基于LSSVM的MIMO系统快速在线辨识方法

针对时变非线性多输入多输出(MIMO)系统在线辨识较困难的问题,提出一种基于最小二乘支持向量机(LSSVM)的快速在线辨识方法.介绍了现有LSSVM增量式和在线式学习算法,并为它引入了一些加速实现策略,得到LSSVM快速在线式学习算法.将MIMO系统分解为多个多输入单输出(MISO)子系统,对每一个MISO利用一个LSSVM在线建模;这些LSSVM执行快速在线式学习算法.数字仿真显示该方法建模速度快,模型预测精度高.     

线性离散时延系统的辨识

本文根据逐步回归思想,提出了一种辨识多输入-单输出线性时延系统(MISO-D)的新算 法.本算法可推广应用于一类极其广泛的多输入-多输出时延系统的辨识,与迭代法相比[1-4], 计算量小,应用范围广.     

学习辨识:最小二乘算法及其重复一致性

针对重复时变系统, 提出学习辨识方法用于估计系统的时变参数. 讨论了有限时间作业区间上重复运行的时变系统以及周期时变系统两种情形. 文中给出最小二乘学习算法的推导过程, 并分析了所提算法的收敛性. 结果表明, 当重复持续激励条件成立时, 提出的学习算法具有重复一致性, 能够给出时变参数的完全估计. 通过数值算例进一步验证了学习算法的有效性.     

一种非常数型径向基函数神经网络学习算法研究

提出一种新的非常数型径向基函数神经网络的最优聚类学习算法,并将该算法应用于函数逼近和系统辨识.仿真结果表明本文提出的学习算法具有聚类的快速收敛性和网络构造的简练性.     

基于回归神经网络的非线性时变系统辨识

为克服基于前馈神经网络的非线性系统辨识算法存在需预先估计系统输入输出滞后阶数的缺陷，提出一种基于回归神经网络的非线性时变系统的辨识算法，针对现有的回归网络学习算法大多采用梯度算法，收敛速度缓慢问题，提出一种具有快速收敛性的扩展卡尔曼滤波学习算法，大大提高了学习收敛速度，并推导了一种基于单个神经元的局部化算法，减少了计算量，仿真实例证明，所提出的算法是有效的。     

非线性系统的参数空间分割辨识方法

本文提出了一种新的非线性系统Volterra级数模型辨识方法,为非线性系统辨识中 的“维数灾难”问题提供了一种满意的解决．算法中参数空间分割和模型辨识同时完成,降 维依据采用输出拟合结果的均方误差,最终得到输出拟合均方误差意义上的准最优解．本算 法也可以作为非线性系统模型的结构辨识算法,并可以直接推广应用于其它很大一类非线性 系统模型．仿真试验结果表明,算法计算量小,精度高,并具有较好的稳定性,可以应用于 在线实时辨识．     

一种非线性模型的在线辨识方法

提出一种用于非线性模型在线辨识的模糊算法。该算法将非线性输入输出系统用时变线性系统模型来拟和。并把此非线性系统模型表示成模糊模型的形式，用在线调节模糊模型的方法来辨识时变线性模型的相关参数。在以往的模糊辨识方法中，均未给出在线调整非线性系统的模糊辨识算法。将递推模糊聚类方法与卡尔曼滤波法用于在线调整模糊模型参数，仿真算例表明了此算法的有效性与良好的实用价值。     

自组织区间二型模糊神经网络及其自适应学习算法

针对复杂不确定非线性系统的辨识问题,提出一种基于聚类的自组织区间二型模糊神经网络学习算法.首先采用具有两个不同加权参数的FCM算法对输入数据进行划分来获取规则前件的不确定均值,同时结合聚类有效性标准确定模糊规则数目,从而自动完成神经网络的结构辨识和规则前件参数辨识;随后给出了基于梯度下降法和Lyapunov函数稳定收敛定理的规则后件权向量学习速率的自适应学习算法.通过非线性系统辨识实例,验证了该算法与其他方法相比具有更快的收敛速度和更高的逼近精度;并且利用该算法建立了某市电力短期负荷预测模型,结果表明该模型具有较高的预测精度,泛化性能更佳.     

一种新的基于神经模糊推理网络的复杂系统模糊辨识方法

针对基于输入输出数据的复杂系统的模糊辨识问题,提出了一种新的神经模糊推理网络及相应的学习算法．学习算法被应用于系统的结构辨识与参数辨识．在结构辨识阶段,介绍了一种新的直接从输入输出数据中抽取和优化模糊规则的学习算法;在参数辨识阶段,提出和推导了一种非监督学习和监督学习相结合的混合式学习算法,实现模糊隶属函数的初步调整和优化．仿真结果表明,本文的方法可以同时满足对辨识精度、收敛速度、可读性和规则数的要求．     

线性时变反馈系统的状态空间模型和模态参数递推辨识

针对闭环系统中时变状态空间模型和模态参数的辨识问题, 提出一种递推辨识格式, 将这种格式与递推子空间方法结合, 得到一种辨识方法. 该方法通过重建输入输出数据之间的关系, 递推辨识得到闭环系统的时变状态空间模型和模态参数. 算例研究了系统在模态参数突变和周期变化两种情况下的辨识问题, 仿真结果表明, 所提出算法能有效辨识线性时变反馈系统的状态空间模型和模态参数.

