基于改进微粒群算法的Elman网络在非线性动态系统辨识中的应用

针对反向传播算法优化ELMAN神经网络权值时存在的收敛速度慢,求解精度低等问题,提出了改进微粒群算法修正网络权值的学习算法.仿真结果验证了基于改进微粒群算法的Elman神经网络在非线性系统中进行辨识的可行性。     

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。     

采用正交小波网络的非线性系统辨识方法

基于多分辨分析的递阶思想,采用正交小波网络研究了输入样本空间分布非均匀时非线性系统的辨识问题,重点讨论了样本非均匀时网络系的设计问题,并给出了基于该网络系的在线递阶辨识算法,最后利用正交小波网络分别对非线性静态和动态系统进行了仿真辨识。     

基于支持向量回归的非线性系统辨识

本文将支持向量回归方法应用于非线性系统辨识问题．基于高斯支持向量回归及ε不敏感损失函数的基本思想，本文提出一个非线性系统辨识的新算法，并将其与用于系统辨识的径向基函数神经网络进行了比较．模拟实验表明，支持向量回归方法可以成为非线性系统辨识的有力工具．     

基于ANFIS的非线性信道的辨识

当前对高速通信的需求导致对信道资源的利用已经超出了可以采用线性模型建模的范围,所以必须采用适当的非线性模型进行描述,为了实现对高速通信中非线性信道的辨识,提出了采用自适应神经模糊推理系统(ANFIS)进行信道辨识的方法,并对ANFIS网络的结论参数采用最小二乘法进行辨识,对前提参数采用误差反传的方法进行学习,最后,运用MAT-LAB实现了对非线性信道进行辨识及均衡的仿真,并将仿真结果与BP网辨识结果进行比较,说明ANFIS网络能很好地逼近非线性信道的传递函数,并在收敛速度及辨识精度方面优于BP网络.     

基于鲁棒小波网络的非线性系统辨识

分析了传统小波网络的不足,同时考虑到实际中学习样本可能被非高斯白噪声干扰的情况,提出用于辨识非线性系统的鲁棒正交小波网络,并对辨识精度和收敛性进行了分析。理论分析和仿真研究表明,该文提出的方法是有效的。     

稳态估计与动态辨识相结合的辨识非线性系统的新方法

本文针对Ｈａｍｍｅｒｓｔｅｉｎ系统，提出了一种辨识非线性增益和脉冲响应的新方法，该方法同时利用稳态和动态两种信息，所得到的估计是强一致性的，并且还研究了非线性增益估计误差的渐近分布和收敛速度，仿真结果说明了该方法的有效性和实用性。     

基于非线性自回归时序模型的振动系统辨识

针对线性和弱非线性振动系统进行了研究,提出采用非线性自回归时序(GNAR)模型进行系统频率辨识和判断系统性或非线性基本特征的方法。首先根据摄动法求解非线性微分方程的理论,论证GNAR模型与线性和弱非线性系统之间的本质联系,推导出GNAR模型系数与线性和非线性系统频率之间的解析关系,然后给出由GNAR模型系数和结构判断系统是否存在非线性,及辨识系统频率和非线性项基本特征的方法。最后,以单自由度线性振动系统和无阻尼Duffing振动系统为算例验证该辨识方法的有效性和准确性。实验结果表明,基于GNAR模型的振动系统基本特征辨识方法具有较好的识别精度,能用于估计系统的动力学特性。     

一种非线性系统参数辨识算法

本文讨论一类非线性差分方程的参数辨识问题，借助于线性化方法，给出了一种称健的递推算法，该算法有选择地引入一些项目剔除另一些项，同时可以根据估计精度的要求自动地调整模型的阶数，从而尽可能地获取系统的精确模型。数值仿真结果证明了算法的有效性。     

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。     

用含动态隐层的前馈网辨识非线性系统

用含动态隐层的前馈网对非线性系统建立全局成立的输入输出模型,证明了这种辨识结构的可行性,网络学习算法为动态BP法.     

