用RBF网络控制非线性系统的混沌运动

设计 RBF前向神经网络 ,以 Ott、Grebogi和 Yorke混沌控制策略作为训练网络控制算法的基础 ,通过参数扰动模型输出数据训练网络来产生控制非线性系统的混沌运动必须的小扰动时间序列信号 ,使其成为混沌控制器 ,将嵌入在混沌吸引子中不稳定周期轨道镇定到稳定不动点 .Hénon映射的数值仿真结果证明该方法十分有效 .图 6 ,参 7     

RBF网络干扰补偿的跷跷板系统解耦滑模控制研究

针对典型的不稳定、高阶次、多变量、强耦合、非线性的跷跷板系统,考虑环境对跷跷板的作用,提出了一种RBF网络干扰补偿解耦滑模控制(RBF-SMC)算法.通过解耦算法对模型进行解耦,并使用RBF神经网络对模型受到的干扰和不确定项自适应逼近补偿,使系统在较小的切换增益下实现较大干扰下的跷跷板平衡控制.在Matlab和Matl...     

一个新混沌系统的控制与同步

讨论了一个新三维混沌系统的控制与同步问题,首先通过对该混沌系统增加一个具有分段二次函数x|x|形式的非线性反馈控制器,利用它将这个新混沌系统控制到低周期轨道.设计了一种新的非线性反馈控制器,实现该新混沌系统的自同步.数值仿真证明了该方法的有效性.     

汽车悬架系统中的混沌现象及其控制

基于磁流变减振器的汽车悬架系统具有明显的滞后非线性，这直接导致了系统存在分岔与混沌的可能性。分析了汽车悬架系统在路面单频正弦激励下的受迫振动，揭示了该系统存在混沌运动的可能性，并在此基础上，利用非线性反馈控制方法时这类混沌行为进行了控制，并采用Melnikov方法确定了该控制系统的增益系数。     

基于RBF网络的混沌动力系统辨识

提出用RBF神经网络对混沌动力系统进行辨识，设计了一个三层RBF网络结构，仿真实验说明了RBF网络用于学习混沌动力系统时的基本性质。用辨识模型重建吸引子方法定性地评价辨识模型，通过计算辨识模型的Lyapunov指数定量地评价辨识模型的性能，同时推导了RBF网络模型Lyapunov指数的计算公式。仿真结果表明，该辨识模型能很好地逼近原混沌动力系统，准确地体现原混沌系统的动力学特性。     

一个新混沌系统的镇定

研究一个新混沌系统的不稳定平衡点的镇定问题.当参数已知时,根据Lyapunov稳定性理论,分别设计了合适的非线性反馈控制器和线性控制器,使受控的新混沌系统期望镇定的任一不稳定平衡点全局指数稳定;当参数未知时,利用自适应策略,构造了相应的控制器使受控系统期望镇定的任一不稳定平衡点渐近稳定.数值仿真结果表明,这些控制方法是有效的.     

混沌系统的非线性反馈的可控性条件

提出了一些非线性反馈控制混沌的可控性条件，这些条件对设计控制混沌的装置提供了新的依据，解决了线性反馈控制难以确定可控性充分必要条件的困难。     

强流束晕-混沌的RBF神经网络控制

以周期性聚焦磁场通道中的Kapchinskij-Vladimirskij（K-V）分布离子束为对象,研究了强流束晕-混沌现象的RBFNN自适应控制方法.该方法以神经网络的输出作为周期聚焦磁场的线性控制因子,通过对外部磁场的线性调节实现束晕-混沌控制.模拟结果表明：当选择恰当的RBFNN控制结构,自适应调整其内部参数,可将混沌变化的束包络半径控制在匹配半径附近单周期稳定振荡;该方法用于多粒子模拟系统中,能较好改善束的品质,束晕-混沌现象能得到有效抑制.     

汽车悬架系统的混沌控制

基于磁流变减振器的汽车悬架系统具有明显的滞后非线性,这直接导致了系统存在分岔与混沌的可能性。分析了汽车悬架系统在路面单频周期激励下的受迫振动,揭示了该系统振动存在混沌的可能性,并在此基础上,利用x|x|形式的非线性反馈控制方法对这类混沌行为进行了控制,为利用混沌序列提供了理论基础。     

混沌系统的非线性反馈控制的可控性条件

提出了一些非线性反馈控制混沌的可控性条件，这些条件对设计控制混沌的装置提供了新的依据，解决了线性反馈控制难以确定可控性充分必要条件的困难。     

线性反馈控制混沌系统

利用线性反馈方法控制混沌运动,使系统稳定到失稳的平衡点或周期解,且用劳斯 胡尔维茨判据对受控系统进行了稳定性分析,将该控制方法应用于Lorenz系统和Rossler系统,其数值仿真结果证实了该控制方法的有效性.     

