基于动态递归神经网络的动态矩阵控制

给出了劝态递归神经网络（DRNN）重构一个非线性动态过程的方法,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征,容易实现并进行稳定性分析,利用训练好的网络作为预估模型,设计了基于DRNN的动态矩阵控制算法,仿真结果表明了权值调整算法和控制策略的有效性。     

基于动态递归神经网络的自适应控制非线性系统研究

提出一种基于动态递归神经网络的自适应控制器 ,该控制器能通过自学习不断进行适应性控制 ,且结构简单 ,易于实现 .其主要特点是能够提供一个跟踪网络来辩识系统模型 ,进而确定控制器的网络参数 ,实现间接自适应神经网络控制 .经过对大量非线性系统的仿真研究 ,证明其具有良好的控制性能 .     

基于动态递归神经网络稳定控制器的设计

静态映射神经网络和动态递归神经网络是两种重要的神经网络,前者在系统辨识和控制中得到了广泛的研究和应用;后者能够逼近系统的动态过程,具有良好的稳定性和收敛性,文中针对一类非线性系统,采用动态递归神经网络,结合Ｌｙａｐｕｎｏｖ稳定性理论,综合了稳定的自适应控制器,同时给出了神经网络的自学习律．理论分析表明,在模型匹配的情况下,能够保证跟踪误差的收敛性和闭环信号的有界性,并对一类建模误差问题进行了研究．分析与仿真结果均表明,该方法具有较好的自适应性和鲁棒性．     

基于递归神经元网络的动态系统逼近研究

研究局部递归神经网络的逼近能力,为递归网络在非线性系统辨识和控制中的应用提供理论的依据。方法 构造一种结构乘法的局部归网络模型,使用神经网络基本逼近定理,函数分析理论分析它在一定条件下的逼近能力。结果证明了在适当的实始条件下,通过权值苛使递归网络输出逼近ｎ维动态系统的有限时间轨迹。     

间接自适应动态递归模糊神经网络控制器设计

针对仿射非线性系统,提出了一种新型的基于动态递归模糊神经网络(DRFNN)的间接自适应控制器.该控制器采用DRFNN对系统的动态非线性映射进行在线估计,并依据李亚普诺夫稳定性理论推导出DRFNN参数在线调整的自适应算法,同时运用投影算法确保参数向量处于约束集合内.应用自适应DRFNN对动态非线性映射进行在线估计时,仅采用被控系统的1个状态变量作为其输入,避免了因增加输入个数而导致网络结构膨胀的问题,从而加快了收敛速度.仿真结果表明:由自适应DRFNN构成的控制器可使系统具有满意的跟踪性能.     

基于递归神经网络的多变量系统预测控制

针对线性PID控制器系数难以整定的问题，构造了一种用神经网络实现的非线性PID控制器．多个具有相同结构的非线性PID控制器并联，对多变量系统实现解耦控制器．结合预测控制的思想，提出两种控制方案．第一种是在递归多步预测的基础上，在广义最小方差目标函数下实现控制，第二种利用多步预测目标函数在线修正解耦控制器的权值．仿真实验表明这两种方法的有效性．     

简单动态递归神经网络在非线性系统辨识中的应用

提出了用一种结构非常简单的动态递归神经网络(SRNN)辨识非线性系统的方法。该方法研究了在递归层不加权的网络简单拓扑结构,推导出SRNN的预报误差(RPE)学习算法,并对算法进行了补充和改进。仿真实验结果表明,这种网络需要调整的权系值少,且改进后的学习算法简单、辨识速度快、模型精度高,解决了一般动态递归网络因网络拓扑结构复杂造成的训练算法复杂、收敛速度慢的问题,可以实时应用。     

基于动态递归模糊神经网络的动态系统辨识

模糊系统和神经网络由于具有逼近任意连续非线性映射的特性而广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识,而现实工程中的控制对象反映的是系统的动态行为.为了提高动态系统的辨识精度,提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导其动态反向传播学习算法及其改进算法.仿真结果表明:由于动态模糊神经网络的辨识过程同时利用了系统的当前数据和历史数据,对动态系统的辨识,特别是对具有纯时间延迟动态系统的辨识,较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.同时,确定网络权值和隶属函数参数初始值的方法可使动态系统的辨识过程具有更快的收敛速度.     

