基于动态BP神经网络的漂白过程辨识研究

针对纸浆漂白过程的大惯性、大时滞、非线性,时变和多干扰的难控特点,本文提出利用动态BP神经网络来建立纸浆漂白过程的模型,仿真结果表明,该网络具有较好的准确性,能够较为真实的反应漂白过程.然后利用训练好的网络模型来模拟实际生产过程,在此基础上通过阶跃响应法来辨识对象模型的参数,得出了过程的具体数学模型,为纸浆漂白的优化控制提供了可能.     

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。     

基于BP神经网络的水厂加药凝絮过程辨识研究

城市供水中的加药凝絮过程是一个大惯性、大时滞、非线性、时变以及随机干扰多的难控过程.从生产数据来对该过程建模,并采用先进的控制策略对其进行有效的控制,一直是控制技术人员的追求目标.本论文以某水厂的实际生产数据为基础,采用动态BP神经网络的建模方法,通过辨识步骤.确定了动态BP网络结构,得到了具有较好拟合与泛化能力的神经网络模型.在已获取的神经网络模型上,进行了以待滤水浊度为输出,投矾量为输入的阶跃响应实验,以此取得了投药凝絮过程的一阶惯性加时滞模型.该模型的获取为今后采用先进的控制策略对加药凝絮过程进行高级控制打下了良好的基础.     

基于BP神经网络辨识模型的PEMFC系统建模

为分析燃料电池系统特性,采用BP神经网络结构辨识质子交换膜燃料电池系统模型,模型输入为系统实际输入,模型输出为电堆输出电压和电堆工作温度。由于PEMFC系统是一个时变非线性系统,采用一种串-并联前向神经网络辨识结构模型,将模型前几个时刻输出作为模型输入,使得静态网络结构具有动态特性。BP网络模型通过PEMFC系统所得到的实验数据进辨识。训练完成后BP网络模型输出与实际系统输出基本一致,结果表明BP网络模型能够有效反映质子交换膜燃料电池系统输出电压和电堆温度特性。     

基于神经网络的动态系统逆模型辨识及闭环控制

本文提出一种动态线性或非线性系统的神经网络逆模型辨识结构，并引出两种ＰＩＤ与神经网络逆模型相结合的自适应控制方案，神经网络模型采用基于Ｕ－Ｄ分解卡尔曼滤波学习算法（ＵＤＫ）的动态前向多层网、仿真结果表明了所述辨识方案的有效性及特点 。     

基于Hammerstein型神经网络的非线性动态系统辨识

Hammerstein模型广泛应用于非线性系统的辨识中,其结构是由非线性静态增益部分和一个线性动态部分串联。提出一种Hammerstein型神经网络用来模拟传统的Hammerstein模型,并将其应用于非线性动态系统的辨识中。由Lipschitz熵来确定Hammerstein型神经网络的阶次,并利用反向传播算法对网络权值的进行训练。仿真结果表明,Hammerstein型神经网络具有较好的非线性动态系统辨识性能。     

一种鲁棒BP算法及其在非线性动态系统辨识中的应用

利用多层前馈神经网络的非线性建模特性，基于动态ＢＰ网络的串并联和并联模型，提出了一种高鲁棒性ＢＰ算法，与传统的ＢＰ算法相比，鲁棒ＢＰ算法有５个优点：（１）适合于非线性动态系统辨识，（２）辨识精度高；（３）不必内插所有训练样本；（４）具有高鲁棒性，能抵制过失误差和量测误差；（５）收敛速度得到了改进，因为错误差样本的影响得到了适度的抑制，把该算法用于非线性动态系统辨识，仿真结果表明此方法是有效的。     

基于BP算法的系统辨识

讨论BP算法用于系统辨识时样本数的选取对训练速率的影响,确立一种选取每一时刻学习样本数的标准,在此标准下,既能保证训练网络的相对性,又能大大加快其收敛速度。     

一类基于RBF神经网络的动态系统在线自适应辨识方法

研究了基于神经网络的动态系统在线自适应辨识模型的基本结构,依据RBF（R adial Basis Function）网络线性输出的特点,给出了辨识模型参数的在线自适应校正的方 法,并进行了仿真实验,结果表明,该辨识模型校正方法具有一般性和实用性．     

非线性动态系统的Wiener神经网络辨识法

提出了一种新的Wiener神经网络结构并将其应用于非线性动态系统辨识问题.首先,用Wiener模型对非线性动态系统进行描述,将其分解成线性动态子环节串接非线性静态增益的形式.其次,设计一种新型的神经网络结构,使网络权值对应于相应的Wiener模型参数;并推导了基于反向传播的网络权值调整方法.最后,通过网络迭代训练,可同时得到线性动态子环节和非线性静态增益的模型参数.通过一个Wiener模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法切实可行.     

