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。     

利用反馈神经网络对非线性连续系统进行实时建模

利用时变反馈神经网络的概念及二维线性连续 离散型系统的理论给出了非线性连续系统的一种实时建模方法.理论及仿真实验结果均表明,这种实时模型能够任意逼近非线性连续系统.     

一类非线性系统反馈线性化的遗传神经网络实现

利用Ｈｏｐｆｉｅｌｄ反馈神经网络对一类仿射非线性系统进行反馈线性化，然后利用常规的ＰＩ控制方法设计控制器，同时指出，利用神经网络不仅可以对系统的状态进行辨识，而且可以辨识其相对阶数，并给出了完整的证明，在训练神经网络时，提出了一直直接基于寻优参数的遗传算法ＤＰＧＡ，仿真结果说明了该线性化方法的有效性。     

用带非线性自反馈的神经网络求解最大团问题

针对饱和非线性动态网络算法(SLDN算法)解最大团问题容易陷入局部最优这一缺点,提出了解决该问题的一种新的神经网络算法,并构建了新数学模型.该算法在SLDN算法基础上加入了非线性自反馈,具备良好的动力学特性.分析了加入非线性自反馈后的收敛性,并且通过仿真实验表明其整体性能要优于SLDN算法.     

非线性信道判决反馈快速收敛神经网络均衡器

针对严重符号间串扰及轻度非线性畸变的数学信道，提出了一种神经网络判决反馈均衡器。它将传统的线性信道判决反馈结构巧妙地随入二层感知器中，学习时充分利用训练信号的信息，在可调权数较少的情况下，取得了较好的均衡效果；人为选择初始权值大大提高了收敛速度。模拟结果表明：该均衡器简单实用、便于实时处理，且均衡性能有较大的改善。     

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。     

三角形式非线性离散系统自适应神经网络控制

针对一类控制输入为三角形式的多输入多输出离散非线性系统,提出了基于反步法的自适应神经网络控制方法.由于该系统的控制输入为非仿射形式,不能采用反馈线性化的方法设计控制系统;因此,首先采用隐函数定理证实了能够使系统输出跟踪期望轨迹的理想控制输入的存在性,并构造了理想的控制输入.利用高阶神经网络估计这些控制输入,提出了基于反步法的自适应神经网络控制方法.证明了所提出的控制方法能够保证闭环系统的所有信号半全局一致最终有界,并通过仿真验证了该方法的有效性.     

基于BP神经网络的开关磁阻电动机非线性建模

为提高开关磁阻电动机（SRM）调速系统性能，在测取准确磁特性样本数据基础上，利用神经网络所具有的非线性映射能力，基于Levenberg-Marquardt算法的BP神经网络建立了SRM的非线性模型。该模型训练收敛快，泛化能力强，且网络规模小，便于实时控制，经与样机实测数据比较，验证了该模型的准确性，将所建模型与准线性模型对比，显示出神经网络模型优越。     

非线性离散系统的学习控制方法

对非线性离散系统的学习控制方法进行了研究,引进了离散的λ（ζ）－范数,给出了新的学习控制算法,实现了不依赖于学习控制初始数据的目标跟踪问题。为离散系统的学习控制方法的顺利发展和相应基本理论的建立进行了尝试性的探索工作。     

非线性离散系统状态跟踪的学习控制方法

本文探讨了一类非线性离散系统状态跟踪问题,在所给学习算法下,将学习控制问题转化为离散动力系统的平凡解全局稳定性问题,获得了对系统理想状态高精度跟踪的结果。     

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 .     

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。     

二阶对角递归神经网络船舶横摇运动预测

提出一种船舶横摇时间序列预测方法.该方法使用在隐层具有2个反馈权值的对角递归神经网络进行预测,给出了此网络易于实现的动量梯度学习算法(DBP),并对其收敛性进行了验证.运用该模型对我国某型船舶在横浪中航行情况进行预测,结果表明:本网络可以储存更多的历史数据,有更好的记忆性能,所使用的模型比DRNN模型及前向网络BP模型能快速、准确地预测船舶横摇运动时间序列,仿真实验验证了该方法的可行性与有效性.     

基于递归模糊神经网络的多时延基因调控网络构建方法

为了处理连续的时序基因表达数据,提出了一个基于递归模糊神经网络的多时延基因调控网络构建算法.该算法能直接用于分析连续的时序基因表达数据,避免离散化数据造成的信息损失.使用时序互信息估计基因间的转录时延,并限制每个基因的潜在调控基因,从而有效提高建网的效率和精确度.酵母菌细胞周期表达数据的实验结果表明该算法能正确选择潜在的调控基因,更加精确地构建基因调控网络.     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

一种非线性系统的神经网络自适应控制

带有死区非线性的系统广泛存在于各个领域，特别是机械领域中．该文采用人工神经网络实现的自适应控制器对这种非线性系统进行了控制研究，MATLAB仿真结果表明，这种自适应控制器能对该类非线性系统能实行有效的控制．采用这种自适应算法由于不再需要调整参数，将使控制系统的整定变得简单．     

RNN神经网络的应用研究

对动态回归神经网络模型结构与算法进行了分析，采用多层反馈ＲＮＮ网络，以典型的非线性化工过程ＣＳＴＲ为应用对象，比较了采用前馈ＢＰ网络和Ｅｌｍａｎ的ＲＮＮ网络进行模型化与模拟，最后用一个时变过程和苯酐工业生产过程模拟验证。结果表明，动态回归神经网络具有较好的收敛性和稳定性，可用于复杂动态过程的工业应用。     

回归神经网络控制器的研究与应用

分析了利用具有多层反馈的动态回归神经网络作为控制器的可行性 ,构造了基于RNN的控制系统,并对典型的非线性化工对象连续搅拌釜反应器(CSTR)和化工过程Benchmark问题进行了实时的控制应用。结果表明,多层反馈的回归神经网络控制器具有结构简单、控制效果好的优点,特别是在对Benchmark控制中采用了多入多出的RNN控制器构造的串级控制系统,体现了RNN控制系统的强适应能力,可用于复杂动态过程的控制。     

基于对角递归神经网络的控制系统

针对角递归神经网络具有结构简单、收敛速度快,可广泛用于非线性系统的辨识与控制的特点.基于工业自动化通用技术平台(IAP),采用图形化控制策略组态技术开发了一套基于对角递归神经网络的控制系统,该系统具有基于参考模型跟踪的控制结构,可快速自适应地调整控制器参数.仿真实验结果表明,基于对角递归神经网络的控制系统控制精度高、稳定性好,可成为处理复杂工业过程,尤其是解决不确定和非线性领域问题的有效工具.