基于递归神经网络的一类非线性无模型系统的自适应控制

给出了基于递归神经网络非线性无模型的自适应控制方案，它具有灵活、简单、方法等特点，可以处理传统方法和非线性无模型系统自适应控制方法不能控制或控制效果不理想的非线性对象。理论分析和仿真结果证明了这种方法的优越性。     

用神经网络进行非线性离散动态系统辨识的可行性

本文通过证明由神经网络组成的动态系统具有可以逼近满足一定条件的非线性离散动态系统到任意精度的能力，以及讨论将其作为辨识模型对非线了散动态系统进行实时辨识时系统的稳定性，对用神经网络进行非线性离散动态系统辨识的可行性进行了探讨，并提出了有待解决的问题。     

State-Space Recurrent Fuzzy Neural Networks for Nonlinear System Identification

In this paper, we propose a new recurrent fuzzy neural network, which has the standard state space form, we call it state-space recurrent neural networks. Input-to-state stability is applied to access robust training algorithms for system identification. Stable learning algorithms for the premise part and the consequence part of fuzzy rules are proved.     

基于神经网络非线性系统辨识和控制的研究

本文提出了由静态的前馈网络和稳定的滤波器构成的非线性系统的辨识模型，在神经网络固有的逼近误差存在的情况下，从理论上讨论了神经网络应用于辨识控制过程中系统的稳定性问题，最后研究了在非线性系统的轨迹跟踪过程中增加滑动控制来偿神经网络的逼近误差，从而提高系统跟踪性能。     

神经网络并联辨识算法的收敛性研究

神经网络可用来建立非线性动态系统的模型，其辨识模型可分为串联并联辨识模型和并联辨识模型两种，后者的思路源于基于参考模型自适应方案的输出误差辨识模型，对观测扰动有较强的抑制能力。本文对这种神经网络并联辨识结构的收敛性进行了研究，指出在网络参数满足一定条件时并联预测过程收敛，且并联辨识算法具有局部收敛性，仿真实验验证了上述结论。     

有色噪声中非线性动态系统的BP网络辨识

前馈多层神经网络为复杂的非线性系统提供了一种极具吸引力的模型结构。本文不利用仅含一个隐层的前馈多层神经网络来拟合离散时间非线性动态系统的问题进行了探讨。由于有色噪声的存在会导致网络模型偏差产生，文中引入了一种对噪声建模的方案。借助于非线性模型检验技术，本文给出了在有色噪声存在的情况下，利用ＢＰ网络辨识离散时间非线性动态系统的一般方法，仿真结果亦表明该方法行之有效。     

非线性系统多步预测控制的复合神经网络实现

提出一种基于神经网络的非线性多步预测控制,采用由线性网络和动态递归神经网络构成的复合神经网络。在此基础上将线性系统的广义预测控制器扩展为非线性系统的多步预测控制器。通过对非线性过程ＣＳＴＲ的仿真表明,该方法的稳定性和鲁棒性明显优于线性ＤＭＣ预测控制。     

基于Hopfield神经网络的线性系统参数辨识

基于Ｈｏｐｆｉｅｌｄ神经网络的优化计算原理,提出了一种新的线性系统参数辨识方法,利用连续型ＨＮＮ辨识线性系统Ｉ／Ｏ差分方程计算系统的传递函数矩阵,最终获得了可观标准型的状态空间表达式,仿真结果证明了这种只方法的有效性。     

用神经网络进行连续时间非线性系统建模的研究

在用神经网络进行系统建模时,建模误差的存在是难免的。为了减小这种误差,本文对连接时间非线性系统提出了一种新的神经网络辨识模型,它是由带有输入修正的神经网络和稳定滤波器组合而成。文中给出了权值的学习算法,即权值是根据辨识误差的投影算法来改变,证明了在一定条件下辨识误差的收敛性。