混沌系统的动态神经网络自适应控制

针对混沌系统模型误差,该文提出一种非线性鲁棒自适应辨识和控制新方法,目标是通过下面两个步骤将混沌系统镇定到不动点:首先利用动态神经网络对系统进行辨识,然后在辨识估计基础上设计控制器将混沌状态引导至期望目标位置;并且对系统的稳定性能进行了严格数学分析;Duffing方程的数值仿真实验证明了所提出方法的有效性。     

一个新混沌系统的自适应控制与同步

对于一个新的混沌系统,采用自适应的方法实现了混沌系统的控制和同步。用Lyapunov第二方法从理论上证明了该同步方法的有效性,接着又用Matlab软件对该同步系统进行仿真验证了控制和同步方法的有效性,结果表明这种方法是快速有效的。     

混沌动力学系统的神经网络学习控制研究

针对混沌动力学系统建模困难，控制不易实现，存在干扰等特点，在附加动量法的自适应BP网络的基础上，研究了混沌动力学系统的学习控制策略。构建了混沌动力学系统的NN模型和NN控制器，对混沌系统在学习的同时施加控制，仿真实验结果表明，该控制策略具有鲁棒性强，有良好的适应性，网络参数训练时间短等优点。     

基于神经网络的模型参考自适应控制

将神经网络应用于模型参考自适应控制系统中,组成模型参考神经网络自适应控制系统.利用神经网络自身的优点来克服传统模型参考自适应控制算法的不足,使系统具有更强的鲁棒性和容错性.仿真结果表明,该系统与传统的模型参考自适应控制系统比较,不仅能实现原系统的功能,而且该系统的稳定性和抗干扰性优于原系统.     

单参数统一混沌系统的自适应控制同步

研究了单参数统一混沌系统的同步问题,提出了参数自适应控制同步方法;通过构造适当的控制函数和设计参数的自适应控制律,实现了两个不同参数的统一混沌系统的同步;根据Lyapunov稳定性定理,导出了两不同参数混沌系统能实现同步的充分条件,无论驱动系统处于何种状态,该方法都可使响应系统按照驱动系统给定的轨道演化。数值仿真表明了该方法的有效性。     

基于轨道空间压缩的混沌神经网络控制

该文提出了基于轨道空间压缩的混沌神经网络控制方法,利用该方法对混沌神经网络进行控 制,使神经网络的输出稳定地收敛于与网络起始模式有最小汉明距离的存储模式或其反相模式上。该控制方法简单易行,物理意义明确。     

参数自适应控制混沌同步

通过选取合适的控制律和控制系数，用参数自适应控制方法对响应系统某一参量调整，导致其同步，并以Logistic映象和Henon映象这两个典型的混沌系统进行数值模拟．理论分析和数值实验表明：当同步误差在一定的控制律和控制系数下渐进趋于零，同步才能实现．     

基于自适应模拟退火的变频正弦混沌神经网络

针对变频正弦混沌神经网络寻优精度与收敛速度无法兼顾的问题,通过分析暂态混沌神经网络的优化机制和现有的退火策略,提出了一种基于自适应模拟退火策略的变频正弦混沌神经网络模型.该模型可以根据混沌神经元的Lyapunov指数来确定合适的自反馈连接权值.给出了混沌神经元的倒分岔图、Lyapunov指数及不同退火函数的时间演化图,证明了自适应模拟退火策略能够自主选择合适的退火速度,更有效的利用混沌全局搜索能力,并加快非混沌态的演化时间.为了证明该模型的有效性,将其应用于函数优化和组合优化问题中.仿真实验表明：（1）对于该模型退火速度的选择,自适应模拟退火策略比现有的几种退火方法更具有灵活性和适应性;（2）该模型在寻优精度和速度上比暂态混沌神经网络及其他改进模型具有更好的兼顾性.     

基于像差共轭组合模型的自适应光学系统控制方法

在单位圆的同心孔径圆域内,某些特定Zernike模式具有相关关系,其中具有较强负相关关系的模式组合在一定系数条件下叠加后,一定的同心孔径内的像差会相互抵消,波面变得更加平坦,这称为模式间的共轭性。文中设置了一组畸变波前,用自适应光学系统进行校正得到残差,然后用Zernike多项式对变形镜的校正残差进行了分解,通过分析首次发现在均方误差值较大的残差波前中,低阶、高阶两部分像差间存在着明显的负相关关系,两部分像差的系数会随着变形镜控制信号的调整体现出有规律的变化,并且在一定的系数组合方式下,这两部分像差呈现出共轭性。基于以上研究结果,提出一种控制方法,该方法通过优化变形镜控制电压来调整镜面面型,使得残差中的低阶、高阶两部分像差系数实现最佳匹配,从而降低光瞳同心孔径圆域内的像差均方根值 (RMS),最终实现该孔径范围内系统成像质量的提升。分别针对点目标成像和扩展目标成像进行了仿真,结果表明:该方法相比于传统闭环共轭式校正方法,在面对复杂像差时能够得到质量更好的光学成像,有效扩展传统自适应光学系统的适用范围。这种控制方法在变形镜有较大拟合残差的场合具有很好的应用前景。     

SDH系统E1接口定时的高质量恢复

SDH传输网中由指针调整带来的低频抖动和漂移已经成为SDH传输网与其它传输网互通的障碍.这一问题可以通过在SDH系统的边界支路输出口处采用极低带宽的锁相环对SDH网络指针调整带来的抖动和漂移进行平滑来得到改善和解决.本文介绍了一种捕捉速度快、带宽窄、适合于多支路大规模集成的用于SDH系统E1支路接口的二阶全数字锁相环路.     

