利用虚拟目标值的预见控制设计(英文)

研究了预见跟踪控制问题,即控制器可利用过去、现在和未来的信息来决定所施加控制量的大小．通常的作法是通过把未来预见信息加入控制量中来实现的．提出了一种不同的作法：利用未来目标值及系统的当前状态产生一个虚拟目标值,让系统转而去跟踪这个已被事先处理过的目标值信号,从而提高了系统的控制精度同时减少了控制所需的能量．数值仿真表明了这种方法的优越性．     

具有前馈环节的电弧炉电极升降自适应控制器

针对炼钢电弧炉电极调节系统的参数时变及三相间相互影响等特点，设计出一种简单且有效的电极调节控制方案。该控制方案通过引入前馈控制环节来减小三相电极间的相互影响，并在线通过累计实际输入炉内的能量值来间接地估算电弧放大系数，从而校正控制器参数。     

Feedforward and feedback optimal control for linear time-varying systems with persistent disturbances

1 .INTRODUCTIONIn nature ,there are various external disturbancesaffecting the performances of systems . Many con-trol problemsinvolve designing a controller capableof stabilizing a given linear system while mini mi-zing the worst-case response to some additive dis-turbances . This problemis relevant to disturbancerejection and cancellation. One application area ofinterest is flight control through wind shear ,where disturbances arise from a modal for windshear based on harmonic oscillati…     

双线性系统随机多输入间接自适应前馈控制器及其应用

本文针对随机双线性多输入系统，提出了一种适用于具有多种扰动对象的随机多输入间接自适应前馈控制器，其特卢、是通过引入改进的广义最小方差最优控制律来克服双线性对系统的影响，该控制器采用间接算法实现，并适用于延时未知系统。它不仅具有渐近最优的控制的效果，可以对可测干扰实行有效的动静态补偿，消除稳态跟踪误差，使随机干扰对系统的影响最小，而且即使用于不稳定和（或）逆不稳定系统也具有全局收敛特性。文中还介绍了如何应用该控制器来实现多变量系统的随机间接自适应解耦控制。     

前馈神经网络中BP算法的一种改进

在传统的BP算法基础上,提出了一种改进的BP学习算法,先加入描述网络复杂性的量,使算法能够考虑到网络的连接复杂性,进而有可能删除掉冗余的连接甚至节点;接着提出对网络的学习步长的动态调整,以此来尽量避免传统学习中的学习速度过慢和反复震荡;然后给出新的算法是高阶非线性收敛的证明;最后通过实验说明的新的BP算法在一定程度上可减少网络的复杂性,有着比传统算法更快的收敛速度。     

采用功率内环和电压平方外环的电压型PWM整流器

根据电压型PWM整流器在同步旋转dq坐标系中建立的整流器功率控制数学模型,基于功率前馈解耦,解决了有功功率和无功功率互为耦合问题.为克服整流器电流控制策略、直接功率控制策略及非线性控制策略的不足,提出了采用功率内环、直流电压平方外环电压型PWM整流器的新控制策略.由于采用直流电压平方外环,提高了整流器直流电压跟踪和功率跟踪能力,使系统具有响应快、稳定性好、抗负载扰动能力强及结构简单的优点.给出了系统控制器的设计方法.通过正常负载及负载扰动情况下的计算机仿真,证明了新控制策略的可行性.     

基于动量项前馈神经网络盲均衡算法

针对基于前馈神经网络的盲均衡算法中，BP优化算法具有收敛速度慢、易陷入局部极小的缺点，提出了一种新的盲均衡算法，该算法结合动量项前馈神经网络与传统恒模盲均衡算法的优点，将以前权值的调节量用于当前权值的修改过程，降低了算法对于误差曲面局部极值点的敏感性。仿真结果表明，该算法可有效抑制网络陷入局部极小，防止振荡，加快盲均衡器的收敛速度。     

Neural network structure identification in inflation forecasting

Neural networks (NNs) are appropriate to use in time series analysis under conditions of unfulfilled assumptions, i.e., non‐normality and nonlinearity. The aim of this paper is to propose means of addressing identified shortcomings with the objective of identifying the NN structure for inflation forecasting. The research is based on a theoretical model that includes the characteristics of demand‐pull and cost‐push inflation; i.e., it uses the labor market, financial and external factors, and lagged inflation variables. It is conducted at the aggregate level of euro area countries from January 1999 to January 2017. Based on the estimated 90 feedforward NNs (FNNs) and 450 Jordan NNs (JNNs), which differ in variable parameters (number of iterations, learning rate, initial weight value intervals, number of hidden neurons, and weight value of the context unit), the mean square error (MSE), and the Akaike Information Criterion (AIC) are calculated for two periods: in‐the‐sample and out‐of‐sample. Ranking NNs simultaneously on both periods according to either MSE or AIC does not lead to the selection of the ‘best’ NN because the optimal NN in‐the‐sample, based on MSE and/or AIC criteria, often has high out‐of‐sample values of both indicators. To achieve the best compromise solution, i.e., to select an optimal NN, the preference ranking organization method for enrichment of evaluations (PROMETHEE) is used. Comparing the optimal FNN and JNN, i.e., FNN(4,5,1) and JNN(4,3,1), it is concluded that under approximately equal conditions, fewer hidden layer neurons are required in JNN than in FNN, confirming that JNN is parsimonious compared to FNN. Moreover, JNN has a better forecasting performance than FNN.     

稳健二进前向网络的遗传训练方法

稳健二进前向网络是对逻辑知识的隐式表示和显式表示的有机统一,是性能优良的逻辑知识库、推理机和解释器,但目前还没有一种网络训练算法能够训练出稳健二进前向网络,针对这种情况,本文首先对稳健二进前向网络的神经元辅阈值范围进行了改进和有效描述,并在此基础上提出了一种对稳健二进前向网络进行有效训练的遗传训练方法。在这种训练方法中,网络参数采用三值编码方案,并运用相应的变异机制和有效的适应度函数,经这种方法训练出的网络具有结构最优、稳健性能最强和最易实现的特点。文章最后给出了实验的结果。     

最小学习机

针对极端学习机（ELM）不能用于多层前向神经网络学习的问题,通过揭示单层前向神经网络（SLFN）的ELM与岭回归以及中心化的岭回归之间的关系,提出了SLFN的最小学习机。通过证明核化的中心化岭回归与核化的PCA之间的关系,提出以无限可微的核函数为激励函数的多层前向神经网络（MLFN）的最小学习机LLM.SLFN/MLFN的最小学习机能够保持ELM的上述优势。