MIMO准线性神经网络的研究与建模

给出了多输入－多输出（MIMO）的准线性神经网络（PNN），采用递推预报误差的二阶算法作为训练方法，讨论了PNN的收敛性，通过对多变量、强耦合的非线性加热炉的动态建模，表明这种神经网络建模方法具有效果良好、参数少、收敛快且准确性高的特点。     

基于概率神经网络的产品质量预测方法研究

对通过正交试验法采集样本数据、采用概率神经网络（PNN）对产品质量进行预测的方法进行研究．并将预测结果与反向传播神经网络（BP）预测结果进行比较。结果表明，在利用正交试验法采集的训练样本数据分别训练PNN和BP网络后发现，概率神经网络的预测准确度远远大于反向传播神经网络，显示了概率神经网络在模式识别领域的优势。     

补偿型多输入多输出的模糊系统解析方法

人的思考、判断、信息处理过程是一个最具代表性的“不明确系统”（ill－defindsystem），也称为模糊系统，通常模糊系统的建模方式有两种，即“悲观建模方式”和“乐观建模方式”，文中讨论了补偿型多输入多输出系统的解析问题．用模糊关系式R°A=B来描述，在已知A和B的情况下求关系矩阵R，还给出了R不存在时的对策，该方法具有良好的解析性和广泛的适用性．     

一种基于概率神经网络多信息融合的移动目标跟踪算法

采用概率神经网络（PNN）实现了对图像序列中移动目标——人头的跟踪．由于采用单一特征信息的跟踪算法在复杂环境中往往失效，故以头部的颜色信息模板和头部轮廓的梯度信息模板作为跟踪依据，并通过改变PNN的结构实现了图像信息的融合以及自适应模板修正．实验结果表明，基于PNN的算法在处理目标的旋转和遮挡时有着良好的效果，且具有简单、跟踪鲁棒性好等特点．     

利用串/并联神经网络建立化学反应器模型

本文研究使用线性动态神经网络与非线性的静态网络相结合的混合建模方式解决复杂非线性系统的建模问题。使用混合神经网络建模，可以降低单个网络的训练难度，基于此，也可将非线性系统控制策略的求解分解，转换为线性系统的求解。从而改善使用单一神经网络建模存在的精度不高以及训练时间长等不足，也为非线性系统控制策略的求解提供方便。本文以一个典型多变量系统——连续搅拌釜式反应器（CSTR）作为仿真对象，详细研究和实现了两类神经网络串联和并联的混合建模方法，并对结果进行了比较。     

循环流化床锅炉燃烧过程的小波建模研究

针对高维非线性系统，分析了基于多分辨分析的正交小波网络的建模能力。并用于循环流化床锅炉燃烧过程的动态建模，根据现场采集的实时数据进行网络训练和泛化实验。理论分析和实验结果表明网络具有良好的辨识精度和泛化能     

多架构建模方法在飞机娱乐系统的实现及应用

 提出了一种实现基于模型的系统工程（MBSE）多架构建模方法。基于多架构建模方法的元元模型，构建了Capella中的特定域建模语言，采用Arcadia建模方法作为建模规范，同时基于架构驱动的方法建立了模型间的追溯关系，形成了一套完整的基于模型的系统工程驱动流程。通过飞机娱乐系统作为案例建立模型，比较Capella建模和多架构建模两种方法，给出了两种方法在效率及效能方面的比较，结果表明多架构建模方法具有建模的高效性和较强的扩展能力，为不同MBSE建模语言和建模方法的整合提供一种解决方案。     

一种基于主元递归分析法的多模糊逻辑系统的组合形式

根据多个模型相加可以提高整体预测精度和鲁棒性的思想，提出了一种具有递阶特点的模糊逻辑模型。该模型采用基于山峰函数的减法聚类算法，将样本数据集分成多组来进行局部模糊模型的建立和训练，大大提高了组合模糊逻辑模型的训练效率。各局部模糊系统的预测输出通过主元递归分析法（PCR）连接，解决了模型之间的严重相关性问题，增强了模型的预测能力，提高了模型的鲁棒性。仿真结果表明，组合多个模糊逻辑模型能够达到比局部模型更好的建模效果，并能有效的改善模型的预测能力和泛化能力。     

灰色系统GM（1,1）模型改进的建模方法

分析灰色系统ＧＭ（１，１）模型建模中所存在的问题，提出以现代非线性回归分析的方法改进ＧＭ（１，１）模型的建模方法。实例计算表明该方法优于传统的建模方法。     

概率神经网络在大气环境质量预测实证中的应用

概率神经网络(Probabilistic Neural Network,PNN)是一种基于概率密度函数理论且泛化能力很强的神经网络,其本质上是对径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的一种重要变形,特别适合于解决分类问题。由于PNN学习算法简单,训练和泛化速度快,因此可以满足实时处理的要求;训练也不需要太多样本,新的训练样本也很容易加入到以前训练好的分类器中,很适合于在线监测。为此本文利用PNN预警模型,结合遥感傅里叶变换红外光谱技术,对大气中的易挥发有机化合物(VOCs)进行遥感、实时、在线、多组分同时监测,起到及时预警的作用。本文所用的易挥发有机化合物为氯仿、甲醇、丙酮、己烷和甲苯等五组分混合体系。预测结果表明,该预警模型具有较高的预测准确率和良好的操作性。通过与传统的反向传播人工神经网络(BP-ANN)算法的对比实验,证明PNN优于BP-ANN算法。     

