基于聚类算法的神经模糊推理系统结构和参数的优化

根据社会网络与模糊逻辑系统的各自特性，在分析了扩展RBF网络与T－S型模糊逻辑系统功能等价性的基础之上，提出了扩展RBF网络与T－S型模糊逻辑系统相互融合的一种新的自适应模糊逻辑系统，考察了系统现有的结构和参数优化方法，提出了采用基于山峰函数的减法聚类算法与由梯度下降算法和最小二乘算法所组成的混合学习算法来对模糊推理系统进行训练，从而优化自适应模糊推理系统的结构和参数，最后，针对一非线性函数逼近问题进行了验证，仿真取得了很好的效果。系统的逼近精度和收敛速度获得了明显的提高，从而表明本文提出的算法是有效性和可行性。     

基于Shifted Legendre正交多项式的迭代学习控制方法

考虑用迭代学习控制方法来解决一类线性时变连续系统的终端控制问题。运用ShiftedLegendre正交多项式的展开技术,利用其正交性和边值条件,将线性时变系统的微分方程转化为代数方程,避免了在判断误差收敛条件的过程中求解线性时变系统状态转移矩阵。并采用高阶学习律来求控制输入的ShiftedLegendre系数向量,仿真实例验证了该方法的有效性。     

一种有效的STBC-OFDM联合信道估计解码算法

提出一种针对空时块码正交频分复用(STBC-OFDM)系统在信道不确知或时变情况下的低复杂度联合信道估计与解码算法.该算法推导的出发点是观察到STBC-OFDM系统中关于信道参数的最小二乘代价函数与只有线性处理的STBC解码最小二乘代价函数是等价的,从而可利用循环最小化迭代方法求解.在这两个代价函数求解各自参数过程中,可以充分利用OFDM的信号特征和STBC的正交结构特征,使计算量大为减少.在迭代过程中,信号先不考虑有限字符性质,而是取值任意的随机变量.估计出信号值后利用有限字符性质进行量化修正,避免了此类迭代算法中的穷举运算,从而降低了计算量,加速了算法收敛速度.仿真结果表明了该算法的有效性.     

间歇过程模糊预测学习控制器的设计与仿真

针对工业间歇过程的控制问题，分析比较了现有的两类反馈-前馈迭代学习算法在解决工业间歇过程控制系统滞后问题上的缺陷，采用T-S模糊预测模型，在原有反馈-前馈迭代学习算法基础上引入预测思想，研究了基于模糊预测的迭代学习算法，并设计了一种模糊预测学习控制器。以具有滞后、变参数特性的间歇过程为例，进行了仿真研究，验证了提出方法的有效性。     

基于Chebyshev基函数模糊神经网络的快速辨识方法

神经网络的非线性逼近能力的研究是神经网络成为辨识模型的理论基础。首先研究了基于正交多项式函数的神经网络逼近理论和方法,并在此基础上证明了新型Chebyshev神经网络具有良好的非线性并研究了它的全局最优逼近性质。然后提出了一种用于复杂非线性系统辨识的基于Chebyshev基函数的模糊神经网络模型和学习算法。该模型以Chebyshev基函数为隶属函数,规则后件采用输入变量的线性函数,无需调整隶属函数的参数,只是采用BP学习算法学习后件参数,因而大大减少了模型算法的计算量,学习算法简单,加快了学习收敛速度,而且不使网络结构复杂,设计简单。仿真结果表明所提模型和方法的有效性。     

不确定模糊系统的静态输出反馈-迭代算法

研究连续不确定T-S模糊系统的静态输出反馈控制问题。连续不确定T-S模糊系统的静态输出反馈控制稳定性的充分条件是根据可解的双线性矩阵不等式给出的。为了计算连续不确定T-S闭环模糊系统的静态输出反馈增益,提出了基于迭代线性矩阵不等式的算法。用数值仿真例子说明了该迭代线性矩阵不等式算法的有效性和收敛性。     

修剪技术与参数调整的动态模糊神经网络设计

提出了一种新型的动态模糊神经网络算法,该动态模糊神经网络的结构基于扩展的径向基网络.其算法的最主要特点是:采用修剪技术与参数调整,从而可以获得重要的规则以及更新前提参数的中心和宽度.这一思想等价于把全局算法分解为一系列解耦的算法.最后通过对函数逼近来验证动态模糊神经网络逼近能力的有效性.仿真结果表明,由于使用了修剪技术与参数调整使得动态模糊神经网络具有紧凑的系统结构、强大的泛化能力以及快速的学习速度.     

混沌通信的非线性N-shift加密与迭代学习辨识算法

为增强混沌通信系统的保密性,讨论了非线性N-shift加密方案,从提高信号掩盖的非线性程度方面增强了混沌通信的保密性.利用迭代学习辨识方法来实现解密,完全重建信息信号,理论分析给出了学习算法关于初态误差和输出误差的鲁棒性和收敛性,推导出了学习算法关于非线性掩盖的收敛的充分条件.利用以上迭代学习辨识技术对采用复合非线性掩盖技术的蔡氏混沌通信系统进行仿真,结果说明迭代学习辨识算法可以完全重建信息信号,复合非线性掩盖具有高保密性.     

带有初态学习的指数变增益迭代学习控制

针对一类非线性时变系统在有限时间区间上的轨迹跟踪问题,提出一种新的迭代学习控制算法,该算法对系统的控制输入和初始状态同时采用闭环指数变增益迭代学习律。基于算子理论,对具有任意初始状态的系统,在该迭代学习律作用下的收敛性进行严格证明,同时给出该迭代学习算法收敛的谱半径形式的充分条件。该算法与固定增益的迭代学习控制相比较,不仅加快了收敛速度,而且还解决了指数变增益迭代学习控制要求初始状态严格重复的问题。仿真结果表明了该算法的有效性。     

基于摄动的模糊聚类算法最优模糊等价矩阵相关性质分析

对基于摄动的模糊聚类算法进行深入研究.给出一个模糊相似矩阵的实例,存在与该矩阵距离相同且都是最小的两个不相等的模糊等价矩阵,从而证明了全局最优模糊等价矩阵不具有唯一性.对基于摄动的模糊聚类算法求出的可行解的不同情况进行分析,给出了每种情况下可行解个数的计算表达式.完善了基于摄动的模糊聚类算法的相关理论.