混沌光学系统之前向神经网络系统辨识研究

本文以布拉格声光双稳混沌系统之系统辨识为例，研究了利用前向神经网络对混沌光学系统进行系统辨识的可能性，其计算机仿真实验结果表明，由ＢＰ算法支持的三层前向神经网络，在一定的精度范围内，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。     

混沌光学系统之前向神经网络混沌催化混沌系统辨识研究

本文以布拉格声光双稳混池系统之系统辨识为例，研究了利用前向神经网络对混沌光学系统进行快速系统辨识的可能性，其计算机仿真实验结果表明，由静态BP算法训练的三层前向种经网络，在混优催化算法的支持下可克服BP算法训练时间沉长的缺点，在较少的训练次数内即已成为一良好的混沌光学系统辨识器，因而可用来高效率地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。     

混沌光学系统之前向神经网络系统辨识研究

本文以布拉格声光双稳混沌系统之系统辨识为例，研究了利用前向神经网络对混泡光学系统进行系统辨识的可能性，其计算机仿真实验结果表明，由BP算法支持的三层前向神经网络，在一定的精度范围内，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。     

具有神经网络控制器的纺织厂空调自控系统

用可逼近任意非线性函数的神经网络构造了辨识器和控制顺，通过ＢＰ算法对神经网络进行学习训练，修正其权系主阈值，使学习训练误差趋于零。将该方案应用于纺织厂羊绒生产车间的空调系统，并给出了仿真实验结果。     

神经网络权值的混沌优化方法研究

研究了混沌优化方法中混沌变量的初值设定和载波过程中放大倍数等参数调整的实用方法。在此基础上,为了克服ＢＰ网络收敛速度慢和易陷入局部极小点的不足,提出了基于混沌优化的ＢＰ网络学习算法,该方法主要利用混沌运动的遍历性为梯度算法创造一个良好的搜索界面。仿真结果表明,把混沌优化方法用于神经网络权值优化,方法简单可行,搜索速度快,是一种有效的新途径。     

一种混沌对角递归神经网络混合学习算法研究

针对一种混沌对角递归神经网络辨识,提出了一种混合学习算法。首先,采用遗传算法来获得混沌对角递归神经网络的拓扑结构和连接权值的全局次优解。之后,用混沌BP算法对网络的连接权值进行精调。最后,将这种混合优化算法应用到非线性时间序列的建模中。仿真结果表明了模型和算法的有效性。     

基于神经网络PID控制器的混沌系统控制与同步

提出了一种基于神经网络参数自整定PID控制器的混沌控制方法。该方法由神经网络辨识器和神经网络控制器组成,神经网络学习算法均采用Davidon最小二乘法。考虑到混沌系统的动力学特性,施加单个控制量可实现模型未知混沌系统的平衡点镇定和自同步,仿真结果证实了该方法的有效性。     

具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样复杂的动态特性,其对非线性系统具有很好的建模能力.     

具有死区输入的不确定混沌系统控制

死区输入存在于大部分工业控制系统中,对控制系统的性能有较大的影响。针对具有死区、非线性控制输入的不确定混沌系统,利用模糊神经网络的逼近能力,在对不确定混沌系统进行辨识的同时,自适应地补偿其非光滑、非线性的特性。为了提高模糊神经网络的性能,使辨识误差最小,利用粒子群优化算法对模糊神经网络的参数进行优化,从而使逼近误差达到最小。在系统的控制部分,采用滑模控制对输入的信号进行跟踪控制。最后对Duffing系统进行仿真,并与传统控制方法做比较,证明了该方法的有效性和优越性。     

基于混合混沌优化法的BP神经网络算法

运用混合混沌优化法训练BP神经网络，构造了基于混合混沌优化法的BP神经网络训练算法，实例说明具有较高非线性逼近能力和应用价值。     

基于暂态混沌神经网络的低阶混沌时间序列预测

暂态混沌神经网络是一种基于Hopfield网络提出的混沌神经网络,具有收敛速度快、不易陷入局部极小等优点．许多低阶的混沌系统都可以展成二阶volterra级数,因此提出一种基于暂态混沌神经网络和volterra级数的低阶混沌时间序列预测方法．该方法利用暂态混沌神经网络计算系统的volterra级数系数,确定系统的动力学模型,从而实现混沌时间序列预测．利用Logistic模型对该方法进行测试,结果表明,预测相对误差小于0．5％,预测可达到较高的速度和精度．     

基于混沌神经网络的建筑节能综合评价

目的 构建建筑节能综合评价指标体系,对建筑节能进行综合评价.方法 针对神经网络BP算法收敛速度慢且容易陷入局部极小值问题,在常规神经网络中引入混沌神经元,建立混沌神经网络建筑节能综合评价模型.结果 根据建筑节能综合评价指标体系各量化指标,得出科学合理的评价结果 .通过实验仿真验证了该混沌学习算法的有效性和先进性.在输入参数相同的情况下,训练收敛到相同精度,CNN模型的训练次数少于BP网络模型,CNN模型用于建筑节能评价精度高.结论 运用混沌神经网络进行建筑节能综合评价的方法 是有效的.     

