基于自适应交互算法的神经网络控制器设计

自适应交互算法是一种简单有效的算法，可以应用于不同类型的系统，与常用的BP算法相比，它不需要反馈网络反向传播误差，可以直接用来设计自适应神经网络控制器，使控制器的设计简单化，将这种算法应用于神经网络，并设计了神经网络控制器，通过仿真研究表明，用自适应交互算法设计的控制器不仅结构简单，而且控制效果也非常好。     

基于高阶神经网络的控制器研究

提出基于高阶神经网络的直接自学习控制器，并采用变斜率Ｓｉｇｍｏｉｄ函数作为阈值函数，给出了相应的控制算法。该控制器具有很强的鲁棒性和快速收敛性，且由于只使用平面网络，使计算时间大为缩短，从而具有良好的实时性。对非线性液压伺服系统的仿真研究证明了该控制器的可行性有效性。     

一类新型神经网络模型及其控制器设计

提出一种新型神经网络模型(HNM)。此模型是一种本质非线性模型，但可以应用线性控制理论的成果来设计稳定的控制器，并且模型中的连接权系数有各自的物理意义，可以通过经验来确定其初始值。同时通过分析对角矩阵的稳定性，给出了基于HN模型的控制器的设计方法及稳定性证明。仿真结果表明HN模型的有效性及控制器的优良性能。     

基于改进单关节信息传输模型的闭环脑机接口系统设计

近年来,脑机接口(BMI)技术在残疾人肢体功能康复、老年人生活辅助等方面的应用日益广泛.本文以单关节信息传输(SJIT)模型为对象,通过模型改进、设计解码器和辅助控制器构造了闭环脑机接口系统以恢复单关节的运动功能.本文主要工作包括:1)引入相对速度向量对单关节信息传输模型改进以降低模型输出的超调量,并测试了改进模型的性能; 2)基于改进模型,通过设计基于维纳滤波的解码器、基于预测控制策略的辅助控制器构造了闭环脑机接口系统以恢复缺失的信息通路.离线和在线仿真说明,改进模型的输出性能有较大提升、超调量明显下降;构建的闭环系统很好地实现了对缺失信息通路的恢复和期望轨迹的跟踪,且具有较强的抗干扰性.     

基于遗传算法的神经网络控制器的设计及应用

本文提出了一种改进的遗传算法进行神经网络的训练，它结合神经网络、遗传算法两种方法的优点，并用仿真实验表明该方法的有效性。用改进算法设计的神经网络控制器，来实现循环型制气过程优化控制，取得了令人满意的结果，验证了该方法具有良好的鲁棒性和控制精度。     

基于神经网络的自适应模糊控制器

本文提出了一种基于神经网络的自适应模糊控制器，控制器为５层前向结构，其输入和输出均为数值量。根据给定的训练数据，通过学习算法，能够实现前件参数和后件参数的辨识，提取控制规则，最后通过仿真实验证明了这种方法的有效性。     

基于自适应评价UPFC神经网络控制器设计

对含UPFC(统一潮流控制器)的电力系统提出一种新型的非线性最优神经网络控制器。启发式动态规划(HDP)是自适应评价设计(ACDs)体系中的一员,采用HDP来设计UPFC神经网络控制器。和传统的PI控制器相比,这种神经网络控制器能够提供非线性最优控制。仿真结果表明,此种控制器具有很好的控制效果。     

基于PCC的神经网络PID控制器设计

提出了一种基于可编程计算机控制器（PCC）的神经网络PID控制器,以PCC为硬件,利用神经网络逼近任意非线性函数的功能,实现了PID控制算法中三个参数Kp、Ki、Kd的在线调整。并利用神经网络模型对被控对象的输出值进行预测,根据预测值对神经网络各层中的加权系数进行在线修正,同时引入了带死区的控制算法。该设计方案具有调节速度快、适应能力强、可靠性高等优点。实验结果表明,该控制器具有强抗扰、响应快、鲁棒性好等特点。     

在线学习RBF神经网络的模型参考自适应控制器

本文给出一种在线学习RBF神经网络的快速算法,并设计了在线学习RBF神经网络的MARAC。通过仿真表明,在线RBF神经网络的MRAC计算量小、在线学习、跟踪时间短、控制精度高的优点。     

非线性量化小脑模型关节控制器神经网络控制器

常规小脑模型关节控制器(CMAC)神经网络采用线性均匀量化,稳态控制精度与量化级数相关,增加量化级数可提高稳态精度但会导致内存空间和计算量的增加.本文提出一种可采用幂函数、高斯、分段3种非线性量化方法的非线性量CMAC神经网络,并分析了非线性量化CMAC的收敛性,解释了非线性量化提高稳态精度的本质.面向一阶惯性环节、二阶系统、一阶时变系统及二阶时变系统,分别跟踪方波、斜坡、正弦波、三角波和加速度等输入信号,仿真验证了非线性量化CMAC神经网络控制器的有效性,给出了不同非线性量化方法的适用性.结果表明,非线性量化CMAC参数容易设定,物理意义清晰,与常规CMAC对比,其快速性和控制精度显著提高,可以有效解决实际复杂非线性时变系统的控制.     