多层局部回归网络的非线性系统预测模型

提出采用多层局部回归神经网络建立多变量非线性系统多步预测模型的方法,神经 网络模型可提供多步预测控制所需要的系统输出预测值及输出向量对控制向量的雅可比矩 阵．仿真试验表明这种动态神经网络的预测模型具有较高的精度．     

基于动态BP算法的非线性滞后系统辨识

鉴于很多实际问题都可以转化到多示例框架下求解,多示例学习越来越受到机器学习领域内学者们的关注.提出了一个基于Logistic回归模型的多示例学习算法.首先定义了一个新的似然函数来表示每个包的标签与其示例的隐含标签之间的关系,然后利用凝聚函数把该似然函数转化为一个光滑的凹函数,从而使问题可以用常用的无约束优化方法快速求解.在一些标准数据集和一个文本分类问题上的实验结果表明,所提算法要优于其他常用多示例学习算法.     

神经网络在动力学系统建模中的理论研究

动力学系统可以看成是映输入空间到输出空间的一个算子,在特定时刻动力学系统的输出可以看成是其输入空间上的一个泛函,这样动力学系统建模就可以看作是表征系统映射关系的算子或泛函的逼近问题。研究了多层神经网络的非线性映射能力,给出了多层网络可一致逼近有限维空间Ｒｎ紧集上的连续函数、无穷维函数空间紧集上的连续泛函和连续算子的理论证明。得出的几个一般性结论为在动力学系统建模等领域应用神经网络准备了理论工具。     

一类非线性MIMO系统的神经网络直接自适应鲁棒解耦控制

针对一类未知非线性MIMO系统(多输入/多输出系统),应用“主导输入”的概念,基于神经网络理论提出一种直接自适应鲁棒解耦控制方法.该方法不仅保证了闭环系统的稳定,而且使外部干扰、神经网络逼近误差及输入对输出的交叉耦合对跟踪误差的影响衰减到给定的水平.     

多层递归神经网络自适应控制及稳定性分析

提出一种基于多层归神经网络的自适应控制离散时间系统的方法,使用多层递归神经网络及新的动态ＢＰ算法（ＤＢＰ）描述未知系统的输入／输出关系。基于此神经网络模型,提出一种自适应控制方案,并对该方案的闭环稳定性进行了分析。     

基于动态递归神经网络的动态矩阵控制

给出了利用动态递归神经网络 (DRNN)重构一个非线性动态过程的方法 ,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征 ,容易实现并进行稳定性分析。利用训练好的网络作为预估模型 ,设计了基于DRNN的动态矩阵控制算法。仿真结果表明了权值调整算法和控制策略的有效性     

制冷系统的综合优化控制模型

建立了制冷系统的多输入多输出模型，系统模型中包含了用集总参数和相移动边界法建立的热交换器动态模型，以及压缩机和膨胀阀的稳态流动模型，在以模型为基础的各种智能控制方式中，所建立的系统模型对制冷机控制具有通用性，它能完整地反映制冷系统的多输入多输出关系，并能从模型仿真中获得系统参数之间的动态关联，从而根据分析结果采取相应的控制对策，因此它不仅是进行整个系统综合优化控制的基础，也可以针对所选定的受控参数和控制方式对制冷系统实施最佳控制。     

基于混沌神经网络的压电陶瓷迟滞模型

为解决压电陶瓷迟滞建模问题,提出一种新型的G-S混沌神经网络模型. 该网络由输入层、隐层和输出层构成,在输入层中引入延迟环节,从而使得历史输入能够对当前输入的响应产生影响. 网络的学习过程是一种混沌优化算法,可有效避免普通神经网络的局部极值和假饱和现象的发生. 将该网络应用于纳米定位系统压电陶瓷执行器迟滞建模中,可以降低建模误差,实验结果验证了该方法的有效性.     

催化裂化装置的非线性预测控制

基于反馈线性化方法,提出了一种有输入、输出约束条件的多入多出非线性系统的预测控制方法。催化裂化装置(FCCU)的反应再生部分是一个典型的非线性系统,基于FCCU的机理模型,采用该控制方法设计了非线性预测控制器,并对其跟踪能力和稳定性进行了仿真分析。仿真结果表明,所设计的控制器具有良好的跟踪性能和稳定性。