基于Haar 小波变换的连续时间系统鲁棒参数辨识

给出用Ｈａａｒ小波对连续时间系统的鲁棒辨识方法。该方法在用Ｈａａｒ小波对系统输入和输入展开时,通过极小化一个鲁棒指标来减少噪声对展开系数的影响。因此对连续时间系统可获得鲁棒参数估计。仿真结果表明了该算法的有效性。     

基于神经网络的非线性气动弹性系统辨识

由于气动弹性系统的非线性和不确定性的存在,传统的辨识方法在工程中难以满足。针对这种情况提出了一种模糊小波神经网络(FWNN)辨识方法。首先,采用区间2型模糊逻辑系统和小波神经网络结合构建FWNN网络结构,能够较好地逼近具有不确定性的非线性AE系统;然后,考虑到辨识的快速性和准确性,系统采用一组模糊IF-THEN规则,对模糊后件采用单隐层小波神经网络结构;参数学习采用基于Lyapunov稳定性的滑模学习算法,保证系统存在参数不确定的情况下,辨识误差能更快地收敛。最后,对结构非线性二元翼段进行仿真研究,验证了该模型的有效性。     

基于小波神经网络的系统辨识方法

神经网络由于具有良好的自学习和自适应能力，在非线性黑箱建模或系统辨识中有着广泛的应用，这些辨识模型有：多层感知器、径向基函数网和反馈网络等等。文中提出了基于小波神经网络模型的系统辨识方法。由于小波变换或分解所表面的良好的时频局部化特性，以及多尺度的功能，我们用规范正交的小波函数作为基函数网络中的基函数，得到所谓的小波神经网络。通过计算机仿真证实了该方法的良好的辨识效果。     

基于小波神经网络的通用多变量非线性系统辨识算法和应用

在分析小波函数对L2(R)空间的逼近原理的基础上,给出了仅使用尺度函数的神经网络模型和网络学习方法,使得用于逼近低通系统的小波基函数大大减少,并给出逼近的理论依据.提出的小波神经网络模型的学习为线性LS参数估计问题,具有通用性和易用性,并具有线性系统中线性LS参数估计的优良性质,保证了在训练数据受噪声污染时的网络模型的推广能力.理论分析、仿真实验和实际应用结果都说明该辨识方法具有好的辨识精度和推广能力.     

多模型小波网络非线性动态系统辨识

由于许多复杂的工业系统具有非线性特性，难以建立确切的数学模型，因此提出用 多模型小波网络辨识非线性动态系统，并给出了辨识结构和训练算法．仿真实验比较了多模型小波网络与单小波网络在辨识非线性系统时性能上的差异，验证了该方法收敛速度快，抗干扰能力强，具有较高的逼近精度．     

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.     

非线性系统的神经网络辨识和控制方法

1引言 在Wiener开创控制论的伊始,就将控制、信息和神经科学作为一个共同的课题。后,控制学科、计算科学和神经生理学趋于分开发展。自从80年代初期以来,神经网络有了长的进步,在人工智能和     

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。     

基于PID神经网络的非线性时变系统辨识

1　引言PID神经网络是一种多层前向网络 ,它除了具备传统的多层前向网络的特点 ,如逼近能力、并行计算、非线性变换等特性外 ,其隐层单元还分别具有比例、微分和积分等动态特性[1～ 4] .本文将介绍 PID神经网络在非线性时变系统辨识方面的研究结果 .2　PID神经网络结构与算法PI     

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。     

连续非线性动态系统建模的模糊神经网络方法

提出一种适合于一般连续非线性动态系统建模的新的Runge-Kutta模糊神经网络(RKFNN)，证明了RKFNN的存在性。采用传统的Runge-Kutta求积公式构造，实现了对系统的状态变化特性进行学习，解决了直接映射方式对系统的动态轨迹进行学习时存在的精度低等问题，并提出了RKFNN的在线递推学习算法。对连续非线性动态系统进行楚模的仿真结果表明，RKFNN方法是一种较好的方法。     

Automated nonlinear system modelling with multiple neural networks

This article discusses the identification of nonlinear dynamic systems using multi-layer perceptrons (MLPs). It focuses on both structure uncertainty and parameter uncertainty, which have been widely explored in the literature of nonlinear system identification. The main contribution is that an integrated analytic framework is proposed for automated neural network structure selection, parameter identification and hysteresis network switching with guaranteed neural identification performance. First, an automated network structure selection procedure is proposed within a fixed time interval for a given network construction criterion. Then, the network parameter updating algorithm is proposed with guaranteed bounded identification error. To cope with structure uncertainty, a hysteresis strategy is proposed to enable neural identifier switching with guaranteed network performance along the switching process. Both theoretic analysis and a simulation example show the efficacy of the proposed method.     

