TSK动态网络及其在非线性动态系统中的应用

针对非线性动态系统特点，提出了一种新型的基于TSK模糊模型的动态回归模糊神经网DRFNN（Dynamic recurrent fuzzy neural networks），并给出了网络参教的迭代算法和基于李亚普诺夫稳定理论的收敛性证明。该动态回归网络由静态网络和内反馈动态回归网络组成，在结构上更好的拟合了非线性动态系统特点，应用于非线性动态系统的辨识和控制的试验结果也说明该动态回归模糊神经网络对解决非线性动态系统辨识和控制问题的有效性。     

基于动态递归模糊神经网络盲均衡算法的研究

模糊系统和神经网络已广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识;而由于无线通信信道的时变性和不确定性,决定了盲均衡器本身就是一个动态的均衡过程,所以研究利用动态递归模糊神经网络的盲均衡算法是可行的,而且也是必要的。仿真结果表明:由于动态模糊神经网络的均衡过程同时利用了系统的当前数据和历史数据,对动态系统的均衡,较传统神经网络在均衡的精度和稳定性方面具有更好的效果。     

自适应T-S型模糊径向基函数网络

针对T-S型模糊推理系统的模型参数辨识问题,充分利用模糊推理系统的可理解性与神经网络的学习能力,提出一种自适应T-S型模糊径向基函数网络。为设计满足精度要求的最小结构神经网络,在对网络学习动态进行分析的基础上,给出了网络拓扑结构的动态构造学习算法。在不需要任何先验知识的情况下,能够根据任务复杂度和学习进度进行网络隐层节点的自适应增加、合并和删除操作。将该网络应用于非线性函数逼近问题,取得较好的效果。     

动态模糊神经网络在并联平台控制中的应用

针对六自由度并联平台运动控制精度不高的缺点,结合人工神经网络的优点,提出了一种动态模糊神经网络(DFNN)控制器来控制并联平台.此动态模糊神经网络由前向模糊神经网络的规一化层和输出层之间加入递归层构成,同时根据其特点给出了网络参数的学习算法,此动态模糊神经网络具有动态映射能力,对动态系统具有更好的响应效果.利用动态模糊神经网络控制器对并联平台的轨迹跟踪控制进行了仿真,结果表明此控制算法具有较好的跟踪性能和较强的鲁棒性.     

一种模糊神经网络控制系统研究

针对被控过程的非线性、时变性和复杂性,提出了一种模糊神经控制器与动态辨识器组成的控制系统。该系统的控制器采用模糊神经网络控制器,它的控制参数采用遗传算法全局离线优化对BP算法局部在线调整相结合的混合方法;该系统的辨识器采用变形Elman动态神经网络进行系统辨识。给出了该系统的结构、原理及工作流程,通过仿真实验证明该系统的可行性和有效性。     

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.     

基于RBF神经网络的柔性机构动态响应辨识模型

通过神经网络技术对柔性机构复杂的非线性动态响应进行辨识,建立了柔性机构运动参数的辨识模型。利用径向基函数(radial basis function,RBF)神经网络优异的非线性逼近能力,建立了柔性机构动态响应的辨识模型。将机构的驱动力矩、阻尼力矩和非线性运动参数分别作为RBF神经网络的输入样本和期望输出样本。建立了RBF神经网络的拓扑结构,利用样本数据对其进行训练。通过空间站柔性展开机构模型进行动态响应的辨识,结果表明辨识的收敛速度快,精度高。该方法为复杂大系统的建模和分析提供了一种理想的途径。     

基于Elman网络结构的惯导平台漂移模型辨识方法

针对惯性导航平台漂移误差高阶非线性动态系统的特点,利用神经网络的任意逼近能力和自适应抽取系统动态信息的能力,提出基于Elman网络结构的惯性导航平台漂移模型辨识方案。首先建立惯性导航平台漂移误差模型,并选择了用于网络辩识的输入、输出量。采用动量及可变学习速率算法加速网络的收敛;在该算法的基础上,针对网络隐层,提出的扩展非线性节点函数能更好地改善网络学习效率,满足系统辨识实时性和精确性的需要。通过测得的惯性导航平台漂移误差数据对网络进行训练,获得了较为满意的辨识结果。     

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

基于动态小波神经网络的非线性动态系统辨识

一种隐层由小波基组成的神经网络被用来实现非线性系统的输入输出之间的映射关系.为描述系统的动态特性,在网络中引入了自回归连接结构.本文给出了详细的用小波神经网络进行系统辨识的算法和步骤.本文提出了一种FC+GD算法以提高训练神经网络的收敛速度.最后,将所提出的方法用于CSTR模型的辨识,并与RBF和MLP网络相比较.     