改进的RBF神经网络模式分类方法理论研究

研究了前向两层径基函数（RBF）网络和前向两层线性基本函数（LBF0网络的发类机理及其结构与初始参数优化确定方法,提出了Guassian核函数的中心和宽度应通过学习自动确定,在学习过程中根据错分样本自身的类别和被错分入的类别自动生成新的核函数,并根据新增核函数对测试集的作用自动删除多余核函数的观点,从理论上阐明了采用Sigmoid活化函数的两层LBF网络的分类阈值为0．5,进而提出了由两层RBF网络和两层LBF网络组成的前向RBF神经网络－－IRBF神经网络。     

改进的RBF神经网络模式分类方法应用研究

经典的Bayes分类方法一般需要事先对样本的分布特性作出假设,当假设模型与样本实际分布情况不相符时,就难以得到较高的分类精度。当处理同类别多区域样本分布问题,例如变标签问题时,距离判别、Fisher判别、k－近邻分类、分段线性分类等统计分析方法遇到困难。双螺旋问题不仅使统计方法受到挑战,更使人们对一般前向多层神经网络的能力提出疑问。本文提出了改进的RBF神经网络结构、核函数个数、位置与宽度优化算法。该算法的计算复杂性与一般前向三层LBF网络所用的误差反传算大致相同。核函数生成既考虑了训练集样本自身的类别因素,又考虑了错分样本与邻近类别的关系。一个核函数的最终保留与否根据其对提高测试集分类正确率的贡献大小来决定。同时实验验证了两层LBF网络对提高改进的RBF网络分类正确率的极端重要性。大量应用实例表明,与前向三层RBF网络和前向三层LBF网络相比,该IRBF网络具有收敛速度快、分类精度高、易于得到最小结构、在学习过程中不易陷入局部极小点等优点,有利于实现实时分析。     

线性反馈控制变形Liu混沌系统同步

提出了一种新的变形Liu混沌系统，并基于变形Liu混沌系统的最大李雅谱诺夫指数，采用线性反馈控制方法，研究了变形Liu混沌系统的同步控制问题，给出了实现变形Liu混沌系统同步的控制参数的取值范围，数值仿真证明了该方法的有效性。     

线性反馈控制变形Liu混沌系统同步

提出了一种新的变形Liu混沌系统，并基于变形Liu混沌系统的最大李雅谱诺夫指数，采用线性反馈控制方法，研究了变形Liu混沌系统的同步控制问题，给出了实现变形Liu混沌系统同步的控制参数的取值范围，数值仿真证明了该方法的有效性。     

地磁流体混沌系统的线性反馈控制

提出一种线性反馈控制方法,对地磁流体Rikitake混沌系统进行反馈控制. 介绍了该方法的控制原理,并利用Matlab对控制结果进行仿真模拟.仿真模拟结果表明, 通过选取适当的反馈系数λ,地磁流体混沌系统的相图轨迹由混沌吸引子转变为周期数为2n×3mp(n、m为整数)的周期轨道.说明这种线性反馈控制方法是简便有效的.     

基于滑模神经网络控制的混沌同步及应用

本文基于滑模控制技术及径向基函数神经网络(RBF),研究了统一混沌系统的同步问题。设计出一个简单单维控制器,将该制器用于初值不同的统一混沌系统同步控制中,实现了统一混沌系统的同步,在Simulink中编写模块搭建混沌同步仿真系统,验证本文方法的有效性,最后将此方法用于混沌保密通信中,利用混沌信号掩盖实际要传输的信号,在接收端,由同步的混沌系统分离出实际传输的信号,成功地实现了信号的加密和还原。     

基于混沌理论与径向基函数神经网络的混沌时间序列预测

根据混沌时间序列的特性 ,给出了将混沌理论与径向基函数神经网络相结合对其预测的方法 .首先在虚假邻域概念基础上 ,提出了可同时确定合适的嵌入维数与时间延迟的方法 ,从而可据此确定径向基函数神经网络的输入 ;然后 ,用径向基函数神经网络进行学习及预测 .最后 ,给出一个实例 .     

基于RBF神经网络模型的臭氧浓度软测量研究

目前的臭氧浓度在线分析测试仪器在臭氧发生器中的应用受到很大限制.通过监测影响臭氧产生浓度的6个参量,基于RBF神经网络模型实现了臭氧浓度软测量.该模型采用梯度下降法确定RBF基函数的中心及输出层权值,可离线和在线校正所建立的神经网络模型.实验证明,软测量模型输出结果与臭氧浓度分析仪测量结果的绝对误差小于5g/m3的达93%以上,绝对误差小于1g/m3的达33%以上,且响应时间小于1s.     

基于自组织选取中心的广义RBF神经网络学习算法

根据RBF网络要学习的3个参数:基函数的中心、方差和权值,提出了广义RBF网络自组织选取中心的学习算法.该算法首先学习隐层基函数的中心与方差,然后学习输出层权值,仿真结果表明了该算法的有效性.