动态驱动神经网络辨识永磁直线同步电动机模型

永磁直线同步电动机(PMLSM)模型的建立对研究其稳态特性、动态特性和控制策略都是非常重要的．本文利用动态驱动神经网络对其进行建模,并在代价函数一致的基础上加入残差分析法来辨识模型的阶次,使得神经网络具有自动识别阶次的能力．为了克服神经网络结构依靠人工试凑的不足,使用基于Hession矩阵的修剪法来优化其结构．考虑到改进BP算法(学习速率自适应、动量项的方法)的一些固有缺点,使用NDEKF(基于节点的解耦扩展Kalman滤波器算法)来训练网络．实验证明,混合网络能够准确辨识出试验样机的阶次并且输出结果与实际结果十分接近;同时将NDEKF与改进BP算法进行对比,NDEKF算法具有收敛较快、泛化能力强等特点．     

非线性时滞系统的稳定自适应控制

针对模型不确定性的连续时间时滞系统，提出了一种新的神经网络自适应控制。系统的辨识模型是由神经网络和系统的已知信息组合构成，在此基础上，建立时滞系统的预测模型。基于神经网络预测模型的自适应控制器能够实现期望轨线的跟踪，理论上证明了闭环系统的稳定性。连续搅拌釜式反应器仿真结果表明了该控制方案的有效性。     

粒子群优化算法训练神经网络辨识混沌系统

提出利用粒子群优化算法训练神经网络的算法,进行混沌系统辨识,并与神经网络、遗传神经网络对同一混沌系统辨识的结果进行比较。实验表明,利用粒子群优化算法训练神经网络进行混沌系统辨识,在不明显增加执行时间的基础上,寻求最优解的质量有显著提高,并且原理简单,容易实现,可有效用于混沌系统的辨识。     

混沌系统的RBF神经网络非线性补偿控制

设计RBF神经网络非线性补偿控制器,提出了混沌系统线性状态反馈的复合控制方法,将可调系统混沌行为镇定到期望目标位置或者变成周期运动.用Lorenz方程作仿真实验,结果证明了该方法的有效性.     

An improved differential evolution trained neural network scheme for nonlinear system identification

This paper presents an improved nonlinear system identification scheme using di？erential evolution （DE）, neural network （NN） and Levenberg Marquardt algorithm （LM）. With a view to achieve better convergence of NN weights optimization during the training, the DE and LM are used in a combined framework to train the NN. We present the convergence analysis of the DE and demonstrate the efficacy of the proposed improved system identification algorithm by exploiting the combined DE and LM training of the NN and suitably implementing it together with other system identification methods, namely NN and DE＋NN on a number of examples including a practical case study. The identification results obtained through a series of simulation studies of these methods on different nonlinear systems demonstrate that the proposed DE and LM trained NN approach to nonlinear system identification can yield better identification results in terms of time of convergence and less identification error.     

Design and performance analysis of tracking controller for uncertain nonlinear composite system using neural networks

Based on high order dynamic neural network, this paper presents the tracking problem for uncertain nonlinear composite system, which contains external disturbance, whose nonlinearities are assumed to be unknown. A smooth controller is designed to guarantee a uniform ultimate boundedness property for the tracking error and all other signals in the dosed loop. Certain measures are utilized to test its performance. No a priori knowledge of an upper bound on the “optimal” weight and modeling error is required; the weights of neural networks are updated on-line. Numerical simulations performed on a simple example illustrate and clarify the approach.     

Adaptive neural control for a class of uncertain nonlinear systems with unknown time delay

A neural network (NN)‐based robust adaptive control design scheme is developed for a class of nonlinear systems represented by input–output models with an unknown nonlinear function and unknown time delay. By approximating on‐line the unknown nonlinear functions with a three‐layer feedforward NN, the proposed approach does not require the unknown parameters to satisfy the linear dependence condition. The control law is delay independent and possible controller singularity problem is avoided. It is proved that with the proposed neural control law, all the signals in the closed‐loop system are semiglobally bounded in the presence of unknown time delay and unknown nonlinearity. A simulation example is presented to demonstrate the method. Copyright © 2008 John Wiley & Sons, Ltd.