭解析式的方法。最后基于L^2的多分辨逼近思想,构造了基于尺度函数的多分辨分析网络,用迭代的梯度下降算法训练网络,并用此网络对有局部奇异性的函数进行学习,获得了很好的逼近效果。数值仿真结果表明：本文提出的方法是可行的,它避免了无封闭解析式的小波和尺度函数在实际应用中需要大量进行插值运算的繁琐和求导运 算的不便。     

基于神经网络动态非线性非平稳经济系统预测

考虑实际经济系统中广泛存在着非线性和时变性因素，以及大部分变量的序列具有增增长特性，提出了用网络方法，建立实际经济系统的时变非线性模型，采用增广卡尔曼滤波算法训练神经网络，并根据先验信息（序列的时间增长特性）构造参数转移矩阵，对实际经济的预测分析结果证明，与传统定常非线性预测模型相比，该方法不仅可以在线递推预测，而且由于参数转移矩阵的引入，预测精度得到很大的提高。     

非平稳环境下提高神经网络辨识能力的新方法

利用非平稳环境下系统时变参数变化规律的先验信息，构造参数转移矩阵来刻画系统的时变动态特征，并基于此推导了非平稳环境下神经网络训练的改进的卡尔曼滤波算法．仿真结果表明：该方法显著地提高了神经网络在非平稳环境下的辨识能力。     

利用基序列逼近的一类非线性时变系统辨识的实用方法

提出了一种针对一类非线性时变系统（时变的Hammerstein级数）辨识的实用方法。为减少时变系统建模所需参数个数，利用已知基底列的线性组合来逼近系统的时变动态特性，并采用递推最小二乘来估计模型的参数，克服了以往基序列逼近用于时变系统辨识方法中离线最小二乘计算效率不高的缺陷，仿真结果表明，本文提供了的有经济有效地对一大类时变非线性系统进行较好的辨识。