模糊神经网络实现的参数自校正控制

将模糊控制和神经网络技术相结合,借助神经网络的学习能力和信息存储能力来实现模糊推理过程,并记忆参数调整规则,从而构成了ＰＩＤ参数调整机构,经过离线训练后,可使ＰＩＤ参数按模糊规则规定的基本原则在线调整。仿真结果表明,对非线性系统的控制,这种方法比常规的ＰＩＤ控制具有更好的动静态性能。     

用BP算法实现模糊控制规则的自校正

利用ＢＰ算法对模糊神经网络（ＦＮＮ）所能执地的控制规则进行自校正,使应用到工业过程的模糊控制器的性能得到改进。仿真结果表明,用改进后的方法设计的模糊控制器能够显著地减小系统的稳态误差,具有比较快的响应速度和较强的鲁棒性。     

基于支持向量机与极端保守在线算法相结合的多类分类器

本文给出了一种将SVM和极端保守在线算法相结合的通用多类分类算法,算法利用最大置信度原则将离线训练的多个SVM组合成一个多类分类器.为了提高在线学习过程的实时性,同时保证分类器的推广能力,我们将K.Cramer等人提出的极端保守在线算法思想引入到分类器修正过程当中,修正过程中采用对应SVM的支持向量和错分样本作为训练集.实验表明,算法具有良好的实时性能,且具有良好的推广能力.     

带动态因子调整模糊神经网络控制器的研究

探讨了模糊规则的撮以和推理转化为人工神经网络参数的确定及神经计算，提出了一种具有自学习功能的模糊神经网络，并用因子动态调整逼近法，解决了系统中静态误差和积分饱和等问题。     

宽带RC恒相差网络的性能分析

本文深入地分析了由两个ＲＣ全通网络构成的恒相差网络的相差频率特性，推出了简明的相差频率特性公式，提供了通用的相差频率特性曲线，由于把频率特性由原来取决于三个参数归结为一个可选的参数，从而为评估和设计这种网络找到了一条简捷的途径。     

用遗传算法设计模糊控制器

对遗传算法（ＧＡ）进行改进，将改进后的遗传算法到模糊控制器的设计中，以工业过程控制为对象，通过二阶系统模型的计算机仿真表明：改进后的遗传算法比传统方法具有更好的控制性能，可实现模糊控制规则的自校正和量化因子的寻优。     

宽频带RC全通网络的研究

本文提出了一种二阶ＲＣ全通网络，以及由这种全通网络构成的恒相差网络的工作原理及实例。由于网络的特性仅取决于元件参数的相对值，并且考虑了有源器件为负载时对工作特性的影响，该全通网络可很容易地根据需要与其它有源器件一起制成体积很小的单片式集成电路。