神经网络在汽车四轮转向控制中的应用

为适应车辆运动的非线性特性，采用神经网络理论，设计了神经网络汽车四轮转向控制系统，并对该系统进行了仿真分析。仿真结果表明：神经网络控制系统比线性控制系统能明显地改善控制效果。     

一种鲁棒神经网络结构在温度控制系统中的应用

在神经网络直接逆控制的基础上，加入闭环增益成形控制算法，构成闭环的控制系统，以提高系统的鲁棒性。通过对简单的温度控制系统仿真结果分析可知，当系统没加入死区模型摄动时，具有闭环增益成形控制算法的神经网络控制系统与神经网络直接逆控制的控制性能相近，当加入死区时，前者明显提高了系统的鲁棒性。     

神经网络自适应模糊控制在温度控制系统中的应用

把神经网络与模糊控制相结合，提出一种基于神经网络的自适应模糊控制器。这种控制器由模糊神经网络控制器和模型网络组成，采用快速的变斜率梯度下降算法学习，具有自适应学习功能，仿真结果及其应用于温度控制系统中，控制性能明显于一般Ｆｕｚｚｙ控制。     

基于DSP的神经网络实时仿真系统研究

采用DSP设计完成了神经网络实时仿真系统。文章从神经网络协处理器的硬件结构、协处理器中的神经网络协处理器的硬件结构，协处理器中的神经网络算法，神经网络协处理器及其缩主机间数据交换等方面系统地描述了该仿真系统。在神经网络在线算法的实现中，利用DSP能与其宿主机实现并行工作的特点，采用DSP和计算机并行工作；在宿主机中实现BP网络对受控对象的辨识，在神经网络协处理器中完成模糊神经网络在线控制算法，从而加快了神经网络运算速度，使其达到在线控制的要求，文章的最后给出了一个直升机总矩通道在本仿真系统的仿真实例，说明了本系统的实用性。     

线性神经网络及在系统辨识中的初步应用

该文从基本的智能控制技术——神经网络(NN)技术出发，探讨了神经网络用于系统辨识与建模的基本理论，分析了线性系统神经网络建模的规律，提出了一种利用线性神经网络进行系统辨识的方法。该辨识方法显示出很强的处理问题的能力，无需辨别系统阶次，辨识结构简单，收敛速度快，仿真结果表明这种方法的有效性和可行性。该文共分为四部分，第一部分介绍了神经网络用于系统辨识的特征，第二部分讲述了线性神经网络的工作原理，包括线性神经网络的模型、传递函数、学习规则及训练过程，第三部分讲述了线性神经网络进行系统辨识的仿真实例，第四部分对上述内容作了简要小结。     

基于模糊神经网络的飞行仿真转台控制

针对飞行仿真转台系统的非线性问题，提出了基于模糊神经网络的自适应控制方法，并且提出了新的推理算法，该控制方法结合了神经网络和模糊推理的优点，可以更合理地选择初始权值，既可提高神经网络的学习过程又可在线寻优模糊规则，通过实验表明该控制方法可以明显提高控制系统的跟踪性能，并且具有很强的对外干扰和非线性因素的鲁棒性。     

神经网络模糊推理系统在火灾探测中的应用

提出了一种用于火灾自动探测的神经网络模糊推理系统，它采用前馈神经网络对火灾探测器信号进行处理，神经网络输出的火灾概率经模糊推理系统判决，输出火灾报警信号。这种方法结合了神经网络和模糊逻辑的优点，实验表明这种系统能够准确探测火灾并减少了误报警。     

模糊神经网络在火灾报警系统中的应用

提出一种利用神经网络和模糊推理系统设计火灾报警系统的方法，该系统将模糊系统和神经网络结合起来，实现模糊系统的自学习和自适应功能，提高火灾报警的准确性，减少了火灾报警系统漏报率和误报率。神经网络的学习方法提高了该系统智能化程度。实现了消防系统智能化。     

基于神经网络理论的现场总线系统安全性评价的研究

本文在介绍神经网络基本原理的基础上，提出了BP神经网络的优化算法：BP-1算法。进而分析了神经网络应用于现场总线系统安全性评价的优点，提出了基于神经网络理论的现场总线系统安全性评价模型和实现方法。最后，以一个原型系统证明了该方法的有效性。     

交流调速系统的神经网络自适应控制

针对交流变频调速系统，提出一种用于控制未知系统模型的改进的神经网络自适应控制方案。该方法采用一个三层BP网络辩识交流调速系统的特性，用另一个CMAC神经网络作为自适应控制器。实验仿真证明该控制方法能克服传统交流调速中常规控制不能适应工况变化的弊端，能明显的提高系统的性能，具有实际应用价值。     

基于改进BP神经网络的某型装备故障诊断专家系统

分析神经网络和专家系统的特点．提出基于BP神经网络与专家系统结合的某型装备的故障诊断方法,构造BP神经网络的装备故障诊断专家系统的诊断模型,克服传统专家系统在知识获取和表达的薄弱环节,并用某型装备的故障实际数据进存验证,结果表明神经网络与专家系统结合是一种有效的诊断方法。     

基于神经网络集成的专家系统模型

提出一种基于神经网络集成的专家系统模型,并给出神经网络集成的构造算法.在该模型中神经网络集成作为专家系统的一个内嵌模块,用于专家系统的知识获取,克服了传统专家系统在知识获取中的＂瓶颈＂问题.并将该模型用于图书剔旧系统中,初步建成基于神经网络集成的图书剔旧专家系统原型.     

