基于增广RBF神经网络的混沌系统辨识

混沌系统的建模与辨识是混沌控制的基础。提出一种动态线性子系统与ＲＢＦ神经网络并联的增广ＲＢＦ神经网络模型,该模型不仅对动态非线性系统具有良好的逼近能力,而且网络学习速度很快。对Ｈｅｎｏｎ系统时间序列的仿真预测结果表明,增广ＲＢＦ网络能有效地用于混沌系统辨识。     

基于RBF网络的发动机起动过程的模型辨识

针对航空发动机在起动过程中,各截面气流处于亚临界状态,难以利用传统的气动热力学方法进行建模的问题,本文利用某型飞机的飞参记录的发动机起动过程的数据作为学习样本,采用径向基（RBF）神经网络的方法,建立了该型发动机起动过程动态模型。仿真结果表明,该方法具有动态性好,精度较高的优点,开辟了发动机中小转速建模的新途径。     

基于卡尔曼滤波的混沌系统辨识

通过建立一种对混沌时间序列进行有效预测的方法构架,试图实现尽可能长期的混沌预测,并重构序列的主动态方程,以便于进一步的分析研究,根据非线性系统的一般框架,首先基于所观测时间序列的基本混沌特性寻找一典型混沌方程作为参考的系统动态方程;然后利用扩展卡尔曼滤波递推得到一动态方程式来逼近系统特性,重构混沌相空间吸引子,仿真结果表明,该方法可以实现较高精度的多步预测并有效地重构系统方程。     

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     

蚁群算法训练神经网络辨识混沌系统

提出了一种利用蚁群算法训练神经网络的算法,进行混沌系统辨识,并与神经网络、遗传神经网络对同一混沌系统辨识的结果进行比较;实验表明:利用蚁群算法训练神经网络进行混沌系统的辨识,能克服BP求解精度低、搜索速度慢、易于陷入局部极小的缺点;与遗传神经网络相比,虽然执行时间有所增加,但求解精度显著提高,可有效用于混沌系统辨识.     

基于RBF神经网络的混沌背景下瞬态弱信号检测

针对海杂波背景下瞬态弱信号检测的问题,采用海杂波混沌模型,基于神经网络重构混沌序列相空间,提出了基于RBF神经网络预测混沌时间序列和瞬态弱信号检测方案。理论分析和仿真结果表明这种方法能够有效实现混沌背景噪声中瞬态弱信号的检测。     

基于混沌同步的线性卷积系统辨识

研究了分段线性连续混沌信号驱动的线性卷积系统的盲辨识问题,提出了基于混沌同步的线性卷积系统辨识方法.借助线性矩阵不等式,利用混沌同步系统构造了基于最小二乘的观测器,并设计自适应算法最小化观测器,从而估计出线性卷积系统的参数.以简单的分段线性混沌系统为例,进行了仿真分析.数值仿真结果与理论分析一致,表明了所提出的算法能正确辨识系统,且算法仅需十几次迭代就能收敛.与传统Bussgang算法相比,所提算法具有更好的噪声鲁棒性,在输入信噪比15dB时,输出信噪比较Bussgang算法高约10dB,且在输入信噪比为0dB时仍有5dB的输出信噪比.     

一类基于RBF神经网络的系统辨识算法设计与仿真

介绍了系统辨识的意义、神经网络的优点和RBF神经网络。着重介绍了RBF神经网络的学习算法以及在系统辨识中的应用,并以仿真例子演示了RBF网络的初始化,训练和实际结果。仿真结果表明所设计的RBF网络具有较快的辨识速度和较好的辨识精度。     

基于一类离散动力系统的混沌加密研究

研究了一类具有良好隐蔽性的一元四次离散动力系统的混沌序列产生情况,提出了混沌序列的异或和图像置乱加密算法,实验结果证明该系统所生成的混沌序列有密钥复杂安全性较高的特点。具有实际应用的价值。     

基于径向基神经网络的混沌加密方案

提出了一种基于径向基(RBF)网络的混沌序列产生方法，并基于这种模型提出了一种新的混沌加密方案。计算机仿其证明利用RBF网络良好的逼近任意非线性映射和处理系统内在的难以解析表达的规律性的能力，及快速的收敛速度，在统一的系统结构下通过权值的切换方式(即用不同的混沌映射)可产生比单一混沌映射更多的、性能更接近理论值的混沌序列，同时基于该模型的混沌加密方案具有高度的保密性和灵敏性。     

可微动力系统的渐近性研究及其在神经网络中的应用

可微动力系统是国内外学者广泛研究的问题有广泛的应用背景．特别是在人工神经网络领域中应用已成为国际学术热点．试图介绍可为动力系统与人工神经网络方面的最新研究成果．     

基于递推k-均值聚类算法的RBF神经网络及其在系统辨识中的应用

提出了一种基于ｋ－均值聚类算法的ＲＢＦ神经网络递推快速学习算法,并用此对动态非线性过程进行辩识。仿真结果表明了本文方法的可行性。     

一种新的基于神经网络混沌吸引子的公钥密码算法

论述了一种新的基于神经网络混沌吸引子的公钥密码算法,在过饱和贮存的Hopfield神经网络模型中混沌吸引子与初始状态之间存在一种单向函数关系,改变神经网络的联结权矩阵,混沌吸引子及其相应的吸引域会随之发生改变,如果以联结权矩阵为陷门,并利用可交换的随机变换矩阵来改变神经网络的联结权矩阵,则可以创建一种新的Diffie-Hellman公钥加密算法．将随机变换矩阵作为私钥,而将变换后的神经网络联结突触矩阵作为公钥,介绍了这种新的公钥加密方案,并分析和讨论其安全性和加密效率。     

一种基于RBF神经网络预测模型的DMC预测控制

研究了一种利用RBF神经网络预测模型的动态矩阵控制算法,首先利用动态节点生成构造性RBF神经网络辨识对象模型,同时预测对象的未来输出,然后用传统的动态矩阵控制算法进行滚动优化和反馈校正。仿真表明该算法在非线性对象的任意工作点都可以通过神经网络辨识获得工作点附近的近似线性模型,具有较好的实时性。     

利用神经网络对温度系统的辨识

针对神经网络对系统辨识时,在一次采样周期内只学习一次样本对的低效率情况,采用一种改进措施,即在一次采样周期内进行多个样本对的学习,同时还采用离线辨识和在线辨识结合的方法,使神经网络能快速、准确地辨识系统的特性．     

利用脉冲控制实现混沌动力系统的同步

研究了混沌动力系统的同步问题．利用线性矩阵不等式理论和脉冲控制的方法,得到了关于混沌动力系统同步控制的一个充分条件．     

利用RBF神经网络实现对非相参积累检测系统中阈值的精确估计

在非相参积累检测系统中 ,容易得到雷达虚警概率关于阈值的解析表达式 ,但难以得到阈值关于虚警概率的解析表达式 ,利用径向基函数 (RBF)神经网络具有良好的逼近任意非线性映射和快速收敛的特点 ,提出了一种精确估计阈值的RBF神经网络方法。仿真结果表明 ,本方法可得到较高的阈值估计精度     

基于RBF神经网络发动机进气总压畸变指数预报

本文基于进气总压畸变试验数据混沌特性分析的基础上，建立了基于混沌参数的RBF神经网络预测模型，并将该模型用于对发动机进气总压畸变指数的预测．结果表明该模型可以对进气总压畸变指数随时间的变化规律做出有效预报。从而为进一步对发动机实施有效的、实时的监控提供有力的保障．