基于LM算法的在线自适应RBF网结构优化算法

针对LM算法不能在线训练RBF网络以及RBF网络结构设计算法中存在的问题,提出一种基于LM算法的在线自适应RBF网络结构优化算法.该算法引入滑动窗口和在线优化网络结构的思想,滑动窗口的引入既使得LM算法能够在线训练RBF网络,又使得网络对学习参数的变化具有更好的鲁棒性,并且易于收敛.在线优化网络结构使得网络在学习过程中能够根据训练样本的训练误差和隐节点的相关信息,在线自适应调整网络结构,跟踪非线性时变系统的变化,使网络维持最为紧凑的结构,以保证网络的泛化性能.最后通过仿真实验验证了所提出算法的性能.     

基于变结构径向基函数网络的船舶运动预测PID控制

针对船舶在海上运动的大时滞和动态时变等特点,提出基于一种变结构径向基函数(RBF)神经网络的预测PID控制器.通过建立反映系统动态变化的滑动数据窗口,在线序贯学习窗口内的数据,动态调整隐层节点与隐层至输出层的连接权值,得到结构可自适应变化的RBF网络.将该变结构RBF网络用于预测PID控制器中系统状态的在线多步预测,通过得到的预测模型灵敏度信息在线调整PID控制器参数以控制系统的输出.将该控制器用于船舶航向跟踪控制的仿真实验,结果表明该控制器具有良好的的适应性和鲁棒性.     

变结构径向基函数网络及其在混沌序列在线预测中的应用

为了利用径向基函数(RBF)神经网络对混沌序列进行精确和快速的在线预测,提出一种在线构造变结构RBF神经网络的序贯学习算法。该算法建立实时更新的滑动数据窗口,通过学习窗口内的数据对隐节点进行增加和删除,动态确定RBF神经网络隐节点的数目及中心位置,并对隐层至输出层的连接权值进行在线调整。该算法具有调节参数少、学习速度快以及所得网络结构精简等特点。将该网络用于Mackey-Glass混沌时间序列的在线预测实验,结果验证该算法对该混沌序列具有良好的在线动态辨识和预测性能。     

RBF网的动态设计方法

提出一种RBF网的动态设计算法(DYNRBF方法), 该算法有效地融合了ROLS算法和RAN网络的优点, 不仅能动态调节RBF网的隐节点数, 还能使网络的数据中心自适应变化. 该方法所设计的RBF网不仅具有较好的泛化能力, 当训练样本集变化时也具有好的鲁棒性.     

基于在线减法聚类的RBF神经网络结构设计

以设计最小径向基函数（RBF）神经网络结构为着眼点,提出一种在线RBF网络结构设计算法.该算法将在线减法聚类能实时跟踪工况的特性与RBF网络参数学习过程相结合,使得网络既能在线适应实时对象的变化又能维持紧凑的结构,有效地解决了RBF神经网络结构自组织问题.该算法只调整欧氏距离距实时工况最近的核函数,大大提高了网络的学习速度.通过对典型非线性函数逼近和混沌时间序列预测的仿真,表明所提出的算法具有良好的动态特性响应能力和逼近能力.     

转炉煤气回收系统优化控制策略应用

分析了转炉煤气回收工艺特点以及影响回收效果的重要因素,阐述了实现回收过程运行优化控制的相关工艺参数指标, 提出了一种基于提高CO浓度的 优化控制方案,利用模糊径向基函数(Radical basis function, RBF)神经网络在线辨识出炉口压差与CO浓度之间的数学模型,根据辨识模型实时调整压差控制回路设定值,通过控制系统跟踪调整 后的设定值,在辨识的过程中改进了网络学习算法,使辨识网络对学习参数变化具有较好的鲁棒性,并易于收敛.在应用 此优化控制方法对煤气回收系 统进行仿真分析的基础上,投入现场应用,结果表明,此优化控制策略能明显提高煤气回收的质量和品质,达到了良好的实 际应用效果.     

