脑皮层神经网络的线性时滞反馈控制

神经元的病态同步放电会破坏大脑的正常功能, 导致癫痫和帕金森等生理疾病. 本文采用神经元二维映射模型构建一个脑皮层神经网络, 当神经元之间的耦合强度超过某一阈值时, 网络中所有神经元同步放电. 通过施加线性时滞反馈控制, 可以有效的消除这种同步状态, 且不改变神经元本身的放电特性. 仿真结果表明线性时滞反馈 可以实现对脑皮层神经网络的去同步化控制, 且对刺激参数的变化具有鲁棒性.     

Morris-Lecar神经元的抗干扰同步研究

生物神经元同步控制是神经电生理学研究的热点和难点问题。针对生物神经元同步控制算法大多依据神经元模型且存在相对复杂、难以实现的不足,以Morris-Lecar神经元为研究对象,设计基于主动补偿的抗干扰控制同步算法,仅用一个控制输入实现无干扰时的生物神经元膜电位同步;同时,为研究干扰存在时Morris-Lecar神经元膜电位的同步效果,加入阶跃干扰,抗干扰同步控制算法能够有效估计和补偿干扰,实现膜电位同步。数值仿真结果表明抗干扰同步控制算法能够实时估计和补偿扰动对同步的影响,不依赖于神经元的精确模型而具有良好的同步效果,为生物神经元同步控制提供了一种简单有效的思路。     

Hodgkin-Huxley神经元同步的迭代学习控制

由于神经元模型和参数具有不确定性,加大了许多控制算法的应用难度,而迭代学习控制不需要精确的数学模型,因此适合神经元网络同步的控制.针对Hodgkin-Huxley(HH)神经元的同步控制问题,提出了基于PI型迭代学习控制算法.对四种不同情况下主从神经元同步控制进行仿真,结果表明,施加控制后从神经元能够迅速跟踪主神经元的动力学行为.研究结果证实了该控制算法的可行性和有效性.     

HH神经元的自抗扰同步研究

因外部电磁环境变化导致生物神经元放电节律不同步是生物控制中需要解决的一个难点问题。HH神经元模型是描述神经元动力学特性的第一个数学模型,以HH神经元为研究对象,利用各种现代控制方法获得HH神经元的同步,方法的不足在于对外部干扰的敏感性以及控制律复杂不易实现。为增强神经元同步的鲁棒性和可行性,利用自抗扰控制算法,在三种不同情况下研究HH神经元的同步,并且依次加入不同干扰验证其同步效果。仿真结果表明,自抗扰控制能够对神经元系统的总扰动进行实时估计和补偿,消除扰动对神经元系统同步的影响,从而获得良好的同步效果。     

自抗扰控制在HR神经元同步中的应用研究

神经元同步是生物功能得以实现的重要机制,其同步研究已经成为神经电生理学研究领域的热点和难点问题.针对神经元同步问题中同步控制律对神经元模型的依赖以及同步控制律复杂而难以实现的不足,采用不依赖于被控对象精确数学模型且实现简单的线性自抗扰控制器实现HR神经元系统的同步.自抗扰控制的核心部分-扩张状态观测器能够实时估计和补偿各种扰动,实现干扰存在时HR神经元的同步,数值仿真结果表明在自抗扰控制作用下,即使存在阶跃和正弦干扰,主、从神经元动态响应曲线仍能重合,获得良好的HR神经元同步效果.     

多核并行脉冲神经网络模拟器的设计

脉冲神经网络属于第三代人工神经网络,它是更具有生物可解释性的神经网络模型。随着人们对脉冲神经网络不断深入地研究,不仅神经元空间结构更为复杂,而且神经网络结构规模也随之增大。以串行计算的方式,难以在个人计算机上实现脉冲神经网络的模拟仿真。为此,设计了一个多核并行的脉冲神经网络模拟器,对神经元进行编码与映射,自定义路由表解决了多核间的网络通信,以时间驱动为策略,实现核与核间的动态同步,在模拟器上进行脉冲神经网络的并行计算。以Izhikevich脉冲神经元为模型,在模拟环境下进行仿真实验,结果表明多核并行计算相比传统的串行计算在效率方面约有两倍的提升,可为类似的脉冲神经网络的模拟并行化设计提供参考。     

