卫星数字图像的智能处理研究

在借鉴成熟的数字图像特征分类模型基础上，通过特征抽取及采用神经网络方法对特征树训练，得到卫星数字图像的典型特征和在图像分析中的权重。提出利用数字图像的经验处理知识来实现卫星数字图像的自动处理，并建立分类数字图像集的经典处理案例，采用基于案例推理的方法，实现了卫星数字图像处理经验的复用和效率的提高。     

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

神经网络的非平衡态热力学研究

建立了神经网络的非平衡态热力学理论，给出了神经网络熵产生率，稳定条件及应用实例，为神经网络的研究增加了一种新方法，为人工神经网络的建模与应用提供了有益的信息。     

基于对角递归神经网络的非线性逆动态控制

采用2个对角递归神经网络(DRNN)构成非线性逆动态控制系统，一个用作辨识器，逼近系统的正模型，为逆动态控制提供系统的灵敏度；另一个用作控制器，逼近系统的逆动态模型，再与原系统串联组成伪线性系统．仿真结果表明该控制方法实现了对非线性系统的有效控制。     

基于组合策略的Lyapunov指数谱的计算

分析了基于BP神经网络模型的Lyapunov指数谱计算法存在的不足,提出了一种新的基于组合策略的混沌时间序列Lyapunov指数谱计算方法.由于该方法能够同时逼近给定目标函数的非线性部分与线性部分,因而具有更高的计算精度.最后将新方法应用于Henon映射Lyapunov指数谱的计算中.通过分析与比较,表明该方法具有更高的计算精度及更强的实用性.     

BP 神经网络网络结构优化问题的研究

将灰色关联分析法应用到BP神经网络隐层结点数的确定中,实现了BP神经网络网络结构的优化,提高了网络的预测精度.仿真结果表明这种方法非常有效,同时也对BP神经网络的进一步研究提供了一种全新的思路.     

DC/DC变换器的一种神经网络控制方法

为了消除Buck—Boosl变换器为代表的DC／DC（直流，直流）变换器最小相位性质的影响．对其输出电压进行控制，分析模型特性．采用非线性反馈控制电流内环．用RBF（径向基函数）神经网络设计了神经网络控制器控制输出电压外环，分析了系统的稳定性．仿真结果表明．提出的控制器动、静态性能很好．对变换器中元件参数的变化和负载电阻的扰动有较好的鲁棒性．     

基于改进Paik型Hoptield网络的图像复原

针对图像复原提出了一种改进的Paik型Hopfield网络神经元状态变化规则,在此基础上详细讨论了全并行算法的收敛性、残值误差和能量变化,并依据"由粗至精"的思想和相邻精度层能量变化差估计提出了一种改进迭代算法.仿真实验表明该方法能无限逼近能量极小点,大大提高了Paik型Hopfield网络的精度和收敛速度.     

基于模糊神经网络的自适应滤波方法仿真研究

提出了一种模糊自适应卡尔曼滤波算法。该算法基于模糊规则，根据新息相关性，自适应调整测量噪声方差R，有效的解决了噪声的统计特性与实际不符时，滤波器发散的现象。同时，利用Elman网络作为误差估计器，补偿模糊自适应卡尔曼滤波器的估计误差。仿真结果表明，两种方法结合，可以有效地防止滤波器发散，缩小实际的滤波误差，提高滤波精度，实现滤波器参数的在线改进。     

一类非线性离散时间系统的变结构控制

针对一类非线性离散时间系统，提出了一种基于神经网络趋近律的变结构控制方法。分别用两个神经网络自适应调整趋近律中的参数ε和δ，利用离散趋近控制律与离散等效控制律的偏差对网络权值进行更新，克服了常规变结构控制方法中需预先设定趋近律中参数的限制，既保留了传统趋近律设计方法的所有优点，又有效的改善了系统的动态品质，消除了系统抖振，使系统最终以理想方式在滑模面上运动。理论分析和仿真结果表明了所提出方法的有效性。