有源消声的混合自适应控制系统及试验研究

为有效提高有源噪声控制的消声性能,针对线性控制和非线性控制方法的优缺点,基于模型参考神经网络直接自适应控制原理,提出了一种模型参考混合直接自适应控制策略,利用FLMs和非线性BP网络混合构建自适应控制系统,通过系统误差确定2种网络的加权系数,使控制器训练初期以FLMs为主提高收敛速度,后期以非线性BP网络为主提高系统控制精度．混合控制策略在保持原有非线性控制策略优点的同时,提高了系统的收敛速度．试验结果表明．该控制策略优于神经网络自适应控制．     

用于模式识别的前馈式神经网络区域映射模型

提出了一种新的用于模式识别问题的前馈式神经网络模型－区域映射模型。该模型将输出空间每一类的特征参数区域映射成输出空间中对应的一个区域。模型具有训练和实际应用中分类标准相一致的性质,使模式识别分类更为合理和自然,相应的误差函数的改变可以加快网络的训练速度。     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

基函数神经网络构造方法

从生物学和逼近论出发,将任意一组正交基函数作为三层前向神经网络各隐含神经元的活跃函数,再以其加权和作为网络的输出特性,构成一种新型的神经网络模型;从理论上解决了单输入神经网络隐含层数及隐含单元个数难以确定的问题。仿真实验表明,该网络具有优良的逼近任意非线性对象的特性,且收敛速度远远快于BP网络。     

基函数神经网络构造方法

从生物学和逼近论出发,将任意一组正交基函数作为三层前向神经网络各隐含神经元的活跃函数,再以其加权和作为网络的输出特性,构成一种新型的神经网络模型;从理论上解决了单输入神经网络隐含层数及隐含单元个数难以确定的问题。仿真实验表明,该网络具有优良的逼近任意非线性对象的特性,且收敛速度远远快于BP网络。     

基于熵方误差的QuasiNewton前馈神经网络

为了提高前馈神经网络学习算法的收敛速度 ,尝试定义熵方误差函数 ,在理论上证明了熵方误差函数的有效性 ,并将其应用于拟牛顿 (QuasiNewton)前馈神经网络。最后与使用其他误差函数的网络算法进行对比实验 ,结果表明引入熵方误差函数的前馈神经网络具有良好的收敛性与稳定性。     

Gauss-Newton神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系.针对BP神经网络存在局部极小值和收敛速度慢等问题,提出了一种基于Gauss-Newton的改进的BP网络.论述了Gauss-Newton神经网络的基本原理以及学习、运行过程,通过模拟运算指出了Gauss-Newton神经网络具有较快的学习速度,进而探讨了Gauss-Newton神经网络在旋转机械故障诊断中的应用,将该网络模型应用于旋转机械故障诊断,显示出Gauss-Newton网络具有诊断精度高、容错性和稳定性好的优势.     

一种基于广义子波基函数选择的智能化神经元集聚模型

针对神经网络中传统神经元模型在结构和信息存储能力上存在的不足,提出了一种基于广义子波基函数网络的神经元集聚模型。在对一类非线性函数的逼近中,与传统的神经元模型相比,新模型不仅收敛速度极快,非线性逼近能力更好,而且还使神经网络具有了内部结构变尺度自适应调整和广义信息存储等智能化特点,更符合生物原型的实际情况。仿真实验验证了新模型方案在此类函数逼近问题中应用的可行性和高效性,从而为智能化神经网络的设计提供了一种新的思路和方法。     

前馈神经网络混合学习算法研究

提出了一种前馈神经网络混合学习算法。该算法综合考虑了影响神经网络性能的３个主要因素：权值、激励函数和拓扑结构。该算法以参数神经网络和结构学习为基础,并采用了学习速率矩阵。对双螺旋问题的仿真实验结果表明,该算法具有较快的收敛速度。     

数码冲印颜色空间转化的神经网络优化

为了提高神经网络在数码冲印颜色空间转化应用中的收敛效率，设计了一种基于反向传播（BP）神经网络的自适应优化模型.通过等间距分割由曝光实验测得的青、品、黄染料累积色差曲线，构建了在CIE Lab色域空间内分布相对规则的大容量学习样本.基于对网络训练过程中隐含层神经元节点间相关性和离散性的动态分析，合并或删除了冗余的节点结构.根据学习速率对网络收敛效率的影响，引入全局平均误差（GME）作为权值，对学习速率进行即时调整.仿真结果表明，与传统的BP神经网络相比，优化后的神经网络模型收敛成功率显著提高，收敛速度加快.输出精度能够满足色差要求.     