改进的RBF学习算法及其相似性应用

针对RBF网络梯度下降法容易造成网络收敛速度不够快和陷入局部极小的缺陷,引入一个具有步长先验知识的神经网络来动态调整梯度下降法中的学习步长.该算法中构造了两个RBF网络,分别设为A网和B网,其中A网具有步长先验知识.当B网络陷入局部极小时,则调用A网获得优化的学习步长,进而来提高B网络的收敛速度.实验结果表明了该算法的有效性和优越性.同时,该算法对相似性问题也有较好的解决能力.     

三自由度飞行器模型的神经网络PID控制

对于具有非线性、时变和强耦合特性的三自由度飞行器模型系统,采用常规PID控制方法难以获得满意的控制效果,因此,设计一种基于免疫遗传算法优化的RBF网络PID控制器来实现该系统的稳态控制.在控制系统中,RBF网络实现对被控对象的Jacobian矩阵信息辨识,并通过在线学习自适应地调整PID参数;免疫遗传算法用于RBF网络的初值参数优化,以确保获得理想的控制效果.仿真实验表明,这种方法的控制品质优于LQR控制,具有较好的适应能力、鲁棒性和较快的响应速度.     

改进的Fuzzy—Artmap网络在遥感图像分类中的应用

提出了一种新的神经网络RBF Fuzzy-Artmap网络,该网络由径向基(RBF)神经网络和Fuzzy-Artmap网络构成.因为在Fuzzy-Artmap网络结构中使用了RBF网络的学习方法,因此克服了RBF网络和Fuzzy-Artmap网络的缺点,具有在线增量学习的功能,且不受样本输入顺序的影响.将新型网络应用到遥感图像分类中,得到了满意的分类精度,是一种有效的图像分类方法.     

车载自组网中基于滑动窗口的网络编码传输策略

由于节点的高速移动和拓扑的快速变化,使得在车载自组网中传输时延敏感的数据是一个很大的挑战。针对此问题,提出了一种在机会路由上使用基于滑动窗口的网络编码传输策略。该策略根据网络状态自适应地调整滑动窗口的大小,来编码不同长度的编码包,去容忍ACK的延迟,使得在各种网络条件下都能保持较高的吞吐率;使用下三角形式的渐进编码使接收端逐步解码,从而平滑接收端的解码时间间隔。仿真结果表明,该策略具有更高的吞吐率,同时能够在接收端形成时延抖动小的数据流,为车载自组网中流媒体等时延敏感的数据流传输提供更好的服务质量。     

Nonsingular Terminal Sliding Mode Control of Robot Manipulators Using Fuzzy Wavelet Networks

This paper presents an adaptive nonsingular terminal sliding mode (NTSM) tracking control design for robotic systems using fuzzy wavelet networks. Compared with linear hyperplane-based sliding control, terminal sliding mode controller can provide faster convergence and higher precision control. Therefore, a terminal sliding controller combined with the fuzzy wavelet network, which can accurately approximate unknown dynamics of robotic systems by using an adaptive learning algorithm, is an attractive control approach for robots. In addition, the proposed learning algorithm can on-line tune parameters of dilation and translation of fuzzy wavelet basis functions and hidden-to-output weights. Therefore, a robust control law is used to eliminate uncertainties including the inevitable approximation errors resulted from the finite number of fuzzy wavelet basis functions. The proposed controller requires no prior knowledge about the dynamics of the robot and no off-line learning phase. Moreover, both tracking performance and stability of the closed-loop robotic system can be guaranteed by Lyapunov theory. Finally, the effectiveness of the fuzzy wavelet network-based control approach is illustrated through comparative simulations on a six-link robot manipulator     

Adaptive neural sliding mode compensator for a class of nonlinear systems with unmodeled uncertainties

This paper addresses the problem of adaptive neural sliding mode control for a class of multi-input multi-output nonlinear system. The control strategy is an inverse nonlinear controller combined with an adaptive neural network with sliding mode control using an on-line learning algorithm. The adaptive neural network with sliding mode control acts as a compensator for a conventional inverse controller in order to improve the control performance when the system is affected by variations in its entire structure (kinematics and dynamics). The controllers are obtained by using Lyapunov's stability theory. Experimental results of a case study show that the proposed method is effective in controlling dynamic systems with unexpected large uncertainties.     

