基于递阶粒子群方法的RBF网络自动设计

针对径向基函数网络（RBFN）的结构和参数难以同时优化及粒子群不同结构的粒子飞跃困难问题,提出一种维数自适应变化递阶粒子群方法,同时完成对网络的结构和参数自动优化设计。此方法中,粒子群编码采用二进制和十进制相结合的混合形式,二进制表示网络隐层神经元的数量,十进制编码表示网络参数,每个粒子在不同代的飞翔维数由当前代最好粒子的适应度和粒子到目前为止的最好适应度及粒子群处于两个最好位置时的有效维数确定。适应度函数引导粒子向小规模和小误差方向运动。通过对函数建模和混沌时间序列的预测实验,验证了方法的有效性。

Abstract：

In order to solve difficulties optimizing the structure and the parameters of RBFN simultaneously and flying among particles with different dimension,a hierarchical particle swarm optimization （PSO） with adaptive dimension was proposed to design structure and parameters of radical basis function neural networks （RBFN） automatically.In the method,the number of hidden layer for RBFN is coded by binary,and parameters are coded by decimal,the dimensions of the flying particle is determined by the best position of current generation and the best position that the particle derived so far and effective dimensions of the two best positions.Furthermore,the swarm will incline to small scales and small error by choosing a special fitness function which takes account factors of structure and parameters of RBFN.Simulation results with function approximation and prediction of chaotic time sequence demonstrate that the proposed method is efficient.     

基于遗传预估策略的智能主动队列管理

针对TCP传输过程中的典型时滞特性,提出了一种智能主动队列管理算法.该算法以自学习预估机制模型为核心来克服大时滞特征对网络稳定性能的影响,拥塞控制系统以两条信息通道分别实现模型补偿和预测控制功能.模型补偿通道采用了Smith预估嚣实现对网络时滞特征的动态补偿,并进一步设计迭代进化算法实现对Smith预估模型未建模特征的估计过程.预测控制通道采用基于神经网络的PID智能丢弃算法,通过神经网络的学习预测功能自适应调整预测控制通道的控制行为.通过仿真研究表明了提出的控制方法显著提高了拥塞控制机制的稳定性能和自适应性能.     

Survey on nonlinear reconfigurable flight control

An overview on nonlinear reconfigurable flight control approaches that have been demonstrated in flight-test or highfidelity simulation is presented. Various approaches for reconfigurable flight control systems are considered, including nonlinear dynamic inversion, parameter identification and neural network technologies, backstepping and model predictive control approaches. The recent research work, flight tests, and potential strength and weakness of each approach are discussed objectively in order to give readers and researchers some reference. Finally, possible future directions and open problems in this area are addressed.     

基于神经网络的反步自适应大机动飞行控制

针对飞机大机动飞行时模型非线性和参数不确定性的特点,提出了一种基于全调节神经网络的反步自适应控制方法。飞机模型不确定部分由全调节径向基函数(radical basis function, RBF)神经网络在线补偿,控制律及神经网络参数自适应律由反步法回馈递推得到,并利用一种自适应参数策略的混沌粒子群算法优化控制器固定参数,改善动态性能,最后通过加权伪逆控制分配方法得到最终控制信号。仿真结果表明：在较大的模型气动参数不确定及控制增益矩阵未知时,所设计的控制律仍能理想地跟踪飞机大机动指令飞行,神经网络参数估计误差指数收敛到有界紧集,系统具有快速的收敛性和良好的鲁棒性。     

Neuromorphic Continuous-Time State Space Pole Placement Adaptive Control

Abstract: A neuromorphic continuous-time state space pole assignment adaptive controller is proposed, which is particularlyappropriate for controlling a large-scale time-variant state-space model due to the parallely distributed nature ofneurocomputing. In our approach, Hopfield neural network is exploited to identify the parameters of a continuous-timestate-space model, and a dedicated recurrent neural network is designed to compute pole placement feedback control law inreal time. Thus the identification and the control computation are incorporated in the closed-loop, adaptive, real-timecontrol system. The merit of this approach is that the neural networks converge to their solutions very quickly andsimultaneously.     

