前移双回归神经网络预测模型

构造一种称为前移双回归神经网络的时间序列预测新方法,克服了以往多元线性回归只考虑外部影响因素(外因)、时间序列自回归只考虑自身以往结果(内因)的不足,又结合神经网络弥补了二者都是线性模型而未考虑非线性关系的缺陷.结合国际油价预测实例证实新模型确实优于传统模型.     

一种局部回归神经网络的快速算法

针对目前局部回归神经网络动态ＢＰ算法的误差导数计算复杂、收敛速度慢的缺陷,提出了一种新的快速算法、该算法是将信号流图引入动态ＢＰ算法,较好地解决了求导数的复杂性,同时采用ＢＦＧＳ算法另快了网络的收敛速度仿真结果表明了本算法的有效性。     

一种非线性移动自回归预测模型

应用非线性回归分析中的S型增长模型及移动平均线理论,对按时间次序排列的单一数据序列,给出了一种非线性移动的自回归预测模型,将其应用于股价指数的历史数据中,对该预测模型的合理性和准确性作了初步验证,得到的结果相当理想,本模型具有一定的实际应用价值。     

非线性回归软件设计

本文介绍了DataProc实验数据处理软件功能之一－非线性回归，提出了非线性回归的一种方法，用此方法可对超越函数关系进行回归分析，并据此编制了应用软件，给出了软件应用实例二则。     

非线性回归分析中的神经网络方法

基于三层前馈式人工神经网络,提出一种用于确定一类非线性曲线回归参数的有效方法。通过实例学习,结果表明,该方法具有良好的参数辨识效果     

基于神经网络局部模型的非线性系统辨识的研究

讨论了一种基于多层种经网络的用于非线性系统辨识的局部模型网络的结构、原理和网络训练方法,为非线性系统的自适应控制提供了一条新途径。     

两自由度非线性耦合系统振动的局部化

通过将非线性模态方法和摄动技术相结合,研究了两自由度非对称三次系统当子系统之间线性耦合退化和非共振时的一种奇异-振动局部化,解析地得到了局部化的参数门槛值,研究结果表明,退化系统出现单模态运动,振动局部化的强弱与非对称参数和非线性耦合刚度有关,最后,理论分析结果被数值模拟所验证。     

基于回归神经网络的非线性动态数据校核及其应用

研究了简化型内回归神经网络基于自适应梯度下降法的训练算法，并提出了一种基于简化型内回归神经网络的非线性动态数据校核新方法，结果表明所提出的方法能够有效地对非线性动态过程进行数据校核，并具有良好性能，与传统的动态数据校核方法相比，所提出方法具有不需要掌握过程本身的精确模型，避免了过程模型误差可能带来的估计误差，不需事先知道测量噪声和过程噪声的统计特性等特点。     

非线性系统的H∞局部控制问题

对于一般的非线性控制系统，用状态反馈研究了Ｈ∞局部控制问题，获得的主要定理陈述这样的事实：如果对应的线性化系统的Ｈ∞控制问题能解，则此非线性系统的Ｈ∞局部控制总是也能解。     

两自由度局部非线性系统的脉冲响应时域法

将两自由度局部非线性振动系统的非线性弹簧力和阻尼力等效成外力,建立数学模型,将线性振动系统的脉冲响应时域法应用于该振动系统,通过对应线性系统的单位脉冲响应与等效非线性力的卷积积分,得到局部非线性振动系统的响应;对该模型进行了数值仿真．实验模型测试结果验证了该方法在局部非线性振动系统领域的可行性,为求解具有局部非线性的大型机械系统的振动响应提供了一种新的思路．     

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．     

A Multilayer Recurrent Fuzzy Neural Network for Accurate Dynamic System Modeling

A multilayer recurrent fuzzy neural network （MRFNN） is proposed for accurate dynamic system modeling. The proposed MRFNN has six layers combined with T-S fuzzy model. The recurrent structures are formed by local feedback connections in the membership layer and the rule layer. With these feedbacks, the fuzzy sets are time-varying and the temporal problem of dynamic system can be solved well. The parameters of MRFNN are learned by chaotic search （CS） and least square estimation （LSE） simultaneously, where CS is for tuning the premise parameters and LSE is for updating the consequent coefficients accordingly. Results of simulations show the proposed approach is effective for dynamic system modeling with high accuracy.     

反馈神经网络对非线性时变离散系统的近似

对反馈神经网络近似非线性离散系统的能力进行了扩展研究 ,针对于更普遍的非线性时变离散系统 ,证明了它们在有限时间段内的输出轨迹可以被反馈神经网络输出神经元的状态向量近似到任何程度。     

一种递归模糊神经网络的广义预测控制方法

提出了一种递归模糊神经网络(RFNN),通过加入向量调节层,提高了网络对输入信息的处理能力。基于所设计的递归模糊神经网络,建立非线性系统的离散数学多步模糊预测模型,根据这一模型对系统的输出进行预测,然后利用预测控制算法得到相应的预测控制规律。仿真结果表明该方法具有较高的控制精度以及一定的抗干扰能力。     

基于神经网络的非线性系统辨识方法

主要介绍利用多层神经网络进行非线性系统辨识的几种模型以及相应的算法，并分析和比较它们的辨识性能．为高度不确定性动态系统的综合设计提出了一种分析方法。     

基于对角递归神经网络的建模及应用

介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性.     

ARMAX模型与多层BP网络流量演算法比较

分别给出了将ＡＲＭＡＸ模型及多层ＢＰ网络应用于流量演算中模型参数确定的方法;提出了一种可进行误差实时校正的改进ＡＲＭＡＸ模型,并认为该模型实质上是一种特殊的两层ＢＰ网络;用一个实际算例将改进ＡＲＭＡＸ模型与多层ＢＰ网络两种方法作了对比分析．     

基于回归神经网络的复杂工业对象的建模

讨论一种动态神经网络－Ｅｌｍａｎ回归神经网络的结构和算法,基于这一网络结构提出了非线性时变工业对象－直流电弧的神经网络建模方法,并与用其他方法为对象建立的模型进行了比较。     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性     

基于BP神经网络的非线性广义预测控制

广义预测控制在理论上已经有了很深的研究,并在工业控制中获得了应用,但广义预测控制存在着模型失配和系统不确定等缺陷.为克服上述缺陷,本文提出基于BP神经网络建立一个对象模型,用修正的误差预测值对输出预测值进行补偿,从而实现对被控对象的预测控制.通过Matlab仿真,表明神经网络预测控制对非线性系统具有较好的控制效果.