一种线性时变系统辨识的递推算法设计及实现

利用方波脉冲变换,针对具有多输入多输出的线性时变系统的辨识问题,推导出一种计算简易可行的辨识算法,该算法具有辨识可延续到任意需要时刻的优点.     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

一类线性时变系统模型参考自适应迭代学习辨识

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应辨识方法与迭代学习相结合,提出了模型参考自适应迭代学习的参数辨识算法。利用模型参考自适应辨识方法得到时变系统参数辨识结构,针对系统可重复的特点,基于Lyapunov方法得到时变参数的迭代学习律。该算法可以辨识快时变的参数,而不需要参数时变结构的信息,并可保证参数估计误差和模型输出误差有界,且沿迭代轴逐点收敛。分析了参数收敛到真值的条件,系统仿真验证了辨识算法的有效性。     

基于神经网络的时变时滞系统自适应内模控制

将基于人工神经网络的时变时滞系统参数辨识算法与内模控制相结合,提出了时 滞系统自适应内模控制算法,理论分析及仿真结果表明,该算法能克服时滞及参数的变化,具有鲁棒性好,抗干扰能力的特点。     

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。     

基于神经网络的系统辨识

本文介绍了一种由系统的输入和输出建立系统预测模型的方法——基于神经网络的辨识。并给出了网络的递推公式,并举例。仿真结果表明,辨识的精度可人为确定。该方法适用于复杂的控制问题或要求控制精度较高的控制问题,如原油含水控制及井下压力的控制等方面。     

基于神经网络的非线笥系统辨识方法

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。     

系统辨识的神经网络实现

采用Ｂｐ算法，给出了一个系统辨识的实现方案，并给出计算机编程算法，为神经网络的理论研究向生产实践应用转化，提出了一条可行的途径。     

线性时变系统的动态矩阵控制

通过对动态矩阵控制算法的研究，系统地将其从线性定常系统推广到线性时变系统，导出了ＳＩＳＯ和ＭＩＭＯ系统的时变预测控制算法，最后给出了仿真结果。     

广义时变系统的最小二乘辨识方法

根据工程背景 ,提出了广义时变参数系统的概念。广义时变系统是指参数随系统可测扰动量变化的一类时变系统 ,即参数是系统可测扰动量函数的时变系统 ,提炼出这类时变系统的数学描述模型。根据最优化技术 ,导出了这类模型的两种辨识方法 ,即最小二乘型算法和随机梯度型算法 ,并应用鞅超收敛定理分析了算法的收敛性。分析表明 :由于该方法同时还利用了系统扰动量所含的信息 ,因而可以给出时变参数的一致估计。数字仿真验证了提出方法用于估计广义时变系统的参数是有效的。     

基于Hopfield神经网络的线性系统参数辨识

基于Ｈｏｐｆｉｅｌｄ网络的神经计算原理,提出了一种新的线性系统参数辨识方法,首先建立系统的Ｉ／Ｏ差分方程以模型误差二次型作为ＨＮＮ的能量函数,辨识差分方程的系数矩阵,最终得到线性系统的全部矩阵参数,数值仿真的结果证明了该方法的有效性。     

线性系统实时辨识在微型计算机上的实现

实现最优控制必须研究控制对象的数学模型.对于定常系统,可以用离线系统辨识方法.如果对象数学模型为时变,就需要实时系统辨识.本文假定对象数学模型的微分方程形式已知,需要通过系统辨识确定其方程的系数,并能追踪参数的变化.这类问题称为灰箱问题.实际遇到的大多数工程系统及工业过程都属于此类问题.系统辨识的理论已相当成熟.本文着重讨论如何在微型计算机有限的资源条件下实现.选择的辨识对象为本校研制的碳纤维热分析仪试样加热电炉及其功率放大器(作为一个系统来进行辨识). 问题之关键在于系统辨识算法的选择.算法决定了系统辨识实现的开销以及辨识的可靠性.经过仿真与系统辨识实验比较,并验证了系统辨识的算法以及起步方式、参数选择、激励信号之产生等实际问题.结论为:对于线性系统实时辨识应用递归算法的最小二乘法比较简易可靠.可以在微型机或单板机上实现.     

集成专家系统和神经网络的煤矿水害预测系统

首次提出了一种混合使用专家系统和神经网络的煤矿水害预测系统的形式定义和基本系统结构，知识表示方法以及推理机制，并对已在微机上实现的系统作了详细论述。实验及试运行结果表明，文中提出的模型充分发挥了专家系统和神经网络各自的长处，因而是实用，合理的，以此模型为基础构造的预测系统具有知识获取方便，预测准确度高，速度快，使用简单，便于推广的特点，为防止矿坑突水灾害事故的发生提供了一种有效的手段。     

线性系统的随机参数辨识和收敛性分析

本文讨论了参数估计和输出误差的收敛性,并给出了系统持续激励的一个充分条件。在此条件下,证明了参数估计和它与时变参数间的估计误差的均方值收敛于随机参数的期望值和均方差值。     

系统建立线性时不变动态网络的状态方程

本文对系统建立线性时不变动态网络的状态变量的选择、规范树的确定提出了严格的规定,推出了建立网络状态方程的一套系统公式,使之有利于网络的计算机辅助分析,并通过例题对其适用性进行了论述。     

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。     

非线性信道判决反馈递归神经网络自适应均衡器

针对存在严重符号间串扰及轻度非线性畸变的数字信道，提出了一种判决反馈递归神经网络为均衡器，它将传统的线性信道判决反馈结构巧妙地融入递归神经中，在自适应训练时用期待２信号代替判决反馈信号。     

基于自适应神经网络的非线性系统的智能故障诊断

针对一类模型未知的非线性系统,提出了一种基于自适应神经网络的故障诊断方法,用RBF神经网络构造了状态估计器和故障估计器,解决了非线性系统状态不可测时的故障诊断问题。并用Lyapunov方法研究了故障误差和状态误差的收敛性,结果表明了该方法实用、有效。     

用多层前馈神经网络进行同调发电机组的在线识别

基于多层前馈神经网络理论，本文提出了电力系统暂态稳定计算中同调发电机组在线识别的基本理论及其算法，文中阐述了这种方法的原理，神经网络的结构及学习算法，分析和计算结果表明，该方法具有准确、快速的优点，在电力系统暂态稳定计算中有很大的应用潜力。     

深层前馈网络的单调同伦学习算法

本文研究前馈神经网络的结构以及快速二阶学习算法，首先提出一种能和适应分布网络结构的深层前馈网络模型，并利用构造性方法证明了该网络的通有逼近性质，为改进网络学习效率及大范围收敛性，提出了网络权值学习的单调同伦方法，该方法具有与牛顿法相同的二阶收敛性，数值实例显示了该方法的高效性与大范围收敛性，深层前馈网络模型具有自适应分布网络结构，高度非线性逼近性以及可实现快速学习算法等特点。