基于忆阻器的连续学习混沌神经网络

忆阻器具有独特的记忆功能和连续可变的电导状态,在人工智能与神经网络等研究领域具有巨大的应用优势.详细推导了忆阻器的电荷控制模型,将纳米忆阻器与具有智能信息处理能力的混沌神经网络相结合,提出了一种新型的基于忆阻器的连续学习混沌神经网络模型.利用忆阻器可直接实现网络中繁多的反馈与迭代,即完成外部输入对神经元及神经元之间相互作用的时空总和.提出的忆阻连续学习混沌神经网络可以实现对已知模式和未知模式的区分,并能对未知模式进行自动学习和记忆.给出的计算机仿真验证了方案的可行性.由于忆阻器具有纳米级尺寸和自动的记忆能力,该方案有望大大简化混沌神经网络结构.     

考虑树突整合效应的神经元网络的放电和同步特性

生物神经网络的同步被认为在大脑神经信息的处理过程中发挥了重要作用.本文在Hodgkin-Huxley(HH)神经元网络模型中考虑树突整合效应,得到修正后的DHH(Dendritic-integration-rule-based HH)神经元网络模型,研究了网络的放电和同步特性.首先以三个抑制性神经元构成的耦合系统为例,发现树突整合效应的加入提高了神经元的放电阈值;然后分别建立全局耦合的抑制性和兴奋性神经元网络,发现大的耦合强度能够诱导抑制性和兴奋性神经元网络达到几乎完全同步的状态,并且对神经元的放电幅值有较大的影响;更有趣的是,当树突整合系数为某一值时,抑制性神经元网络的同步达到最高,而兴奋性神经网络的同步达到最低.     

基于结构学习和迭代自映射的自联想记忆模型

传统的人工神经元网络连接结构是固定的,是对权值的学习.提出一种基于生理神经元特征的人工神经元模型,并在以此为单元构成的用于实现自联想记忆的神经网络上进行对结构的学习.学习算法以设定神经元的输入/输出感受野、调整突触和轴突末梢的连接、并行的自投影迭代为特征.给出了此网络模型的矩阵描述和实验结果.     

电场作用对改进的HR神经元模型的同步影响

MSF,即主稳定函数,是一种使用Lyapunov指数理论来确定复杂同型网络同步状态的稳定性的工具.负的MSF值表明网络可以同步.我们构建了一种双变量HR模型来描述神经元在电场作用下的同步行为,将神经元尺寸和外加电场作为影响电场作用的调控因素,利用简化的MSF方法,研究主稳定函数MSF和电荷尺寸及外加电场的关系.结果显示,电场效应对神经网络同步的作用是丰富的.施加较强的恒定电场可以促进网络同步,而施加交变电场则会抑制同步.另外,神经元半径也会影响电场效应的作用结果,在较大的神经元半径下,神经网络会更容易同步.     

Batch Process Modelling and Optimal Control Based on Neural Network Model

This paper presents several neural network based modelling, reliable optimal control, and iterative learning control methods for batch processes. In order to overcome the lack of robustness of a single neural network, bootstrap aggregated neural networks are used to build reliable data based empirical models. Apart from improving the model generalisation capability, a bootstrap aggregated neural network can also provide model prediction confidence bounds. A reliable optimal control method by incorporating model prediction confidence bounds into the optimisation objective function is presented. A neural network based iterative learning control strategy is presented to overcome the problem due to unknown disturbances and model-plant mismatches. The proposed methods are demonstrated on a simulated batch polymerisation process.     

Batch Process Modelling and Optimal Control Based on Neural Network Models

This paper presents several neural network based modelling, reliable optimal control, and iterative learning control methods for batch processes. In order to overcome the lack of robustness of a single neural network, bootstrap aggregated neural networks are used to build reliable data based empirical models. Apart from improving the model generalisation capability, a bootstrap aggregated neural network can also provide model prediction confidence bounds. A reliable optimal control method by incorporating model prediction confidence bounds into the optimisation objective function is presented. A neural network based iterative learning control strategy is presented to overcome the problem due to unknown disturbances and model-plant mismatches. The proposed methods are demonstrated on a simulated batch polymerisation process.     

