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FLANN的非线性动态系统辨识

采用一种基于FLANN-PSO的SISO非线性动态系统辨识方法,构造了基于FLANN的辨识模型,然后运用PSO优化算法实现模型权值辨识.通过对4种典型非线性动态系统进行了辨识仿真,结果表明该方法具有良好的性能和高辨识精度,它将更适合于工程实际需要.     

基于神经网络的非线性系统辨识

基于神经网络实现了非线性系统的分析,给出了计算实例,实验结果表明了方法的有效性。     

基于遗传程序设计的非线性系统参数辨识

遗传程序设计(GP)是一种自适应的与问题无关的进化算法,它克服了遗传算法的容易陷入局部极值的缺陷。本文讨论使用遗传程序设计对非线性系统进行参数辨识的算法,实现及应用,实验证明:该方法具有收敛速度和精度的明显优势。     

神经网络在非线性系统参数辨识中应用

要对非线性系统进行控制，必须掌握其模型．介绍一种辨识非线性系统模型的方法，该方法利用多层神经网络可以逼近任何非线性函数这一理论，提出针对非线性系统构造神经网络模型，并给出一种实用的BP算法．最后通过仿真实验，证明该方法切实可行．     

非线性BP算法在系统辨识中的应用

研究利用非线性ＢＰ算法训练多层前馈神经网络,对非线性动力系统进行建模,给出了基于非线性ＢＰ算法的系统辨识计算步骤,通过仿真计算表明,基于非线性ＢＰ算法的系统辨识至少可以获得与常规ＢＰ算法同样的效果,因为不需要计算神经元激活函数的导函数,文中的结果可以更小的代价实现基于神经网络的控制器。     

基于过程神经网络的非线性动态系统辨识

研究了过程神经网络在非线性动态系统辨识方面的应用.针对传统神经网络在解决系统过程式输入和时间顺序依赖性问题时出现的使模型和算法复杂化的弊端,提出了一种时变输入输出的过程神经元网络模型作为系统的辨识模型,采用基于函数基展开的梯度下降算法,以油田井组注采系统为例验证了模型和算法的有效性,进而说明了过程神经元网络对于解决系统过程式输入的非线性动态系统辨识问题的适用性.     

基于小波神经网络的非线性动态系统辨识

在小波神经网络的基础上提出了一种辨识非线性动态系统的方法．该方法有效地将系统辨识所需要的结构形式与多层神经网络及小波基函数所构成的分辨率信息处理过程相结合,建立了从数据到符号的自适应机制．仿真结果表明,该方法具有收敛速度快、逼近精度高、鲁棒性好等优点．     

基于人工神经网络的发电生产过程辨识

根据发电生产过程的实际情况,针对不同时间段的生产工况特点,提出了用不同神经网络辨识不同时段内发电生产过程数学模型的一种新的辨识方法,给出2种神经网络模型,比较了2各辨识方法的结果。     

基于GA-BP算法的神经网络非线性系统辨识与仿真

本文根据神经网络在非线性函数中的逼近能力,发挥遗传算法(GA)全局寻优和BP算法局部收敛结合的优势,将GA-BP算法应用于神经网络,完成系统的非线性辨识功能.仿真结果表明:基于GA-BP算法的神经网络具有良好的非线性逼近能力和泛化能力,具有较高的系统辨识精度.     

MATLAB在热工系统辨识中的应用

热工系统的动态特性在许多情况下很难用明确的数学模型来表达,而系统的数学模型在自动控制的分析、设计和综合中又占有重要的地位。首先论述了热工过程系统辨识的一般方法和步骤及其MATLAB实现方式;针对热工过程中普遍存在的非线性环节,更进一步介绍了神经网络在非线性系统中的应用,并给出了相对直观的MATLAB实现方法。     

基于神经网络的负载识别

提出了基于神经网络的负载识别方法,对供电系统管理有重要的现实意义.     

人工神经网络在自动控制系统中的应用

神经网络以其可学习的特性和高度的并行结构成为自控界的热门研究课题 它能以任意精度逼近任意连续非线性函数 ,能同时处理定量和定性的信息 ,能很好的协调多种输入信息关系 ,适用于多信息融合和多媒体技术 它为解决不确定性系统的许多控制问题及高度非线性问题提供了一个有力的工具 介绍了网络用于自动控制系统的主要特征 ,重点阐述了神经网络在系统辨识和模糊控制系统中的应用 ,并讨论了发展概况及趋势     

利用人工神经网络来改善模糊系统的控制性能

本文提出了在模糊系统中引入人工神经元网络,以便利用神经网络的自学习能力和并行处理特性来改善模糊系统的控制性能。文中介绍了具体的控制方案和人工神经网络的学习算法,然后给出了计算机模拟的结果。     

遗传算法在系统辨识中的应用

对遗传算法的机理和实现步骤进行了介绍,综述了遗传算法在系统辨识中的应用.针对不同的辨识模型,讨论了遗传算法不同的应用形式,研究了遗传算法结合神经网络技术在系统辨识中的应用,最后探讨了遗传算法在系统辨识中的研究方向.     

基于人工神经网络的船舶运动数学模型的辨识

根据船舶海上航行的实际情况,针对船舶运动的特点,提出了用不同神经网络对船舶运动数学模型进行辨识的新方法。给出2种神经网络模型,并比较这2种模型的辨识效果。     

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。     

基于混合神经网络的模糊辨识方法

提出一种简明而有效的基于混合神经网络的模糊辨识方法．与现有方法不同,该模糊辨识方法采用自组织神经网络和模糊聚类网络两部分组成的三层神经网络来实现．实验结果表明,该方法可以为模糊建模提供好的模型结构,并具有较高的计算效率和精度．     

基于PID神经网络的非线性系统辨识与控制

针对工业控制领域中非线性系统采用传统的控制方法不能达到满意的控制效果,提出一种基于P ID神经网络的控制方案,以对其进行辨识和控制。将P ID神经网络引入控制系统中,既具有常规P ID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力。仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求。     

神经网络仿PID参数自适应控制器及其应用

介绍了基于BP神经网络的仿PID自适应控制器,给出了控制算法,推导了基于变形Elman网络的系统辨识算法,仿真及应用表明此方法是可行的。