基于动态模糊神经网络的飞行仿真模拟转台控制

给出了一种新型的动态模糊神经网络及其详细的推理过程和参数迭代算法，并应用于高精度飞行仿真模拟转台控制，控制方法结合了神经网络、模糊推理和动态反馈控制的优点，结构简单、收敛速度快、实时性好。实际控制效果表明该控制方法比PID 前馈控制具有更好的控制性能，并且具有更强的抗干扰能力和鲁棒性。     

一类高精度伺服系统基于模糊神经网络的复合控制

针对高精度伺服系统中存在的各种非线性及不确定性 ,提出了基于模糊神经网络的复合控制方法。控制器由前馈控制器和闭环反馈控制器组成。前馈控制器由零相差跟踪控制器 (ZPETC)及FIR滤波器构成 ,闭环反馈控制器采用模糊神经网络控制 ,包含一个辨识网络FNNI和控制网络FNNC。该控制方法结合了神经网络和模糊推理的优点 ,可以克服各种非线性和不确定性 ,明显提高跟踪性能 ,具有很好的鲁棒性。提出的模糊神经网络结构简单 ,推理算法易于实现 ,并且可以更合理地选择初始权值 ,加快了网络的收敛速度 ,在一定程度上解决了神经网络的实时性问题     

飞行仿真转台模糊神经网络补偿的复合控制

针对飞行仿真转台系统的非线性和不确定性,提出了基于模糊神经网络补偿的复合控制器,该控制器由前馈控制器、闭环控制器及模糊神经网络补偿环节组成。前馈环节由零相差跟踪控制器及FIR滤波器构成,闭环控制器由PD控制及干扰观测器构成,补偿环节由一动态模糊神经网络实现,给出了基于Lyapunov函数的稳定性证明。该控制方法突出优点在于兼顾考虑了系统中的结构化不确定性和非结构化不确定性,能够在外部干扰与参数摄动并存的情况下,保证系统的稳定性和跟踪性能。     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

基于分组动态帧和查询栈的射频识别反碰撞算法

在对现有RFID反碰撞算法综合分析的基础上,提出了一种基于分组动态帧和查询栈的射频识别反碰撞算法,即先分配最优分组数和帧长逐组逐个时隙识别标签,再针对发生碰撞的时隙采用查询栈算法识别碰撞标签。该算法同时具有ALOHA系列算法和树形算法的优点,具有高吞吐率、低通信负担、无遗漏识别等特点。同时,该算法还以较小的读写器额外硬件开销降低了以往算法对标签内额外硬件开销的要求,适合应用于具有大量被动标签的RFID系统中。

Abstract：

Firstly,existing representative RFID anti-collision algorithms were analyzed,and then a novel anti-collision algorithm was proposed which based on dynamic frame and query stack.The proposed algorithm has obvious advantages of high system throughput,low communication overhead and exhaustive tag identification.Furthermore,the algorithm also reduces the requirement of tag hardware at the less cost of extra reader hardware,which ensures it can be applied in RFID systems widely.     

基于RBF网络非线性系统逆控制的一种设计方案

基于逆动力学控制的思想,提出一种RBF神经网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF神经网络结构和最近邻聚类算法,实现了对系统逆动力学模型的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题。仿真实验证明该控制策略不仅能使系统具有良好的动态跟踪性能和抗干扰能力,而且具有较强的鲁棒性。     

基于“当前”统计模型的高动态GPS信号跟踪算法

提出了一种新的高动态GPS信号跟踪算法,基于＂当前＂统计模型对载波瞬时相位过程、瞬时频率及瞬时频率变化率过程进行建模;在此基础上,结合系统状态方程为线性而量测方程为非线性的特性,采用简化UKF算法对信号参数进行估计,同时采用EKF和标准UKF滤波算法在同等条件下对信号参数进行估计比对。仿真结果表明对信号参数所建模型能真实反映信号的过程,验证了所建模型的正确性的;简化UKF参数估计结果不仅精度与标准UKF相当且具有较高的运算效率,能更好满足高动态下的实时性需求。

Abstract：

A new high dynamic GPS signal tracking algorithm was proposed.Based on current statistical model,a new model for the GPS signal transitional process was established.Since the system involved a linear state equation and a nonlinear measurement equation,a simple Unscented Kalman Filter （UKF） algorithm was applied to estimation the signal parameters.For comparison purpose,an Extended Kalman Filter （EKF） algorithm and a standard UKF algorithm were also applied to the system to illustrate the effectiveness of the proposed filtering algorithm.Simulation results show that the new model can precisely represent the real signal process,and the simple UKF algorithm achieves high precision comparable to standard UKF with higher operation efficiency.Therefore,the new model and the proposed algorithm can satisfy real time requirement in high dynamic environment.     

基于RS-DBN的电子对抗目标清单生成方法

由于电子对抗作战目标类型和工作方式多样, 变化速度快, 有效信息难以充分获得, 且在不同作战阶段呈现出不同特点, 使用传统评估方法难以对其等级排序实施精确评估。对此, 提出一种基于随机集的动态贝叶斯网络电子对抗目标等级评估方法。首先，对电子对抗作战目标清单生成方式进行梳理, 确定了评价指标体系, 并根据作战阶段的变化特点，结合动态贝叶斯网络完善了评价体系。然后, 充分考虑作战过程中数据获取不完整的特点, 通过引入随机集方法将传统贝叶斯网络的节点参数求解方法进行拓展, 使用区间数学的思想得到了较为准确的动态贝叶斯网络节点参数。最后，进行了案例仿真计算和结果分析, 并对节点概率确定方法进行算法复杂度讨论。结果表明，所提方法更加适合样本不完整的军事评估问题, 评估结果与实际作战基本一致, 使用的算法具有高效性、适用性和推广性。