     

单层神经网络的快速学习算法研究

该文提出一种适用于单层神经网络(SNN)训练的新颖的广义误差函数,给出了 SNN新的快速学习算法(FLA).进一步提出了一种广义系统辨识模型,对FLA的收敛性进 行了理论分析.实验表明:文中给出的新FLA比Karayiannis的LFA具有更快的收敛速度.     

Constructive granular systems with universal approximation and fast knowledge discovery

Conventional gradient descent learning algorithms for soft computing systems have the learning speed bottleneck problem and the local minima problem. To effectively solve the two problems, the n-variable constructive granular system with high-speed granular constructive learning is proposed based on granular computing and soft computing, and proved to be a universal approximator. The fast granular constructive learning algorithm can highly speed up granular knowledge discovery by directly calculating all parameters of the n-variable constructive granular system using training data, and then construct the n-variable constructive granular system with any required accuracy using a small number of granular rules. Predictive granular knowledge discovery simulation results indicate that the direct-calculation-based granular constructive algorithm is better than the conventional gradient descent learning algorithm in terms of learning speed, learning error, and prediction error.     

一种机器人轨迹跟踪控制的迭代学习方法

本文提出了一种新的迭代学习策略并详细报告了在1台实验用机器人上的实验结果．这 个方法的特点是对于动力学参数未知的系统, 可以通过实验方便地确定满足收敛条件的学习 控制器参数． 因此,它具有实用价值, 并有可能将其使用范围推广到除机器人规迹控制外的 其它控制领域.     

模糊逻辑系统的GA+BP混合学习算法

提出一种在GA中融入BP算法的混合学习算法以实现模糊逻辑系统的自学习,利用遗传算法的全局最优性在大范围内搜索可能的极值,而用BP算法的误差梯度下降特性在极值点附近的快速搜索,从而达到了全局最优与快速搜索的有机结合,仿真结果表明,这种混合算法的学习效率无论是相对于GA还是BP均有显著提高。     

基于稀疏贝叶斯学习的雷达目标成像技术

利用傅立叶变换进行雷达目标成像,分辨率受瑞利准则的限制;超分辨成像技术能最著改善雷达图像的分辨率,但算法的复杂性急剧增加并且正则化参数不易选取.以稀疏贝叶斯学习为基础,针对雷达成像系统的结构特点,提出了一种基于快速傅立叶变换(FFT)和分块托普里兹(Toeplitz)系统的快速超分辨成像算法.算法无需存储系数矩阵,极大地降低了存储量和运算量.进一步,通过寻找拟合误差曲线和稀疏性度量函数曲线的交点实现了正则化参数的方便选择.仿真结果表明,算法对雷达目标图像具有良好的分辨率增强能力.     

非线性系统神经网络辨识的鲁棒BP算法

讨论系统辨识神经网络算法的鲁棒性问题。通过构造新的动态鲁棒目标函数得到的ＲＢＰ算法，能不断估计逼近精度，自动将品质好的样本置于强化学习域，并能有效地抵抗噪声干扰。实验结果表明，该算法具有鲁棒性强、收敛快、计算方便等特点。     

一种回归神经网络的快速在线学习算法

针对回归神经网络BP学习算法收敛慢的缺陷,提出了一种新的快速在线递推学 习算法.本算法在目标函数中引入了遗忘因子,并借助于非线性系统的最大似然估计原理成 功地解决了动态非线性系统回归神经网络模型权系数学习的实时性和快速性问题.仿真结果 表明,该算法比传统的回归BP学习算法具有更快的收敛速度.     

Adaptive composite suboptimal control for linear singularly perturbed systems with unknown slow dynamics

In this article, using singular perturbation theory and adaptive dynamic programming (ADP) approach, an adaptive composite suboptimal control method is proposed for linear singularly perturbed systems (SPSs) with unknown slow dynamics. First, the system is decomposed into fast‐ and slow‐subsystems and the original optimal control problem is reduced to two subproblems in different time‐scales. Afterward, the fast subproblem is solved based on the known model of the fast‐subsystem and a fast optimal control law is designed by solving the algebraic Riccati equation corresponding to the fast‐subsystem. Then, the slow subproblem is reformulated by introducing a system transformation for the slow‐subsystem. An online learning algorithm is proposed to design a slow optimal control law by using the information of the original system state in the framework of ADP. As a result, the obtained fast and slow optimal control laws constitute the adaptive composite suboptimal control law for the original SPSs. Furthermore, convergence of the learning algorithm, suboptimality of the adaptive composite suboptimal control law and stability of the whole closed‐loop system are analyzed by singular perturbation theory. Finally, a numerical example is given to show the feasibility and effectiveness of the proposed methods.     

神经网络建模在热膨胀螺栓形变测量中的应用

基于神经网络建立热膨胀螺栓形变的非线性数学模型。神经网络的辨识采用变尺度二阶快速学习算法,利用二阶插值法来优化搜索学习速率。新方法具有很快的收敛速度和良好的收敛精度,克服了BP算法在神经网络的权值训练中收敛速度过慢的缺点。热膨胀螺栓的受热形变测量结果表明,该学习算法适用于非线性系统的建模与辨识。