实时低功耗飞行器神经网络

为了满足飞行器实时飞行过程中对大量异构输入数据的信息处理需求,文中提出了一种神经网络,其包括卷积定点滑动核、池化压缩量化核以及全连接压缩融合核,将飞行器异构传感器多路并行数据作为系统的输入,将辨识结果作为系统的输出。卷积滑动窗口核通过排除冗余数据的滑动窗快速实现数据特征的提取;池化压缩量化核使用压缩量化技术来提高系统的执行效率;全连接压缩融合核经删减量化后压缩融合并输出。该设计满足了飞行器对高可靠性、低功耗的在线智能集成需求。使用所提压缩量化方法,准确率最高可达98.54%,压缩率为77.8%,运行速度提升了40倍。     

认知网络中基于无性繁殖优化的组播路由算法

为了保证网络用户的服务质量,认知网络与可信网络从提高网络的智能性与可信性方面提供了保证机制.基于人工免疫系统的智能化特征,在认知网络架构的基础上,提出了一种基于无性繁殖优化的可信QoS组播路由算法.该算法将免疫器官的功能集成在网络节点中,使其具备认知能力.同时,采用滑动窗口思想设计信任评价机制,对每个网络节点的行为记录进行信任评价.根据无性繁殖优化机制,基于用户满意度和节点的信任值进行路由选择,得到满足用户服务质量需求的可信路由最优解.最后,在仿真平台上将该组播路由算法与经典组播路由算法进行性能评价,结果表明,该算法能够为网络用户提供更好的服务质量.     

基于滑动时间窗的支持向量机软测量建模研究

提出了一种基于滑动时间窗的最小二乘支持向量机软测量建模方法，并针对某一工业共沸精馏塔成分估计问题，建立了合适的工业软测量模型。介绍了最小二乘支持向量机计算法和滑动时间窗的建立。并利用滑动时间窗内的数据进行系统的在线优化和周期性模型更新，提高了工业软测量模型的在线估计精度。研究结果表明，LS—SVM是一种有效的软测量建模方法。     

Robust fault-tolerant control of a class of non-minimum phase nonlinear processes

This article concerns with the regulation and fault-tolerant control of non-minimum phase nonlinear processes with mismatched uncertainties. A variable structure controller, switching between a first-order sliding mode control and a second-order sliding mode control, is proposed to regulate the output and to stabilize the unstable zero dynamics with mismatched uncertainties. Once detected, the fault is estimated on-line by an approximator of radial basis function network; the control law is reconfigured to compensate the fault with closed-loop system asymptotically stable. The application of the proposed algorithm to a non-minimum phase continuously stirred tank reactor (CSTR) is illustrated in the presence of matched and mismatched uncertainties and component fault.     

Taking advantage of improved resource allocating network and latent semantic feature selection approach for automated text categorization

In this study we propose an improved learning algorithm based on resource allocating network (RAN) for text categorization. RAN is a promising neural network of single hidden layer structure based on radial basis function. We firstly use the means clustering-based method to determine the initial centers in the hidden layer. Such method can effectively overcome the limitation of local-optimal of clustering algorithms. Subsequently, in order to improve the novelty criteria of RAN, we propose a root mean square (RMS) sliding window method which can reduce the underlying influence of undesirable noise data. Through the further research on the learning process of RAN, we divide the learning process of RAN into a preliminary study phase and a subsequent study phase. The former phase initializes the preliminary structure of RAN and decreases the complexity of network, while the latter phase refines its learning ability and improves the classification accuracy. Such a compact network structure decreases the computational complexity and maintains the higher convergence rate. Moreover, a latent semantic feature selection method is utilized to organize documents. This method reduces the input scale of network, and reveals the latent semantics between features. Extensive experiments are conducted on two benchmark datasets, and the results demonstrate the superiority of our algorithm in comparison with state of the art text categorization algorithms.