基于迭代学习与模型预测控制的交通信号混合控制方法

针对基于迭代学习控制的交通信号控制方法对于路网中存在的非重复性实时干扰不能进行有效处理的问题,本文在基于迭代学习控制的交通信号控制方法基础上,结合模型预测控制滚动优化和实时校正的特点,提出了一种基于迭代学习与模型预测控制的交通信号混合控制方法.该方法在有效利用交通流周期性特征改善路网交通状况的同时,可借助模型预测控制的...     

基于神经网络的机器人轨迹鲁棒跟踪控制

在神经网络辨识的基础上 ,提出一种新的鲁棒迭代学习控制方法。该方法利用神经网络对非线性系统进行在线辨识 ,产生迭代学习控制算法的前馈作用 ,并与实时反馈控制相结合 ,实现连续轨迹跟踪控制。仿真结果表明 ,该方法能克服机器人系统动力学模型的不确定性和外部干扰 ,且以极少的学习次数和网络训练次数达到满意的跟踪控制要求 ,具有良好的鲁棒性和控制性能     

基于神经网络的注塑机注射速度的迭代学习控制

对具有不确定性和干扰项的重复非线性注塑机控制系统,尤其是注射速度的控制,提出基于神经网络的迭代学习控制器,其中迭代学习控制器设计为神经网络控制器,它以前馈方式作用于对象。PD反馈控制器用于使系统达到稳定,同时和前馈的神经网络学习控制器一起使系统达到理想的控制效果。仿真结果表明,该控制器可以随着迭代次数的增加有效减小跟踪误差。     

2-DOF并联机构动力学建模与迭代学习控制

针对一种直线电机驱动的2-DOF并联机构,结合直线电机的动力学特性,采用Lagrange方法对其进行动力学建模。考虑该机构重复性动作及其不确定性和非线性特点,提出一种自适应神经网络迭代学习控制方法。在该控制算法的作用下,系统输出能较好地跟踪给定输入。严格证明及仿真结果验证了该算法的有效性。     

基于BP神经网络的迭代学习初始控制策略研究

针对传统迭代学习控制(ILC)在面临新的环境或控制任务时学习时间长、收敛速度慢的问题,提出基于BP神经网络的迭代学习初始控制策略。通过BP神经网络拟和经验数据,对以往控制经验加以充分利用,避免了对初始控制输入量的盲目选择。仿真验证了方法的可行性和有效性。     

基于迭代训练和集成学习的图像分类方法

针对卷积神经网络提取特征信息不完整导致图像分类方法分类精度不高等问题,利用深度学习的方法搭建卷积神经网络模型框架,提出一种基于迭代训练和集成学习的图像分类方法。利用数据增强对图像数据集进行预处理操作,在提取图像特征时,采用一种迭代训练卷积神经网络的方式,得到充分有效的图像特征,在训练分类器时,采用机器学习中集成学习的思想。分别在特征提取后训练分类器,根据各分类器贡献的大小,赋予它们不同的权重值,取得比单个分类器更好的性能,提高图像分类的精度。该方法在Stanford Dogs、UEC FOOD-100和CIFAR-100数据集上的实验结果表明了其较好的分类性能。     

神经网络优化的迭代学习控制在黄酒发酵中的应用

黄酒发酵过程是一种一边糖化一边发酵的复式发酵方式,在糖化和发酵之间需要建立动态平衡。鉴于发酵温度对活化酶和酵母的影响,本文通过控制反应温度来控制黄酒产品质量。黄酒发酵过程是一个典型的间歇过程,本文运用迭代学习控制对发酵温度进行控制,并利用神经网络优化迭代学习律的增益。仿真结果表明了该方法的有效性,且能在较少的迭代次数下,以最快的收敛速度,较高的跟踪精度逼近期望轨迹。     

Use of neural networks in iterative learning control systems

This paper presents an approach to the use of neural networks to improve iterative learning control performance. The neural networks are used to estimate the learning gain of an iterative learning law and to store the learned control input profiles for different reference trajectories. A neural network of piecewise linear approximation is presented to identify effectively the system dynamics, and the approximation property and persistently exciting condition are discussed. In addition, training of a feedforward neural controller is presented to accumulate control information learned by an iterative update law for various reference trajectories. Then, an iterative learning law with a feedforward neural controller is suggested and its convergence property is stated with the convergence condition. The effectiveness of the present methods has been demonstrated through simulations by applying them to a two-link robot manipulator.