Study on Adaptive Control with Neural Network Compensation

A scheme of adaptive control based on a recurrent neural network with a neural network compensation is presented for a class of nonlinear systems with a nonlinear prefix. The recurrent neural network is used to identify the unknown nonlinear part and compensate the difference between the real output and the identified model output. The identified model of the controlled object consists of a linear model and the neural network. The generalized minimum variance control method is used to identify parameters, which can deal with the problem of adaptive control of systems with unknown nonlinear part, which can not be controlled by traditional methods.Simulation results show that this algorithm has higher precision, faster convergent speed.     

预测城市用水量的人工神经网络模型研究

为了提高多层前馈神经网络权的学习效率,引入变尺度方法来训练神经网络的权值,并根据训练误差自适应调整学习系数和动量因子.将该方法应用于城市用水量预测中,建立了非线性人工神经网络预测模型.该模型考虑了城市工业用水重复利用率、用水人口、经济发展等众多因素对用水量需求的影响,具备系统决策功能.杭州市预测实例表明,建立的模型及其相应计算方法具有较高的预测精度和准确度.     

随机多输入多输出系统的自适应神经网络控制

针对一类具有严格反馈形式的随机非线性多输入多输出系统的自适应神经跟踪控制问题,本文利用径向基函数神经网络的万能逼近性,结合自适应Backstepping设计方法,提出了一类新的自适应神经网络状态反馈控制器,并对该系统提出的控制器含有较少的参数问题,通过Lyapunov稳定性理论进行了稳定性分析和证明,并应用仿真算例进行验证,仿真结果表明,闭环系统的所有误差变量概率意义下有界,并使系统的输出收敛到参考信号的一个小的邻域范围之内。该研究对随机非线性多输入多输出系统的跟踪控制有一定的指导意义。     

非线性神经网络自适应控制及其在导弹中的应用

研究了用神经网络控制未知动态特性的非线性系统。基于神经网络学习系统的反向动态特性，调整控制网络的参数，使控制系统具有自适应的特性。网络学习采用误差反向传播算法，仅需要对象的输入输出值。对含有非线性环节的系统，该方法取得较好的效果。     

SRC的一种神经网络自适应控制

在开关磁阻可逆变器原有常规控制反馈方案的基础上,利用神经网络管理非线性系统的能力,建立了ＳＲＣ的神经网络模型参考自适应控制,替代了原有的常规反馈控制。仿真实践证明：此控制方案的控制效果优于原控制方案,并使系统具有自适应性。     

基于神经网络的岩体质量模式识别

岩体质量评价问题可以认为是一个模式识别或分类问题。人工神经网烙具有表达任意非线性映射的特性，从而在分类、学习和容错方面表现了较好的能力。本文结合岩体质量的模式识别，阐述了半线性前馈神经网络的基本原理和应用，并给出了其部分试验结果。     

基于RBF网络的模型参考自适应控制

针对一类非线性动态系统给出了一种基于RBF(径向基函数)神经网络的模型参考自适应控制算法,控制器的结构中使用RBF网络来动态的补偿系统的非线性性。基于Lyapnuov稳定性理论,给出了控制器参数的调整机制——σ-modification-type修正律,并根据神经网络的逼近误差给出了控制误差的估计,控制误差渐近收敛于0附近的一个紧集。仿真实例说明了所给出的算法切实可行。     

一种6-PRRS并联机器人的神经网络控制

针对6-PRRS并联机器人控制系统的非线性、耦合等特性,设计了神经网络控制器.此控制器采用分散控制策略,利用复合正交神经网络来消除并联机器人控制系统非线性、耦合的影响,学习系统的不确定信息作为前馈补偿使系统跟踪误差快速收敛,并采用PID作为反馈控制保证系统的稳定性,从而实现6-PRRS并联机器人的快速、稳定轨迹跟踪.该控制器以离散的形式进行设计,结构简单、易于工程实现.     

一种带非线性扩展的前向神经网络模型及其学习算法

通过提出一种带非线性扩展的前向神经网络模型,分析了ＧＧＢＰ算法的收敛性,总结出此种算法的动态学习率。仿真结果表明：此神经网络模型更适合于处理多输入,多输出的问题,在这方面其收敛速度,逼近非线性函数的能力比函数型连接网络和前向网络都优越,采用动态学习不仅可以保证网络的收敛性,而且可以使误差下降接近最快。     

模式神经元网络的聚类方法研究

为了更好地模拟人脑对事物的学习、认知过程,笔者提出了模式神经元网络的聚类规则和方法,从而完善了这种新型的神经网络模型。与现有的人工神经网络不同,模式神经元网络不需要反复迭代就能达到学习、识别、分类的效果。实验结果表明：与自适应共振理论相比,模式神经元网络的学习效率快,识别精度高,分类效果也比较好。