基于神经网络的强化学习算法研究

BP神经网络在非线性控制系统中被广泛运用,但作为有导师监督的学习算法,要求批量提供输入输出对神经网络训练,而在一些并不知道最优策略的系统中,这样的输入输出对事先并无法得到,另一方面,强化学习从实际系统学习经验来调整策略,并且是一个逼近最优策略的过程,学习过程并不需要导师的监督。提出了将强化学习与BP神经网络结合的学习算法-RBP模型。该模型的基本思想是通过强化学习控制策略,经过一定周期的学习后再用学到的知识训练神经网络,以使网络逐步收敛到最优状态。最后通过实验验证了该方法的有效性及收敛性。     

A neuron model with trainable activation function (TAF) and its MFNN supervised learning

This paper addresses a new kind of neuron model, which has trainable activation function (TAF) in addition to only trainable weights in the conventional M-P model. The final neuron activation function can be derived from a primitive neuron activation function by training. The BP like learning al-gorithm has been presented for MFNN constructed by neurons of TAP model. Several simulation ex-amples are given to show the network capacity and performance advantages of the new MFNN in com-parison with that of conventional sigmoid MFNN.     

基于增强型算法并能自动生成规则的模糊神经网络控制器

给出了一种基于增强型算法并能自动生成控制规则的模糊神经网络控制器RBFNNC（reinforcements based fuzzy neural network comtroller）。该控制器能根据被控对象的状态通过增强型学习自动生成模糊控制规则,RBFNNC用于倒立摆小车平衡系统控制的仿真实验表明了该系统的结构及增强型学习算法是有效和成功的。     

基于强化学习的股票预测系统的研究与设计

股票市场是金融分析领域中重要而困难的问题。股票数据的分析和预测具有重大的理论意义和诱人的应用价值。BP神经网络在目前的股票预测系统中应用广泛,但是作为有导师的学习系统,BP神经网络必须要求提供相关的经验数据才能正常运行。对此本文提出了一种基于强化学习BP算法应用于股票预测系统,通过强化学习体系来实现体统的自学习,通过网络集成来达到初始数据的预处理,提高系统的泛化能力,在实际应用中取的较好的效果。     

一种基于视皮层神经元模型的彩色图像签名算法

针对彩色图像签名问题进行了研究,基于哺乳动物视皮层神经元工作原理,提出了一种三通道脉冲发放皮层模型TSCM(Triple-Channel Spiking Cortical Model),实现了对彩色图像不变性特征的有效提取。TSCM模型不但具有常规脉冲耦合神经网络签名算法的平移、旋转、缩放不变性,而且算法更加简洁高效,对于噪声影响具有更强的鲁棒性。实验仿真结果验证了该算法的有效性。     

基于深度强化学习的四旋翼无人机双向推力控制

目前四旋翼无人机控制技术主要采用电机正向推力的思路,限制了双向转动电机的应用潜力。为了提高四旋翼无人机的机动性,扩展其动作空间,实现机动飞行和快速控制,提出一种基于深度强化学习的四旋翼无人机双向推力控制方法。该方法首次将深度强化学习与四旋翼无人机双向推力控制相结合,在双向推力的旋翼无人机动力学模型的基础上,设计基于深度强化学习的神经网络控制器,控制无人机底层的4个电机的期望推力,实现了无人机在剧烈运动状态下的快速悬停。同时,开展了大姿态角、大速度、大角速度等剧烈运动状态下四旋翼无人机稳定悬停控制仿真实验,实验结果表明,与现有使用正向推力的控制器相比,本文提出的双向推力控制器执行动作更平滑、无人机状态波动更小、控制时间更短、鲁棒性更强,能够有效提升无人机的控制效果。     

一种基于蚁群算法的粗神经网络PID控制器

针对传统的线性PID控制器参数难以实现在线调整缺陷,设计了一种新的基于粗神经网络的PID控制器,利用粗神经元代替传统神经元,扩展了网络的应用范围,并采用蚁群算法优化神经网络连接权初值,使神经网络连接权初值不再靠经验随机选取,从而得到最优参数的控制器。仿真结果表明,该控制器具有良好的控制性能。     

M-P模型的背景探究

M-P模型是人类历史上第一个神经元模型,源自1943年麦卡洛克和皮茨所发表的研究论文。这篇论文主要的基础是当时的神经元生理知识、数理逻辑分析方法以及图灵等人的研究成果。上述论文及相关内容构成了M-P模型的背景,通过对其进行梳理和分析,可了解麦卡洛克和皮茨的研究思路,认识M-P模型的历史地位、作用以及更多技术细节。     

采用增强学习算法的排课模型

时间表问题是典型的组合优化和不确定性调度问题。课表问题是时间表问题的一种形式,分析了排课问题的数学模型，并研究了用增强学习(Reinforcement Leaming)算法中的Q学习(Q-Leaming)算法和神经网络技术结合解决大学课表编排问题，给出了一个基于该算法的排课模型，并对其排课效果进行了分析和探讨。     

一种新的双权值前向神经网络学习算法

提出了一种新的基于遗传算法和误差反向传播的双权值神经网络学习算法,同时确定核心权值、方向权值以及幂参数、学习率等参数,通过适当地调节这些参数,可以实现尽可能多种不同超曲面的特性以及起到加快收敛的效果。并通过对实际的模式分类问题的仿真,将文中的方法与带动量项BP算法、CSFN等算法进行了比较,验证了其有效性。实验结果表明所提出的方法具有分类准确率高、收敛速度快的优点。