遗传神经网络技术在专家系统中的应用

讨论了神经网络在专家系统中的应用,提出了神经网络专家系统的设计方法,给出了系统的结构,论述了系统实现中的一些技术问题。分析了遗传算法及BP神经网络的理论基础,讨论了遗传算法、神经网络与专家系统的结合方式。在专家系统中应用遗传神经网络技术,具有独创性,理论和实践上都具有重要意义,进一步丰富了选矿专家系统的研究方法。建立相应的遗传神经网络模型,论述了选矿数据预处理的方法、BP神经网络的设计,提出了相关参数的经验选取办法。通过实例验证,模型的预测精度可以达到90％以上。     

基于专家—神经网的递阶智能控制系统

本文介绍了专家系统与人工神经网络技术相结合的一些方法，提出了联合使用专家系统与人工神经网络的递阶智能控制系统结构，其组成为：监督控制专家系统，数据处理与故障诊断神经网络，常规分布式控制系统。其中的监督控制专家系统又由人工神经网络模拟实现。由于本系统吸取了专家系统技术及人工神经网络技术两者的长处，克服了各自的缺点，使得系统的性能大为提高。     

基于BP神经网络的专家系统体系结构

针对传统专家系统知识获取的“瓶颈问题”,利用BP神经网络于知识获取的长处,将BP神经网络和专家系统有机的结合。阐述了BP神经网络专家系统的基本原理,给出基于BP神经网络的专家系统体系结构。     

基于模糊神经网络的导弹故障诊断专家系统

为了实现对导弹测发控系统的故障诊断,研究了模糊神经网络理论与算法,以及和专家系统的结合方式;综合神经网络、专家系统和模糊逻辑的各自优点和特点,提出了构建基于模糊神经网络的故障诊断专家系统的基本原则,并给出了一种构建方法;通过将传统的专家系统技术与模糊神经网络技术相融合,文中构造了某型导弹测发控系统智能故障诊断系统,验证了方案的可行性,为类似系统的进一步实现进行了有益的探索。     

基于神经网络的分解炉喂煤量智能控制系统

介绍了一种基于神经网络的智能专家系统,给出了系统的结构,具体描述了神经网络专家系统的基本原理。并以水泥工业的新型干法分解炉喂煤量智能控制系统为例说明了神经网络智能控制的推理过程。控制结果表明了该方法的有效性。     

基于神经网络专家系统的大型异步电动机故障诊断

针对大型异步电动机发生故障时 ,故障征兆与故障原因之间复杂的对应关系 ,提出了一种利用神经网络专家系统对电动机进行故障诊断的新方法 ,专家系统作为神经网络的外壳 ,充分发挥了专家系统和神经网络各自的特点。文章介绍了系统的构成、功能、算法及实现。该算法利用MATLAB的神经网络工具箱进行了仿真。结果表明 ,该算法可行 ,可大大提高故障诊断的准确性     

Combining a neural network and a rule-based expert system for short-term load forecasting

A backpropagation neural network that used the output provided by a rule-based expert system was designed for short-term load forecasting. Extensive studies were performed on the effect of various factors such as learning rate and the number of hidden nodes. Load forecasting was performed on a Taiwan power system to demonstrate that the inclusion of the prediction from a rule-based expert system developed for a power system would improve the predictive capability of the neural network. The hourly power load for two typical days was evaluated, and for both days the inclusion of the rule-based expert system prediction as a network input significantly improved the neural network's prediction of power load. The predictive capability of the network was compared to the expert system as well as to a previously developed neural network. The proposed neural network provided improved predictive capability. In addition, the proposed combined approach converges much faster than both the conventional neural network and the rule-based expert system method.     

Comparison of intelligent systems in detecting a child’s mathematical gift

This paper compares the efficiency of two intelligent methods: expert systems and neural networks, in detecting children’s mathematical gift at the fourth grade of elementary school. The input space for the expert system and the neural network model consisted of 60 variables describing five basic components of a child’s mathematical gift identified in previous research. The expert system estimated a child’s gift based on heuristically defined logic rules, while the scientifically confirmed psychological evaluation of gift based on Raven’s standard progressive matrices was used at the output of neural network models. Three neural network algorithms were tested on a Croatian dataset. The results show that both the expert system and the neural network recognize more pupils as mathematically gifted than teachers do. The expert system produces the highest average hit rate, although the highest accuracy in classifying gifted children is obtained by the radial basis neural network algorithm, which also yields lower type II error. Due to the ability of expert systems to explain the result, it can be suggested that both the expert system and the neural network model have potential to serve as effective intelligent decision support tools in detecting mathematical gift in early stage, therefore enabling its further development.