Direct adaptive control for a class of MIMO nonlinear discrete-time systems

This paper considers the problem of adaptive con-trol for a class of multiple input multiple output （MIMO） nonlinear discrete-time systems based on input-output model with unknown interconnections between subsystems. Based on the Taylor ex-pand technology, an equivalent model in affine-like form is derived for the original nonaffine nonlinear system. Then a direct adap-tive neural network （NN） control er is implemented based on the affine-like model. By finding an orthogonal matrix to tune the NN weights, the closed-loop system is proven to be semiglobal y uni-formly ultimately bounded. The σ-modification technique is used to remove the requirement of persistence excitation during the adaptation. The control performance of the closed-loop system is guaranteed by suitably choosing the design parameters.     

神经网络自适应学习研究

本文讨论了网络拓扑结构、网络的学习参数以及神经元的激活函数等多方面的人工神经网络学习问题，提出了具体实现方法。实验表明这些方法对于加快网络的收敛速度，优化网络的拓扑结构等方面有显著成效。     

Adaptive neural network tracking control for a class of unknown nonlinear time-delay systems

1 .INTRODUCTIONNeural network (NN) control has made great pro-gress in past decades[1 ~4]. In Ref .[1] , adaptivebounding design technique was applied to adaptiveneural control for a class of strict-feedback nonlin-ear systems . The requirement of a known boundon the network reconstruction error was removed.By introducing an integral Lyapunov function,anadaptive NN control approach was proposed forunknown strict-feedback nonlinear systems[2],where the controller singularity problem was …     

柔性航天器自适应多层神经网络跟踪控制方法

针对柔性航天器的姿态跟踪以及振动抑制问题,提出了一种自适应多层神经网络控制方法。利用自适应多层神经网络来补偿系统的非线性项,利用光滑变结构项来补偿神经网络逼近误差及外部干扰。柔性航天器为典型的一个中心刚体加柔性附件的结构,假设模型参数未知并且具有任意的有限维。控制器只利用姿态角和角速度信息进行反馈控制,不需柔性附件振动信息。最后,实验表明该方法可以有效地完成姿态跟踪和振动抑制。     

弹性高超声速飞行器智能控制系统设计

针对气动舵受限下的弹性高超声速飞行器控制问题, 提出一种基于神经自适应的智能控制方案。在速度子系统的设计过程中, 为了降低对模型参数的依赖程度, 应用强化学习算法在线调整比例积分微分(proportional integral derivative, PID)控制参数, 给出智能PID控制策略。对于高度子系统, 考虑气动舵的动态特性, 利用神经自适应方法对模型未知函数及不确定项进行逼近。为了处理气动舵的约束问题, 以非线性模型预测控制为优化分配模板生成大量样本数据集, 经离线训练得到深度神经网络代替求解复杂优化问题和控制分配的过程。此外, 通过引入自适应超螺旋微分器处理外部扰动, 增强了系统的鲁棒性。利用Lyapunov方法证明了所设计控制器的稳定性, 并通过仿真验证了所设计控制方案能够快速计算控制指令, 实现高精度跟踪控制。     

一种优化的BP神经网络算法在石油储层预测中的应用

模型将GA、SA与BP3种算法有机地融合在一起,实现优势互补.采用二进制与实数混合编码,可以动态地根据样本特征对BP网络中的输入节点数、隐层节点数、转移函数、权值与阈值等进行自适应优化调整.在保证精度的前提下,采用较少的输入节点和隐层节点数,使网络的结构相对简单.采用自适应交叉率、变异率与学习率,以增强网络的自适应与泛化能力,极大地减少人为主观因素对网络设计的影响.     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

航天器姿态的神经网络动态逆控制

针对航天器姿态系统,提出了一种基于自适应神经网络动态逆的控制算法。该算法针对滚转、俯仰和偏航三个姿态子系统,设计了两组神经网络:第一组是BP网络,用来逼近三个姿态通道的非线性项,可获得姿态逆模型;第二组是非线性自适应神经网络,用于在线实时地补偿逆模型存在的误差和外加干扰。详细分析了非线性自适应神经网络的拓扑结构、学习规则和调整算法。给出了应用该算法的具体实例,通过仿真实验证明该算法的有效性。     

