非线性系统神经网络辨识的鲁棒BP算法

讨论系统辨识神经网络算法的鲁棒性问题。通过构造新的动态鲁棒目标函数得到的ＲＢＰ算法，能不断估计逼近精度，自动将品质好的样本置于强化学习域，并能有效地抵抗噪声干扰。实验结果表明，该算法具有鲁棒性强、收敛快、计算方便等特点。     

基于模糊神经网络的系统辨识

基于模糊神经网络研究系统辨识问题,提出一种具体的模糊神经网络结构和相应算法,设计了开环系统和闭环系统辨识的结构。针对多个不同的对象进行仿真研究,结果表明用模糊神经网络建模较之传统建模方法能力强。     

基于小波神经网络的系统辨识方法

神经网络由于具有良好的自学习和自适应能力，在非线性黑箱建模或系统辨识中有着广泛的应用，这些辨识模型有：多层感知器、径向基函数网和反馈网络等等。文中提出了基于小波神经网络模型的系统辨识方法。由于小波变换或分解所表面的良好的时频局部化特性，以及多尺度的功能，我们用规范正交的小波函数作为基函数网络中的基函数，得到所谓的小波神经网络。通过计算机仿真证实了该方法的良好的辨识效果。     

基于神经网络非线性系统辨识和控制的研究

本文提出了由静态的前馈网络和稳定的滤波器构成的非线性系统的辨识模型，在神经网络固有的逼近误差存在的情况下，从理论上讨论了神经网络应用于辨识控制过程中系统的稳定性问题，最后研究了在非线性系统的轨迹跟踪过程中增加滑动控制来偿神经网络的逼近误差，从而提高系统跟踪性能。     

基于PID神经网络的非线性时变系统辨识

1　引言PID神经网络是一种多层前向网络 ,它除了具备传统的多层前向网络的特点 ,如逼近能力、并行计算、非线性变换等特性外 ,其隐层单元还分别具有比例、微分和积分等动态特性[1～ 4] .本文将介绍 PID神经网络在非线性时变系统辨识方面的研究结果 .2　PID神经网络结构与算法PI     

基于模糊神经网络的非线性系统模型的辨识

该文提出一种非线性系统的模型辨识方法．利用关系聚类法来进行结构辨识,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,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。     

基于均匀设计神经网络的系统辨识方法

提出一种均匀设计的神经网络来进行系统辨识,其训练数据来自实验,通过找出模型参数与阶跃响应曲线之间的对应关系,以获得模型的结构,研究结果表明该方法的有效性.     

基于神经网络及系统辨识的舵机带宽测试

讲述了一种应用神经网络辨识算法测试舵机带宽的实用方法。文章简要介绍了舵机的工作特性和舵机模型的选取,概述了辨识算法的选取及实现过程,并在输入信号的选取和辨识数据的预处理等方面作了基本的探讨。实验仿真结果表明,基于线性神经网络的系统辨识具有很高的辨识速度和精度。     

基于回归神经网络的非线性时变系统辨识

为克服基于前馈神经网络的非线性系统辨识算法存在需预先估计系统输入输出滞后阶数的缺陷，提出一种基于回归神经网络的非线性时变系统的辨识算法，针对现有的回归网络学习算法大多采用梯度算法，收敛速度缓慢问题，提出一种具有快速收敛性的扩展卡尔曼滤波学习算法，大大提高了学习收敛速度，并推导了一种基于单个神经元的局部化算法，减少了计算量，仿真实例证明，所提出的算法是有效的。     

基于神经网络的非线性气动弹性系统辨识

由于气动弹性系统的非线性和不确定性的存在,传统的辨识方法在工程中难以满足。针对这种情况提出了一种模糊小波神经网络(FWNN)辨识方法。首先,采用区间2型模糊逻辑系统和小波神经网络结合构建FWNN网络结构,能够较好地逼近具有不确定性的非线性AE系统;然后,考虑到辨识的快速性和准确性,系统采用一组模糊IF-THEN规则,对模糊后件采用单隐层小波神经网络结构;参数学习采用基于Lyapunov稳定性的滑模学习算法,保证系统存在参数不确定的情况下,辨识误差能更快地收敛。最后,对结构非线性二元翼段进行仿真研究,验证了该模型的有效性。     

非线性系统的神经网络辨识和控制方法

1引言 在Wiener开创控制论的伊始,就将控制、信息和神经科学作为一个共同的课题。后,控制学科、计算科学和神经生理学趋于分开发展。自从80年代初期以来,神经网络有了长的进步,在人工智能和     

基于神经网络的动态系统逆模型辨识及闭环控制

本文提出一种动态线性或非线性系统的神经网络逆模型辨识结构，并引出两种ＰＩＤ与神经网络逆模型相结合的自适应控制方案，神经网络模型采用基于Ｕ－Ｄ分解卡尔曼滤波学习算法（ＵＤＫ）的动态前向多层网、仿真结果表明了所述辨识方案的有效性及特点 。     

基于模糊聚类的模型神经网络的系统辨识

针对模糊神经网络的系统辨识问题,提出了一种具体的模糊神经网络模型,使用模糊聚类方法确定模糊神经网络的结构,仿真研究证明该方法是有效的和可行的。     

非线性系统辨识及其仿真研究：应用神经网络方法

本文重点介绍应用神经网络方法研究非线性系统的辩识问题,并提出研究的算法,同时也进行了仿真计算。     

基于优化BP神经网络的柴油机动态模型辨识

本文研究了用优化ＢＰ神经网络建立柴油机动态模型的方法。并对ＢＰ算法进行了适当的改进，提出了一种动态优化学习率的方法。仿真结果表明用人工神经网络能有效地建立柴油机动态模型     

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。     

基于Hammerstein型神经网络的非线性动态系统辨识

Hammerstein模型广泛应用于非线性系统的辨识中,其结构是由非线性静态增益部分和一个线性动态部分串联。提出一种Hammerstein型神经网络用来模拟传统的Hammerstein模型,并将其应用于非线性动态系统的辨识中。由Lipschitz熵来确定Hammerstein型神经网络的阶次,并利用反向传播算法对网络权值的进行训练。仿真结果表明,Hammerstein型神经网络具有较好的非线性动态系统辨识性能。     

基于PID神经网络的多变量非线性动态系统辨识

文章研究基于PID神经网络的多变量非线性动态系统辨识问题。文中介绍了PID神经网络的结构和算法,分析了PID神经网络进行多变量动态系统辨识的特点和理论依据,采用PID神经网络实现了辨识任务,并给出了快速收敛的辨识结果。     

神经网络智能控制系统中辨识网络设计方法的探讨

该文将人工神经网络的基本原理应用于过程控制系统,对辨识网络的基本结构以及网络的训练方法进行了初步探索和总结,在控制系统的辨识网络中应用基本ＢＰ算法与加动量项的ＢＰ算法、随机设置初值与训练设置初值、带参考模型与无参考模型对系统过渡过程特性的影响作了一定的比较与分析。仿真结果表明：所采用的改善网络自适应能力的方法,在不同程度上对系统的调节品质均有相应的改善。     

基于模糊聚类的模糊神经网络的系统辨识

针对模糊神经网络的系统辨识问题,提出了一种具体的模糊神经网络模型,使用模糊聚类方法确定模糊神经网络的结构。仿真研究证明该方法是有效的和可行的。