基于神经网络的动态矩阵控制

利用神经网络优化性能指标实现了动态控制，并给出了计算机模拟实例。     

基于递归神经网络模型的传感器非线性动态补偿

讨论了递归神经网络模型在传感器非线性动态补偿中的应用，给出了递归神经网络模型的结构及相应的训练算法．递归神经网络模型本身具有动态映射能力，其结构仅与输入层和中间层的节点数有关，且不需要知道被补偿传感器的结构特性(如输出、输入的最大延迟)等先验知识，简化了动态补偿器的结构设计．采用递推预报误差算法训练神经网络，具有收敛速度快、收敛精度高的特点．实验结果表明，经过补偿后的传感器具有期望的输入输出特性，应用递归神经网络对传感器进行非线性动态补偿是一种行之有效的方法．     

离散时间最优控制问题的一种神经网络新解法

根据人工神经网络理论提出了一种处理最优控制问题的最新思想，即由每一采要时刻系统的输入和响应，快速训练产生一模型网络，并由ＬＱＲ理论直接构造最优反馈策略，和以往研究不同，这里不需要任何离线学习，因而避免了收集离线学习所需数据的困难，可以实现时控制，充分体现了智能控制的特点。     

基于神经网络的非线性系统在线自校正控制及其应用

利用神经网络给出了设计非线性控制系统自适应控制器的方法,主要包括基于神经网络的非线性系统的在线直接自校正和间接自校正控制和满足局部能控一般非线性系统的神经网络自校正控制。从研究结果可以看出,由于神经网络的权系数的可调性以及神经网络对非线性的逼近性,利用神经网络所设计的自适应（或自校正）控制器,其闭环控制系统具有良好的动态与静态响应特性。所提供的控制器都可在线实现     

基于B—P神经网络的非线性系统预测控制的研究

预测控制是以计算机为手段基于模型预测进行控制的方法,但是已有的预测控制算法通常是针对线性渐进稳定对象的,或者即使针对非线性使用了非线性模型,但由于算法过于复杂不能适用于快速系统,本文对复杂非线性系统提出了一种基于Ｂ－神经网络的预测控制方法,仿真和实际结果表明该方法的有效性和快速性,能够实现对非线性系统的实时智能优化控制。     

基于神经网络误差补偿的混沌系统广义预测控制

本利用BP结构神经网络，对混沌系统的建模误差进行预测，并将其补偿到广义预测控制中，以提高算法的鲁棒性，线性模型和神经网络的学习均采用阻尼最小二乘算法．仿真结果表明该算法对混沌系统控制的有效性．     

基于BP神经网络的广义预测控制算法的研究与应用

本文提出了1种基于BP神经网络的广义预测控制算法,其实质是利用BP神经网络来求取广义预测控制的最优控制律.神经网络选用了具有良好逼近性能的BP结构.该算法对广义预测控制算法进行了简化,使其可以应用于快速系统的控制.最后,选用倒立摆系统作为研究的对象,将新算法应用于倒立摆的控制,取得了较好的控制效果.     

多层递归神经网络自适应控制及稳定性分析

提出一种基于多层归神经网络的自适应控制离散时间系统的方法,使用多层递归神经网络及新的动态ＢＰ算法（ＤＢＰ）描述未知系统的输入／输出关系。基于此神经网络模型,提出一种自适应控制方案,并对该方案的闭环稳定性进行了分析。     

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．     

基于人工神经元网络模型的预测控制研究

研究了基于人工神经元网络模型的非线性预测控制，所采用的网络为一种将线性模型与多层前向网络相结合的ＤＬＦ网络，仿真结果表明，该“混合网络”易训练，收敛速度可大大加快，在ＤＬＦ模型的基础上，本文研究了一种非线性预测控制算法，它的显著特点是在线计算量小。对于一非线性过程－球形罐液位的仿真结果表明，基于ＤＬＦ的非线性预测控制效果颇佳。     

递归神经网络的卡尔曼滤波及分层学习算法

将卡尔曼滤波算法引入到递归神经网络的训练当中,并针对递归神经网络、卡尔曼算法及ＢＰ算法的特点,提出了用于递归神经网络的分层学习算法,并给出了理论分析．仿真结果证明了本算法的有效性．     

基于自回归动态神经网络的逆模型辨识及在线控制

研究了自回归动态神经网络及其学习算法，提出应用于动态逆模型辨识的结构，并与ＰＩＤ控制相结合形成了非线性动态对象的在线自适应控制系统．仿真结果表明此方案简单可行，克服了静态网络的一些局限性．