非线性系统的模糊神经网络辨识方法

根据一种模糊动力学模型,提出一种非线性系统的模糊神经网络辨识方法。这种模型具有与线性系统ＤＡＲＭＡ模型类似的结构,证明了辨识算法的收敛性。最后结合实例进行了仿真。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

基于模糊关系的非线性系统辨识研究

分析了传统的利用神经网络进行非线性辨识的方法在系统有噪声数据时鲁棒性差且系统辨识结构不准确的问题，提出了一种基于模糊关系的系统辨识与建模方法。该方法将模糊控制与神经网络有机结合，在优化系统辨识结构的同时有效降低了噪声数据对系统的干扰。     

非均匀采样SAR信号的不模糊重构与成像

SAR信号的非均匀采样给信号频谱带来噪声,产生频谱混叠,降低成像质量;在宽幅SAR成像系统中,为了得到高分辨率成像,方位向使用多通道接收技术,会带来非均匀采样问题。该文详细分析了非均匀采样SAR信号的频谱模糊,利用周期性时间偏移频谱重构方法重建信号频谱;依据多通道SAR信号与单通道SAR信号的不同与相关性,使用CS算法完成了多通道SAR信号的成像。仿真试验证明了理论分析的正确性。     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于模糊对向网络的非线性动态系统辨识新算法

以模糊对向网络为辨识模型,利用它所具有的模糊逻辑系统和神经网络两者的优点,在模糊C－均值聚类方法的基础上引入新的聚类目标函数,并证明了它的优化条件,将模糊聚类和最小二乘法相结合,提出一种模型参数学习的新算法,在直流电弧燃弧时间建模研究中的应用结果表明提出的算法是有效的。     

一类基于模糊辨识器的非线性动态系统辨识

针对模糊辨识器的参数优化,提出了将改进的遗传算法(MGA)应用于模糊辨识器的离线学习,并在此基础上采用BP算法对其参数在线调整,实现了非线性动态系统模糊辨识。解决了输入仅为一维语言变量时,模糊辨识器的实现问题。仿真结果证实了该方法的有效性。     

非均匀采样周期信号采样时间偏差估计算法研究

在非均匀采样一般理论的基础上,推导出一种估计各个通道的采样时间偏差的方法,基于这种方法,给出了一种可校正非均匀采样周期信号采样时间偏差的新型波形数字化义的结构,可并计算得到的估计值反馈给采样通道的延时校正单元,以补偿采样时间的偏差,从而提高了数据采集的质量。     

非线性系统未知时变参数的模型算法学习辨识

针对一类非线性系统的未知时变参数,提出了一种模型算法学习辨识方法。该方法主要是利用系统模型估计出了辨识参数的偏差,利用这一参数偏差的估计来修正辨识参数,不断进行迭代。并严格证明了系统经过迭代学习后,辨识器的输出能够完全跟踪参数真值,同时得到了该算法收敛的范数形式充分条件。该方法不仅可以实现非线性系统未知时变参数在有限时间区间上的完全辨识,而且还克服了传统迭代学习辨识器中凭借经验选取学习增益的盲目性,加快了参数辨识器的收敛速度。仿真结果验证了该方法的有效性。     

一类结构已知的非线性系统辨识

本文针对带有已知结构的非线性Wiener系统，提出了利用不同幅值的周期脉冲信号辨识非线性增益未知参数和脉冲响应序列的新方法，获得了强一致性估计，数字仿真研究说明了该方法的有效性和实用性。     

一类非线性迭代学习控制系统的鲁棒收敛性

讨论了对于一类非线性动态系统施加高阶Ｄ型迭代学习算法时构成的迭代学习控制系统的鲁棒收敛性．证明了当系统初始状态逐渐固定在靠近期望初态的某一点上时，系统控制、状态、输出会收敛到相应期望轨迹的邻域内．同时，证明了在渐近理想重复初始条件下的算法收敛性．仿真结果表明，开闭环配合的学习律是克服初态偏移的一种有效途径     

非线性系统的梯度变分迭代自学习控制

研究了一类非线性系统的梯度变分迭代自学习算法,以提高此类非线性系统的控制品质.梯度变分迭代自学习算法是针对符合某一类范式的周期性或重复性输出控制的非线性系统而设计的一种自寻优自学习算法.该算法针对一类非线性系统的数学描述模型,给出了性能指标函数,通过梯度变分的方法寻找性能指标函数梯度的负方向,并利用迭代自学习得到性能指标函数的最小值,使系统收敛于目标输出.将该算法应用于极端环境模拟装置的压力控制系统,取得了比传统控制算法更高的效率与更快的收敛速度.梯度变分迭代自学习算法是符合一类数学模型的非线性系统的一种高效控制算法.     

一类非线性系统的无模型学习自适应控制

对于一类常见非线性离散系统，提出了其动态线性逼近的增量型模型、无模型自适应控制律和带有参数限定时域长度的参数自适应预报递推算法。实现了对时滞非线性系统的无模型学习自适应控制。通过仿真表明，该算法对于一类非线性系统实现无模型学习自适应控制是正确和有效的。     

带有鲁棒控制项的MIMO非线性系统的模糊控制

针对一类不确定多输入多输出（MIMO）非线性系统, 提出了一种新的鲁棒间接自适应模糊控制设计方案, 解决了提高模糊控制精度问题. 模糊逻辑系统用作逼近系统的未知函数, 根据跟踪误差给出了参数调节律, 用鲁棒控制项对未知的逼近误差进行补偿, 以此来减小逼近误差对跟踪精度的影响. 基于李亚普诺夫函数方法证明了所设计的控制方案不但能保证跟踪误差收敛到原点的小邻域内, 而且通过适当增大设计参数的值, 可使跟踪误差减小, 提高了控制精度.仿真结果表明了该方法的有效性.     

一类离散非线性系统开闭环P型迭代学习控制收敛的充要条件

收敛性是迭代学习控制的重要研究内容之一,针对一类参数未知的离用非线性系统,研究了其开闭环Ｐ型迭代学习控制的收敛性问题,给出了收敛的充要条件,结果表明,开闭环Ｐ型迭代控制的收敛条件与描述系统的状态方程具体形式无关。     

基于改进T-S模型的热工过程模糊辨识算法

提出了一种实用的基于T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间进行划分,在此基础上利用递推最小二乘辨识算法建立一个热工过程的T-S模型。文中给出了熟知的Box-Jenkins数据的辨识结果,并将该方法应用于辨识单元机组的协调控制系统。     

基于模糊神经网络的目标识别

提出了一种用于常规雷达目标识别的模糊神经网络．先将目标回波用树状小波变换进行特征抽取，然后用该网络进行识别．最后，给出了５类空中目标的识别实验结果     

模糊函数模型辨识的引导点方法

将用于辨识的数据看作是多维空间中的若干点,并通过确定引导点的方法将上述空间中的点用模糊分段直线加以拟合,从而构成了具有线性回归形式的模糊函数模型.利用这种简便算法辨识 Box-Jenkins 的煤气炉数据,得到的结果比现有的模糊关系模型辨识的结果好得多.此外,对一条飞行航迹的辨识结果也非常令人满意.     

Adaptive control using interval Type-2 fuzzy logic for uncertain nonlinear systems

A new adaptive Type-2 (T2) fuzzy controller was developed and its potential performance advantage over adaptive Type-1 (T1) fuzzy control was also quantified in computer simulation.Base on the Lyapunov method,the adaptive laws with guaranteed system stability and convergence were developed.The controller updates its parameters online using the laws to control a system and tracks its output command trajectory.The simulation study involving the popular inverted pendulum control problem shows theoretically pre...