基于递归小波神经网络的非线性动态系统仿真

为提高动态递归神经网络的动态系统仿真能力，在Elman神经网络的基础上，提出动态递归小波神经网络（RWNN），给出了其动态梯度下降算法，并将其成功应用于非线性动态系统仿真．仿真算例表明，该网络具有收敛快，精度高等优点，仿真效果很好，同时具有较好的泛化性能，具有广阔的应用前景。     

神经网络在转台控制系统设计中的应用

针对三轴飞行仿真转台中环电液伺服系统的非线性、参数时变性以及转台的快速性要求，给出了一种具有并行结构的单个神经元PID模型参考自适应控制方法。其中环利用神经网络逼近被控对象，控制器采用单个神经元PID。仿真结果表明该方法满足系统快速性的要求，并具有较好的鲁棒性。     

递归神经网络学习速率研究

针对典型的对角递归神经网络,推导出递归神经网络稳定条件下网络输出层、隐含层及关联层学习速率的具体取值范围。提出设计者可通过从具体系统中获得的数据确定网络各层学习速率的上、下界数值,确定自适应学习速率的初值与调节方法,并可选取最优学习速率。因而该法具有很强的可操作性和实用性。还给出一个具体数值实例,说明自适应学习速率与最佳学习速率的调整过程。     

几种递归神经网络及其在系统辨识中的应用

递归网络中包含延时变量 ,用其来进行系统辨识时可以得到动态网络系统。首先介绍了Elman网络和Jordan网络及其改变型。根据网络的输入 /输出数据 ,采用BP算法和数值优化算法进行训练 ,并利用一个具体的系统模型辨识的例子 ,通过性能对比揭示了各网络用于系统辨识时的优缺点 ,为递归网络的合理应用提供参考。     

基于递归神经网络的焦化废水水质预报

采用铁碳电池预处理、厌氧－好氧－好氧－缺氧多级SBR工艺处理焦化废水实现了稳定的亚硝化反硝化生物脱氮。好氧，缺氧反应器的水质波动大，若能对其水质进行准确预报，对于指导生产操作及工艺流程实现计算控制具有重要意义。本文建立了一个三层递归神经网络模型，对一级好氧、二级好氧、缺氧反应器的主要水质指标实现了准确预测，预报平均相对误差分别为2．86％，4．99％，4．2％。     

动态T-S递归模糊神经网络及其应用

提出了动态T-S递归模糊神经网络(DTRFNN).该网络具有全局收敛特性的递归结构;采用BP算法进行网络权值的学习;并利用Lyapunov定理证明该模型具有全局收敛性,并在此基础上提出了克服局部极小的方法.最后以动态系统的辨识为例,进行实验研究,取得了很好的效果,表明DTRFNN动态模型能很好的对动态系统进行辨识.     

神经网络结构的递归T—S模型模型

提出一种新的递归T－S模型（Takagi-Sugeno模型）的模糊神经网络结构（TSFRNN）,利用动态BP（DBP）算法来学习训练神经网络的参数,通过与通常的多层前馈神经网络结构的T－S模糊神经网络（TSFNN）的对比仿真实验,说明在非线性系统建模方面TSFRNN比TSFNN更加优越。     

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。     

基于PSO算法的递归网络航空发动机随动系统辨识

利用PSO算法优化递归神经网络的权值,提出了一种基于PSO算法的递归网络辨识算法,利用某型航空发动机试车实测的数据作为样本数据,对低压导流叶片角度随动控制系统模型进行了有效辨识。研究结果表明该方法对初始权值不敏感,与最小二乘法和RBF辨识算法相比,辨识精度更高。     

准对角递归神经网络及其算法的研究

提出一种准对角递归神经网络(QDRNN)结构及学习算法。此QDRNN结构上与对角递归神经网络(DRNN)相似，保留了DRNN结构简单的优点，以减小计算量，同时增加了相邻递归神经元之间的关联，可以直接应用BP学习算法进行训练。进一步，引入递推预报误差(RPE)学习算法，并且证明了其稳定性。仿真结果表明，QDRNN比DRNN具有更好的非线性逼近能力，而运算时间却增加甚微，DRNN的学习算法稍加变化即可应用。     

基于回归神经网络的氧乐果合成过程建模与仿真

氧乐果合成过程具有非线性、时变和不确定性的特点，难以采用常规的建模方法建立模型。BP网络可用于非线性系统的建模，但不能很好的反映实际系统的动态特性。提出了一种静态BP神经网络加多分头延时(TDL)环节构成回归神经网络建立系统动态模型的方法，用于氧乐果合成反应温度控制过程的建模与仿真研究。结果表明，该方法建立的模型误差较小、网络泛化能力较强，能较好的反应实际系统的动态特性，从而为培训操作人员的控制水平提供了低成本的仿真手段，也为自动控制算法的研究提供了仿真模型。     

基于循环神经网络的车载DR状态估计

由于噪声的不确定性和自身的非线性特征,通过航位推算系统(DR)精确地估计车辆的状态是实际车辆组合导航中最困难的部分。提出了一种基于循环神经网络的方法,和传统的扩展卡尔曼滤波(EKF)方法相比,该方法不仅提高了系统定位的准确性和自适应抗干扰能力;而且不需要模型的具体解析形式,避免了复杂的 Jacobian 矩阵的计算,算法更简单,也更加易于实现。为了检验其有效性,将两种方法分别对车辆 DR 导航系统进行滤波仿真,仿真结果进一步表明该神经网络方法明显优于 EKF 方法,是车载 DR 导航中一种更理想的非线性滤波方法。     

神经网络方法及其在非线性时间序列预测中的应用

在介绍神经网络方法后，对其应用于非线性时间序列预测进行了探讨。     

回归神经网络辩识电液伺服系统模型与仿真

建立了一种回归神经网络辩识非线性电液伺服控制系统数学模型的辩识方法,研究了基于回归神经网络内部状态反馈的辩识算法,利用辩识实验获得的过程输入/输出数据动态调整神经网络权值。仿真结果辨明:神经网络描述的电液伺服控制系统数学模型具有较高精度,算法全局逼近能力良好。     

神经网络在响应曲面分析中的应用

在简要介绍响应曲面方法 ( Response Surface Methodology即 RSM)基本原理的基础上 ,提出将神经网络应用于 RSM的思想 ,并通过实例予以证明.     

多输入模糊神经网络及其应用

为了提高神经网络的训练速度和泛化能力 ,同时解决一般模糊神经网络由于输入增多而导致模糊规则膨胀的问题 ,提出了多输入模糊神经网络的结构和算法。此算法用取大取小运算部分代替网络的积和运算 ,同时提出一种获取重要规则的方法。最后将多输入模糊神经网络应用于建筑投标报价系统。仿真结果表明 ,本网络具有较快的训练速度和较高的泛化能力。