一类非线性系统的递归神经网络控制

递归神经网络（ＲＮＮ）由于具有极为丰富的动力学行为而被用在非线性控制系统中,但是传统的ＲＮＮ的训练算法不仅复杂,而且容易陷入局部极值点．作者通过对标准的遗传算法的改进,采用格雷编码方式、比赛选择策略和稳定状态更替方式,使其适用于ＲＮＮ控制器结构和参数的确定．此外,把ＲＮＮ控制器用于控制一类ＳＩＭＯ自不稳定非线性系统（ 如倒立摆系统） ,也收到很好的效果．     

基于动态设计变量优化算法的非线性模型参数估计

为消除在传统非线性模型参数估计中由于线性化引起的模型误差,提出了一种基于动态设计变量优化的非线性模型参数估计算法·该算法以每个待估计的参数为设计变量,以与设计变量相关的误差函数为目标函数,并将参数约束条件构造在目标函数中,建立参数估计的最优化问题·针对圆形轨道倒立摆动力学模型进行参数估计,证明该算法具有很高的计算精度和较快的收敛速度,是解决非线性模型参数估计的有效方法之一·     

基于多指标非线性控制的单级倒立摆控制

针对单级倒立摆的稳定性问题,建立了单级倒立摆系统的四阶非线性数学模型,运用多指标非线性控制方法,设计了一个多指标的非线性控制器,并借助于系统特征根配置的方法,整定了该控制器中的c、k参数,实现了小车的水平位置和摆杆角度的稳定控制．最后,同时对线性最优二次型调节器和多指标非线性控制进行仿真对比,仿真表明：与线性最优二次型调节器相比,多指标非线性控制方法在控制效果上更为令人满意．     

基于遗传算法的神经网络学习算法研究

为了克服神经网络结构和参数设计的随机性及依赖于人的经验的缺点,提出了一种改进的基于遗传算法的BP神经网络学习算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性,首先利用遗传算法对神经网络结构、初始连接权和阈值以及学习率和动量因子进行全面进化设计,在解空间中定位出较好的搜索空间,然后在进化神经网络中用训练样本再次寻优。通过利用该算法对XOR问题求解,证明了该算法的有效性,其收敛速度和精度均优于基本BP算法和附加动量项的BP算法。     

基于自适应模糊神经网络的倒立摆控制仿真研究

提出一种自适应模糊神经网络,它能有效地学习和优化模糊控制规则和隶属度函数。并用该网络对单级倒立摆进行控制,仿真结果表明,该网络优于传统的模糊控制和神经网络。     

稳定的神经网络自适应控制

本文主要从理论上研究神经网络控制器实现SISO离散时间非线性系统的轨迹跟踪问题，在反向传播算法的基础上，提出了一种新的神经网络训练方法，该算法可以直接估计出动态系统所需要的前馈控制，并在一定条件下证明了此神经网络控制系统的稳定性，另外还给出了将其应用于几个不同非线性系统的仿真结果。     

求非线性规划全局最优解的一个算法

首先给出了判别ｆ（ｘ）的极小值点ｘ０∈Ｄ是否为ｍｉｎ ｆ（ｘ）的最优解的充分必要条件,在此基础上,给出了求一元函数及多元函烽全局最优解的方法,此外,还给出了求一元函数极值的一个迭代算法。     

基于前馈BP网的倒立摆控制

本文分析了直线一级倒立摆的受力情况,建立状态空间数学模型,构造4输入1输出的三层前馈BP网络.运用引入动量项的改进BP算法对网络进行训练,并将这一网络对倒立摆进行实时控制.实验结果表明BP算法具有算法精度高,实现快,鲁棒性好等优点,应用前景广阔.     

基于二级倒立摆的改进算法的小波神经网络控制

针对小波变换的时频局域化性质,并结合传统神经网络的自学习能力,将小波变换与神经网络融合对二级倒立摆系统进行控制,并在采用共轭梯度算法训练网络时,由于搜索方向和步长计算存在误差,使得产生的各搜索方向不能保证相互共轭,故对该算法进行改进,即在线性搜索时加上区间定位和区间缩小来尽快找到极小点。有效的改善了梯度学习算法收敛速度慢的缺点。仿真结果表明,采用改进的共轭梯度算法的小波神经网络能够很好的实现二级倒立摆的稳定控制,且控制效果好。     

非线性离散动力系统稳定性的等价定理

证明了用K类函数表示的离散动力系统一致稳定和一致渐近稳定的等价定理,进而给出用KL函数刻划的一致渐近稳定判定定理及其逆定理.从而对于离散时间动力系统的扰动分析和相应控制问题研究莫定了严格的理论基础.