BP神经网络在电容成像流型识别中的应用

提出了一种基于ＢＰ神经网络两相流流型辨识算法．该方法可克服电容层析成像系统中电容测量灵敏度分布易受被测多相流介质分布的影响,对网络结构及其学习参数进行了研究,可对各种气固两相流流型能有效地判别．     

人工神经网络在系统辨识中的研究与应用

主要研究了单层神经网络、Ａｄａｌｉｎｅ网络及Ｂ－Ｐ网络用于系统辨识中的工作原理,提出了把Ｂ－Ｐ网络权值转换为传递函数的方法。使用 ＶｉｓｕａｌＣ＋＋语言构造这 ３种神经网络,以火力发电厂中常见的大惯性、大迟延系统为对象进行了辨识试验。仿真结果表明：在不人为加入特殊激励信号,只利用生产过程自然存在的随机扰动的情况下,Ｂ－Ｐ网络辨识器可得到较为准确的对象数学模型,对于解决电厂中常见热工系统的建模问题,具有重要的实用价值。     

神经网络在图像压缩中的应用研究

探讨应用神经网络实现图像压缩和解压缩技术。神经网络结构由两组三层ＢＰ网络嵌套而成，分别为输入层、结合层、压缩层、分解层和输出层。由ＲＧＢ彩色模式的ＢＭＰ图像文件产生样本数据，采用ＢＰ算法的一种扩展型，即嵌套训练算法，对网络进行训练，得到有效的模拟结果。     

混沌光学系统自适应控制研究

本文提出一种用于混沌光学系统控制自适应控制技术。此自适应控制技术以受控混沌光学系统与其动力学模型的输出差值作为反馈控制函数的宗量。由反馈控制函数的输出对混沌光学的系统控制参数进行调整以达到控制目的。由于该技术可消除外界因素导致的系统控制参数漂移现象对系统运转的影响，故特别适合于需要混沌光学系统运转稳定在某一具体动力学状态情形下的控制。本文将此技术应用于控制布拉格声光双稳系统的计算机仿真实验中，成功     

基于遗传BP算法的高斯基函数网络的非线性系统辨识

针对ＢＰ算法收敛速度慢而且可能陷入局部极小值的特点,提出了基于遗传ＢＰ算法的高斯基函数网络的辨识方法,并将它应用于非线性系统进行辨识,仿真实验结果表明该方法比基于传统的ＢＰ算法具有更快的收敛速度和精度。     

基于一种多层神经网络快速学习算法在储层识别中的应用

本文针对前馈多层神经网络ＢＰ算法所存在的缺点，建立了一种新的快速学习算法，有效地缩短了网络的学习训练时间，并将其应用于储层识别取得了满意效果。     

基于混沌机制的神经网络预测控制及仿真研究

为解决一大类未知、时滞、非线性系统的预测控制问题,提出了一种基于改进的El-man动态回归神经网络预测控制算法.首先,在一般的Elman动态回归神经网络算法中加入了混沌机制,利用混沌机制固有的全局游动有效地消除了Elman网络易陷入局部极值的缺点,提高了系统的辨识速度;然后,结合广义预测控制(GPC)的反馈校正、滚动优化来完成非线性系统的预测控制.仿真结果表明:将本算法应用于非线性系统预测控制,对未建模动态具有较强的鲁棒性和良好的控制跟踪能力.     

基于混沌机制的神经网络预测控制及仿真研究

为解决一大类未知、时滞、非线性系统的预测控制问题,提出了一种基于改进的Elman动态回归神经网络预测控制算法．首先,在一般的Elman动态回归神经网络算法中加入了混沌机制,利用混沌机制固有的全局游动有效地消除了Elman网络易陷入局部极值的缺点,提高了系统的辨识速度;然后,结合广义预测控制（GPC）的反馈校正、滚动优化来完成非线性系统的预测控制．仿真结果表明：将本算法应用于非线性系统预测控制,对未建模动态具有较强的鲁棒性和良好的控制跟踪能力。