基于RBF的机械手建模误差补偿自适应控制

针对机械手动力学建模误差,提出了基于RBF神经网络误差补偿的自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,对系统输入与目标轨迹进行修正,设计了两种误差补偿自适应控制器。利用RBF神经网络对修正项在线自学习,并根据Lyapunov稳定性理论建立了网络权重自适应学习律,保证了跟踪误差的收敛及系统的稳定。以平面转动双臂机械手轨迹跟踪为例进行仿真,结果表明该方法能够有效地补偿建模误差,提高了系统的控制性能并使控制系统具有对参数摄动的鲁棒性,对于机械手自适应控制具有一定的可行性。     

Speed-Sensorless Control Using Elman Neural Network

1. INTanDUCTIONControlling induction motor without sensor is available nowadays. In order to aclileve two-level closed lOops,i. e., digital current lOop and digital speed loop, it is necessary to sense.and digitize the motor phase currentand motor speed. Howver, the sensors involved have the followillg disadvantages. First, they aJre eXPensiveand make up a significan portion of the total cost. Second, they may result in electrical or mechaulcal fault.Based on speed estimation, it is pos…     

非线性离散系统的直接自适应神经网络控制器

对于一类非仿射离散时间系统,提出了一种新的自适应神经网络控制器。首先推导与原系统等价的仿射形式模型,由仿射模型推导控制律。控制律中采用一个神经网络,与传统的基于反馈线性化的自适应神经网络设计方法中采用两个神经网络相比,计算量大大减少且避免了控制器奇异问题。神经网络权值根据系统输入输出信号进行更新,另外σ项的引入,取消了为保证参数收敛持续激励的条件。系统的稳定性通过Lyapunov方法进行了分析,仿真实例验证了控制器的有效性。     

BP人工神经网络自适应学习算法的建立及其应用

解决了BP神经网络结构参数、学习速率与初始权值的选取问题,并对传统的BP算法进行了改进,提出了BP神经网络自适应学习算法,又将其编制成计算机程序,使得输入节点、隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力.计算结果表明:BP神经网络自适应学习算法较传统的方法优越,训练后的神经网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势.     

神经网络专家系统——基本理论与实现

AI的引入使计算机科学取得了惊人的成就,而作为AI最活跃的分支——专家系统的迅速发展和成功应用使AI从学科研究走向实际应用取得了重大突破。然而,专家系统的发展遇到知识获取“瓶颈”、“窄台阶”等因难以及现代数字计算机固有的缺陷,使其支持能力受到极大的限制,亟待开拓新的途径和方法。最新发展的以非线性大规模连续时间模拟并行分布处理为主流的神经网络理论为AI和专家系统的发展开辟了崭新的途径。基于神经网络非线性信息处理基本原理,本文系统地研究并论述了神经网络专家系统理论与基本框架;提出了知识的神经网络表示、知识获取的自适应学习训练、知识的自适应并行联想推理、模糊推理等方法。神经网络专家系统理论的发展和应用必将为AI、计算机科学和信息科学带来历史性的突破。     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。     

基于M-ANFIS-PNN的目标威胁评估模型

目标威胁评估的目的是根据目标的属性和状态信息对目标的威胁程度进行定量估计,为后续作战决策提供辅助支持。现有威胁评估模型大多依赖于数值信息,难以有效处理包含定性、定量数据的目标特征信息。基于此,提出一种改进的自适应模糊神经推理系统模型。在自适应模糊神经推理系统的基础上,引入前件影响矩阵和后件影响矩阵对定性数据进行处理,使得定量、定性数据的影响同时作用于模糊规则的前件参数和后件参数;为了进一步提高模型的输出精度,将自适应模糊神经推理系统的输出层替换为多项式神经网络;通过基于Gower距离的近邻传播聚类算法对改进模型进行结构辨识,确定模糊规则的初始参数。仿真实例验证了所提方法的有效性与可行性,与其他混合属性数据建模方法相比,所提方法具有较高的预测精度,可为作战指挥决策提供有效的辅助支持。