Synchronization and Parameters Identification of Chaotic Systems via Adaptive Control

Based on Lyapunov stability theory, a novel adaptive controller is designed for a class of chaotic systems. The parameters identification and synchronization of chaotic systems can be carried out simultaneously. The controller and the updating law of parameters identification are directly constructed by analytic formula. Simulation results with Chen‘s system and Roessler system show the effectiveness of the proposed controller.     

混沌光学系统的前向神经网络系统辨识研究

为解决混沌光学系统自适应控制所需之控制参考动力学模型问题，以布拉格声光混沌系统的系统辨识为例．研究了利用前向神经网络对混沌光学系统进行系统辩识的可行性。计算机仿真实验发现．在静态ＢＰ算法支持下一结构十分简单的三层ＢＰ前向神经网络（１：４：１）即可在一定的精度范围内完成对布拉格声光混沌系统的系统辨识．此结果表明．三层前向ＢＰ神经网络在静态ＢＰ算法的支持下确是一良好的混沌光学系统辨识器，因而可用来处理混沌光学时间序列以进行混沌光学系统的动力学重构。     

实现标量混沌信号同步控制的神经网络方法

本文给出了一种利用线性输出神经网络实现标量混沌信号同步控制的方法。该方法利用线性输出神经网络构造被控混沌系统的模型，并基于Lyapunov理论与非线性系统控制方法，设计出神经网络权值变化规律与非线性反馈控制器，使神经网络模型的标量输出能大范围同步于给定的标量混沌信号。理论分析与计算机模拟结果都证实了这种方法的有效性。     

基于最优控制的神经网络自适应飞行控制

针对非线性动态逆控制鲁棒性差的缺点,综合最优控制和神经网络控制,提出一种自适应非线性控制策略。首先采用非线性动态逆进行基本控制律设计,然后对由于建模误差或舵面故障等因素导致的动态逆误差,利用神经网络进行在线补偿,根据最优控制理论得到神经网络权值的自适应律,并基于Lyapunov直接法证明该自适应律的稳定性和收敛性。针对某飞机的仿真结果表明,在存在较大逆误差的情况下,所设计的控制系统具有良好的鲁棒性。     

基于混沌神经网络的多用户检测器

提出一种基于增广Lagrange乘子——暂态混沌神经网络的码分多址（Code Division Multiple Access，CDMA）多用户检测新技术。该技术将混沌模拟退火算法与增广Lagrange乘子相结合，具有良好的逃逸局部最小点的能力和较快的收敛速度，同时能有效克服惩罚函数的缺点。仿真实验结果表明，基于增广Lagrange乘子——暂态混沌神经网络的多用户检测器，其误码率性能优于Hopfield神经网络及未改进的暂态混沌神经网络等多用户检测器。     

一种递归模糊神经网络自适应控制方法

构造了一种递归模糊神经网络(RFNN),该RFNN利用递归神经网络实现模糊推理,并通过在网络的第一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性.     

一类不确定混沌系统的自适应同步控制

研究了一类不确定混沌系统的自适应同步控制问题。基于Lyapunov稳定性理论和微分不等式技巧,提出了一种新的自适应控制器的设计方法。该控制器仅用到了不确定性的导数信息。即使不确定性是时变的或无界的,只要其导数有界,自适应控制器就能保证误差系统的状态收敛到平衡点附近很小的邻域内。特别地,当不确定性是慢变时,该控制器就能保证误差状态渐近稳定。最后,以Lorenz系统为例进行数值仿真,结果证明了该方法的有效性。     

Stabilization of Delayed Chaotic Neural Networks by Periodically Intermittent Control

This paper studies the exponential stabilization of delayed chaotic neural networks (DCNNs) using what is called periodically intermittent control. An exponential stability criterion for the controlled neural networks, together with its simplified version, is established by using the Lyapunov function and Halanay inequality. The feasible region of control parameters is estimated in a rigorous way. Theoretical results and numerical simulations show that the continuous-time DCNN can be stabilized by intermittent feedback control with nonzero duration. The work described in this paper was partially supported by NSFC (Grant No. 60574024) and Program for New Century Excellent Talents in University of China (NCET-06-0764).     

神经网络在ATM光纤高速智能管理网中的应用(连载)

首先扼要地讨论了光纤通信领域在新世纪面临的严重任务 ,接着详细地介绍了神经网络的基本概念 ,重点论述了神经网络在 ATM光纤高速智能管理网中的应用。最后指出 ,神经网络应用于通信领域可以实现快捷、灵活、自适应性和智能化实时管理 ,在某些方面可以解决即使数学计算机也会感到棘手的难题。