基于RBF神经网络的股市建模与预测

提出一种基于ＲＢＦ神经网络的股市预测建模方法,并采用递阶遗传算法训练ＲＢＦ网络的参数、权重和结构,对上证综指和个股（伊利股份）的建模与预测结果表明,该训练方法使ＲＢＦ神经网络具有很强的学习与泛化能力,它在股市这样一个复杂的非线性随机系统建模中具有很高应用价值。     

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.     

基于BP网络的非线性广义预测学习控制器

本文提出了一种基于ＢＰ神经网络的非线性义预测学习控制器，它由一个ＢＰ网络构成。在整个学习与控制过程中，首先根据被控对象的输出与ＢＰ的学习输出之间的误差来修改网络的权值，以逐步建立被控对象的合理的多步预报模型；然后，根据网络的多步预报输出序列与设定值序列的偏差修改控制律。     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法 ,在该算法中 ,先用BP神经网络辨识对象模型 ,同时预测对象的未来输出 ,然后用动态矩阵控制算法进行滚动优化和反馈校正。该方法解决了非线性、时变对象难以建模及控制的问题 ,仿真结果验证了这一新型算法的可行性     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法，在该算法中，先用BP神经网络辨识对象模型，同时预测对象的未来输出，然后用动态矩阵控制算法进行滚动优化和反馈校正。该方法解决了非线性、时变对象难以建模及控制的问题，仿真结果验证了这一新型算法的可行性。     

伪线性神经网络

给出了多输入－多输出（MIMO）的伪线性神经网络（PNN）结构与模型。PNN的构成是基于Gain-schedu-ling 控制技术与扩展线性化方法。还讨论PNN的递推预报误差的二阶学习算法（RPF）和训练过程中，并通过对多变量、强耦合的非线性加热炉的动态建模,证明了用PNN建模，效果良好，且具有训练参数少，收敛 速度快，准确性高等良好性能。     

基于回归神经网络的复杂工业对象的建模

讨论一种动态神经网络－Ｅｌｍａｎ回归神经网络的结构和算法,基于这一网络结构提出了非线性时变工业对象－直流电弧的神经网络建模方法,并与用其他方法为对象建立的模型进行了比较。     

基于径向基函数神经网络的热工过程模型辨识

为了准确反映热工过程动态特性,实现热工过程整体优化控制,提出了一类新的径向基函数神经网络(RBF-NN)的建模方法:采用熵方法和竞争学习算法,结合非线性自回归滑动平均(NARMA)模型的输入/输出结构实现RBF-NN的优化,辨识RBF-NN结构,并用最小二乘算法(LS)确定权向量,实现了典型的非线性热工过程建模。通过两个实例验证:基于NARMA结构的RBF-NN建模,具有较高的辨识精度和较少的隐层节点。     

神经网络全局收敛快速算法在非线性建模中的应用

把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,给出前馈神经网络在线运行投影学习算法,理论上证明算法的全局收敛性,并讨论算法参数的选择范围．通过非线性时变系统的神经网络建模应用的仿真,验证算法的在线运行能力．     

一种可分非线性系统的自校正广义预测

对一类可分非线性系统,采用Hammerstein模型的基本框架,用神经网络对非线性部分建模,线性部分采用受控自回归积分滑动平均模型。对此模型的线性部分设计广义预测控制器,得出线性部分的控制量。根据此控制量,引入一逆神经网络,结合原来的神经网络模型,通过对逆神经网络权值的调整,使神经网络模型的输出为线性部分的控制量,同时得到逆神经网络的输出,即非线性系统的控制量。克服了Hammerstein模型中非线性部分的反函数存在性和惟一性的问题。仿真结果验证了该设计的有效性。     

连续发酵过程的神经网络预测和控制

给出了神经网络趋化性算法的一种新的实现策略，在此基础上，提出了一种动态递归神经网络建模方法和一种控制作用受限的自学习非线性控制方法。将其用于连续搅拌签式发酵器的状态变量的在线预测和优化控制，仿真结果表明，预测精度高，控制效果好，具有强抗扰和强鲁棒性。在不知道生化过程模型结构的情况下，神经网络模型，可取很容易地通过在线或离线学习到高度复杂的非线性生化过程的输入．输出关系。对于经过最优操作点，稳态增益的符号会发生变化的这类难以控制的生化过程，神经网络非线性控制策略，可以使生化反应器始终维持在最优状况。本方法有望在实际工业过程中得到应用。     