神经网络结构的动态构筑方法

如何决定人工神经网络的适当规模,以往都是通过试探法实现,不但费时,而且无规律可循。文中基于神经网络的基本学习算法,构筑动态网络结构,使之更符合抽取的新的输入、输出特性。讨论了构筑动态神经网络的一种途径。学习是从最简单的网络(无隐含单元)开始,新的单元一步一步补充,直到网络给出一个满意的模拟值。     

一种基于过程神经元网络的非线性动态系统辨识模型及应用

针对复杂非线性动态系统辨识问题,提出了一种基于过程神经元网络（PNN）的辨识模型和方法．根 据系统待辨识的模型结构和反映系统模态变化特征的动态样本数据,利用PNN 对时变输入／输出信号的非线性变 换机制和自适应学习能力,建立基于PNN 的系统辨识模型．辨识模型能够同时反映多输入时变信号的空间加权聚 合以及阶段时间效应累积结果,直接实现非线性系统输入／输出之间的动态映射关系．文中构建了用于并联结构和 串－并联结构辨识的PNN 模型,给出了相应的学习算法和实现机制,实验结果验证了模型和算法的有效性．     

非线性动态传感器系统的H模型神经网络辨识

针对非线性动态传感器模型辨识问题,提出一种新的Hammerstein模型神经网络结构辨识法。非线性动态传感器系统采用Hammerstein模型描述,将系统分解为非线性静态增益串接线性动态环节。再设计一种网络权系数对应于相应的Hammerstein模型参数的新型神经网络结构,推导了基于反向传播的网络权系数调整方法。通过网络迭代训练同时得到静态与动态两个环节的模型参数。最后通过一个H模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法是有效的。     

基于OFRBF-Elman网络的UUV动力学模型辨识

水下无人航行器(UUV)是具有较强非线性的复杂动态系统,而神经网络具有理论上逼近任意非线性的能力;为了提高UUV的动力学模型精度,运用了基于输出反馈的RBF-Elman(OFRBF-Elman)神经网络的系统辨识方法,即对Elman神经网络进行改进,将网络输出进行延时反馈,作为输入与隐层进行联接;将径向基函数作为隐层节点的激活函数,并以线性最小二乘法调整隐层到输出层的连接权值;然后,将该方法应用于UUV空间六自由度的动力学模型辨识中;最后,通过仿真证明了该网络结构的辨识算法具有很好的逼近能力和快速的训练速度。     

基于模糊分类的模糊神经网络辨识方法及应用

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)，给出了网络的连接结构和学习算法。基于竞争学习算法的模糊分类器确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。利用卡尔曼滤波算法在线辨识删的后件参数。AFNN结构简洁，逼近能力强，能够显著提高辨识精度，并且在线辨识的模糊模型简单有效。将该AFNN用于非线性系统的模糊辨识和化工过程连续搅拌反应器(CSTR)的建模中，仿真结果验证了该方法的有效性，表明该网络能够实现复杂非线性系统的建模，而且建模精度高、收敛速度快。可当作复杂系统建模的一种有效手段。     

一种基于模糊分类的模糊神经网络辨识方法

针对非线性辨识问题,基于改进的T-S模型,提出一种自适应模糊神经网络模型(AFNN)。首先,基于模糊竞争学习算法确定系统的模糊空间和模糊规则数,并得出每个样本对每条规则的适用程度。其次,利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁,逼近能力强,能够显著提高辨识精度,并且辨识的模糊模型简单有效。最后,将该AFNN用于非线性系统的模糊辨识,仿真结果验证了该方法的有效性。     

Neural Network Based Algorithm for Dynamic System Optimization

A class of artificial neural networks with a two‐layer feedback topology to solve nonlinear discrete dynamic optimization problems is developed. Generalized recurrent neuron models are introduced. A direct method to assign the weights of neural networks is presented. The method is based on Bellmann's Optimality Principle and on the interchange of information which occurs during the synaptic chemical processing among neurons. A comparative analysis of the computational requirements is made. The analysis shows advantages of this approach as compared to the standard dynamic programming algorithm. The technique has been applied to several important optimization problems, such as shortest path and control optimal problems.     

并行学习神经网络集成方法

该文分析了神经网络集成中成员神经网络的泛化误差、成员神经网络之间的差异度对神经网络集成泛化误差的影响,提出了一种并行学习神经网络集成方法;对参与集成的成员神经网络,给出了一种并行训练方法,不仅满足了成员网络本身的精度要求,还满足了它与其余成员网络的差异性要求;另外,给出了一种并行确定集成成员神经网络权重方法．实验结果表明,使用该文的成员神经网络训练方法、成员神经网络集成方法能够构建有效的神经网络集成系统．     

基于T-S模糊模型的神经网络的系统辨识

基于T-S模糊模型,提出了利用神经网络实现非线性系统的辨识。首先,利用一种无监督的聚类算法分析输入输出数据生成初始的结构模型,确定系统的模糊空间和模糊规则数,构造神经网络辨识模型前提参数,使前提参数自适应变化,有较好的自学习能力和优化能力,采用最小二乘法取得结论参数。仿真结果验证了该方法是有效和可行的。     

基于进化策略的动态递归神经网络建模与辨识

提出一种采用进化策略实现动态递归神经网络结构、权重和自反馈增益同时进化的学习算法,以及自适应进化机制,与改进ＢＰ６算法相结合,各取所长,形成集成化动态递归神经网络建模辨识算法,实际应用结果表明,所提出算法不仅明显提高了动态递是 网络模型辨识自救的收敛速度格精度,而且实现了动态递归网络的全自动优化设计。