基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

一类非线性系统的模糊神经网络内模控制

针对一类开环稳定的非线性系统,提出了一种基于模糊神经网络的非线性内模控制方案.通过理论分析指出模糊神经网络模型可视为一类特殊的线性时变系统,其模型的解析逆可以直接获得,从而简化了非线性内模控制的设计.为了研究建模误差对闭环系统稳定性的影响,将建模误差转换为结构性不确定,采用μ方法分析了闭环系统的鲁棒稳定性.仿真结果验证了该方法的有效性.     

模糊神经网络的非线性辨识理论及应用

论述了模糊系统和神经网络相结合的非线性系统辨识理论．通过分析模糊系统规则之间的隐含关系，给出具有非线性模糊关系的模糊神经网络非线性系统辨识方法，并用仿真方法进行了验证．最后讨论了网络的稳定性和收敛性．     

一类非线性多变量系统的模糊神经网络自适应控制

针对一类数学模型不完全确知并包含外部扰动的非线性多变量系统，提出一种模糊神经网络(FNN)自适应控制策略．用FNN模型在线辨识非线性系统的未知动态，并根据误差系统的Riccati方程，设计H∞控制，有效抑制系统的外部扰动，该控制律采用Lyapunov设计方法来保证控制系统的稳定．FNN自适应控制策略解决了传统非线性控制器理论结果形式过于复杂，实用性差的问题，拓宽了非线性理论的应用范围．     

基于RBF神经网络的一类非线性系统模糊自适应控制

针对一类非线性不确定系统,基于ＲＢＦ神经网络,结合模糊滑模控制提出了一种自适应控制方法。根据Ｌｙａｐｕｎｏｖ稳定性理论设计ＲＢＦ网络和模糊滑模补偿控制器的参数。     

基于神经网络的非线性系统在线自校正控制及其应用

利用神经网络给出了设计非线性控制系统自适应控制的方法,主要包括基于神经网络的非线性系统的在线直接自校正和满足局部能控一般非线性系统的神经网络自校正控制,从研究结果可以看出,由于神经网络的权系数的可调性以及神经网络对非线性的逼近性,利用神经网络所设计的自适应（或自校正）控制器,其闭环控制系统具有良好的动态与静态响应特性,所提供控制器都可在线实现。     

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。     

基于自回归动态神经网络的逆模型辨识及在线控制

研究了自回归动态神经网络及其学习算法。提出了应用于动态逆模型识的结构，并与ＰＩＤ控制相结合形成了非线性动态对象的在线自适应控制系统。仿真结果表明此方案简单可行，克服了静态网络的一些局限性。     

非线性系统建模的复合型模糊神经网络研究

针对非线性系统建模问题,提出了一类由函数逼近和规则推理网络构成的复合型模糊神经网络,其规则网络基于过程先验知识用于对操作区间的划分,而函数网络采用改进型模糊神经网络结构完成非线性函数逼近。采用一类非线性函数模型进行了仿真研究,结果表明,复合型模糊神经网络较之普通模糊神经网络在建模收敛速度和预测精度等方面都有较大的改善。     

非线性时间序列建模与预测的神经网络法

简述了人工神经网络的基本概念及计算特性,提出了用神经网络方法进行非线性时序建模的基本思路,分析了传统的BP学习过程,得出了BP学习算法的改进算法.然后讨论具有一层隐层的前向式神经网络,基于预测误差分析,提出了权值估计方法,使非线性时序建模的神经网络法规范化.     

用神经网络对结构振动主动控制力的仿真算法

本文在运用经典最优控制算法讨论结构地震反应主动控制的基础上，应用人工神经网络理论中的ＢＰ网络模型提出结构振动主动控制力的新算法。工程实例的仿真结果表明：采用本文提出的算法较好的解决了求解控制力时由于传统算法本身的时迟问题，从而使结构振动的主动控制的品质得到很大的提高，并且避免了控制失稳现象的出现。     

图像识别神经网络处理系统

目的　研制用于二值图像实时识别的神经网络处理器; 方法　采用数字电路实现的图像识别神经网络系统有３ 大模块：边缘提取模块以二值图像序列作为输入,用平面建筑物原理和８ 邻域原理提取图像的边缘特征;特征提取模块在边缘特征的基础上提取具有不变性的角特性和组块特征;模式分类模块采用４ 层特征映射神经网络实现图像模式识别; 结果　通过对图像信号发生器送出的二值飞机图像识别说明,训练样本数越多系统识别率越高; 结论　该系统能够快速、正确地实时识别二值图像序列;     

模糊神经网络控制系统

介绍了将神经网络和模糊控制相结合,即用人工神经网络算法产生模糊推理规则和隶属函数,再基于这些模糊推理规则和隶属函数产生模糊逻辑控制的一种新颖控制策略--模糊神经网络系统的组织结构及其神经网络的设计.     

模糊神经网络控制系统

介绍了将神经网络和模糊控制相结合,即用人工神经网络算法产生模糊推进规则和隶属函数,再基于这些模糊推理规则和隶属函数产生模糊逻辑控制的一种新颖控制策略-模糊神经网络系统的组织结构及其神经网络的设计。     

一类离散的非线性切换系统的鲁棒镇定性问题

是基于切换Lyapunov函数方法,讨论了一类具有非线性扰动的线性切换系统的状态反馈镇定性问题,并深入讨论了时滞切换系统的鲁棒镇定问题,给出了反馈控制律的设计,所得到的结果均以矩阵不等式表示便于实现.     

非线性神经网络模型及在粮食生产预测中的应用

本利用非线性神经网络BP模型，对我国粮食生产进行了实证预测研究。结果表明，用该网络建立的模型经过训练后，可得到影响粮食产出与各因子及其之间的非线性关系，网络模型新颖，具有较好的预测精度及较好的预测效果。可广泛应用于各种预测研究，有较高的应用推广价值。     

多用户非线性网络系统各优先级价差分析

对多用户非线性网络系统Nash平衡点与各优先级价差的关系进行了定量分析·建立用户盈余函数的数学模型,以及网络系统的盈余函数与用户盈余函数的关系,同时利用差分法论证了各优先级价差对系统达到Nash平衡的影响,定量给出了由各优先级价差的取值范围来确定平衡点位置的方法,及网络系统达到Pareto最优的Nash平衡条件·最后给出一个两用户两优先级网络系统的数值举例,并就优先级价差对用户服务选择的影响以及系统的平衡问题进行了分析,其结果验证了该方法的有效性·     

BP神经网络在非线性时间序列预测中的应用

利用神经网络的Kolmogorov连续性定理建立了时间序列对象的预测模型，并对基于本模型的数据处理方法进行了探讨。通过对2002年深沪上市公司国有股数量的预测，证实了本模型的正确性和科学性。     

基于模型的时延网络控制系统的研究

针对网络存在时延情况,研究了一种基于模型控制器的网络控制系统的稳定性条件.利用被控对象的信息,网络控制系统尽可能减少传输的数据量以适应网络带宽的需求.给出了在这种网络时延条件下,系统稳定时更新时间h与网络时延τ所应满足的充分必要条件.通过Matlab的仿真实验,表明了该结论的正确性和有效性.