风冷制冷机组的多变量模糊控制研究

针对一个多输入多输出、非线性复杂系统明显的非线性热力学耦合特性，采用模糊控制与神经网络相结合的方法，提出一种具有结构和参数学习能力的自组织模糊神经网络控制器，在控制过程中通过采样数据在线学习，调整网络结构，产生模糊控制规则并调整规则的参数，使得控制器具有模糊控制的特点，又有神经网络学习的能力．通过对风冷制冷机组控制试验的结果表明，该控制器能够达到同时控制蒸发压力和过热度的目的．     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法,在该算法中,先用BP神经网络辨识对象模型,同时预测对象的未来输出,然后用动态矩阵控制算法进行滚动优化和反馈校正.该方法解决了非线性、时变对象难以建模及控制的问题,又保留了常规预测控制的优点,是一种比较好的、有着广阔应用前景的新型控制算法.仿真结果验证了这一新型算法的可行性.     

基于神经网络的非线性系统故障诊断

本文对非线性系统的故障检测与诊断提出了一种新的方法。利用神经网络对非线性系统进行辩识与建模 ,通过比较实际输出与模型的输出 ,可在线辩识出故障幅值的大小。     

基于极限学习的过程神经网络研究及化工应用

针对过程神经网络在化工过程建模中学习速度慢、易陷入局部极值等问题,借鉴极限学习机算法训练网络参数的思想,提出了一种新型的基于极限学习的过程神经网络(EL-PNN).ELPNN网络以过程神经网络的方式得到隐含层的输出后,不再使用梯度下降法进行参数调整,而是根据极限学习机算法通过广义逆直接求解输出权值.同时,为了进一步提高网络的泛化性能,考虑结构风险,在EL-PNN网络中加入风险比例参数.以高密度聚乙烯装置进行验证,结果表明,该网络具有学习速度快、建模精度高的特点,为过程神经网络在复杂化工生产中的应用提供了新思路.     

可分非线性系统的自校正广义预测控制

对一种可分非线性系统,采用Hammerstein模型的基本框架,用神经网络对非线性部分建模,线性部分采用受控自回归积分滑动平均模型.对此模型的线性部分设计广义预测控制器,得出线性部分的控制量.根据此控制量,引入一逆神经网络.结合原来的神经网络模型,通过对逆神经网络权值的调整,使神经网络模型的输出为线性部分的控制量,同时得到逆神经网络的输出,即非线性系统的控制量.文章提出的模型克服了Hammerstein模型中非线性部分的反函数存在性和唯一性的问题.仿真结果验证了该设计的有效性.     

一种非线性系统神经网络直接控制器的设计

提出了一种使用神经网络作为非线性对象直接控制器的设计方法 ,该控制器由一个常规控制器和一个神经网络控制器组成 .常规控制器对系统给出粗略控制 ,神经网络控制器给出补偿信号来进一步减小系统输出跟踪误差 .该方法对被控非线性对象类型的限制很少 .在该方法中 ,径向基函数 (RBF)神经网络被用来进行训练 ,训练后系统具有较好的稳定性 .仿真结果表明 ,该方法非常有效 ,对非线性系统能取得比较满意的控制效果     

神经网络在伺服系统中进行摩擦力补偿的方法

由于非线性摩擦力的存在,很难用传统的方法对其进行建模。首先讨论了摩擦力及其描述方法,在通过用神经网络对被控对象进行建模的基础之上,利用自适应逆模型神经网络控制器并联PID反馈控制器对控制对象中的摩擦力进行了补偿,并通过一直流伺服系统的仿真试验,验证了该方法是可行的。     

延迟时间未知的时延系统神经网络补偿控制

提出了延迟系统及延迟时间参数的神经网络辨识方法。改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于模型补偿的控制策略相结合,可以用于具有变化参数或者不确定性延迟时间的大延迟系统的控制。仿真结果表明这种神经网络模型补偿延迟系统控制具有很好的控制效果,它是大延迟控制中克服延迟时间变化的很有希望的方法。     

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。