动态递归模糊神经网络及其BP学习算法

提出了一种新型的动态递归模糊神经网络，并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法，仿真结果表明对于动态系统的辨识，动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果。     

动态递归模糊神经网络及其BP学习算法

提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法,仿真结果表明对于动态系统的辨识,动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.     

一种递归型模糊神经网络用于动态系统辨识的研究

针对静态模糊神经网络对动态系统辨识精度低的特点,在T-S模糊神经网络标准结构基础上,通过在输入层与状态层间加入可以记忆暂态信息的递归层,一种新的T-S递归型模糊神经网络(TSRFNN)被提出,来提高对动态系统的辨识能力.同时,给出了参数的动态BP学习算法.通过仿真实验,证明提出的TSRFNN对动态非线性系统的辨识比传统静态模糊神经网络(TFNN),具有更快的网络收敛速度,更高的辨识精度,更适合于动态系统的辨识.     

动态T-S递归神经网络及其应用

基于递归神经网络和模糊系统,给出了一种动态T-S递归模糊神经网络(DTRFNN)。该神经网络用BP算法进行网络权值的学习,并在权值学习的基础上采用改进的BP算法克服局部极小。以动态系统的辨识为例进行仿真实验研究,并与一般的模糊神经网络进行了比较。结果表明,DTRFNN的辨识误差较小,取得了很好的辨识效果。该神经网络应用于某金属温度软测量时,能很好地实现温度的在线检测。     

基于改进算法递归神经网络的研究

动态递归神经网络具有递归单元及记忆功能，使其在系统辨识和控制中有独特的作用．针对BP算法的不足，提出了一种递推预报误差(RPE)学习算法．对一个非线性系统进行了解识，其仿真结果表明，改进的RPE算法优于BP算法．     

新型动态模糊神经控制器及其混合学习算法研究

介绍了一种基于动态模糊神经控制器的控制系统,通过在模糊神经网络控制器的第2层引入动态递归环节,使其具有动态映射能力,并提出了动态模糊神经控制器的混合学习算法,即先采用免疫遗传算法的“粗”学习,再采用BP梯度算法的“细”学习,通过对锅炉主汽温控制的仿真表明了该网络结构和训练方法是可行的和有效的。     

基于免疫粒子群优化的一种动态递归神经网络辨识与控制非线性系统

提出了一种采用免疫粒子群优化算法对动态递归神经网络进行训练的方法,实现了对Elman网络的结构、权重、结构单元的初始输入和自反馈增益因子等参数的同时进化训练。进而针对非线性系统分别提出了相应的辨识与控制算法,并设计出了相应的辨识器和控制器。最后以超声马达为对象进行了仿真,结果表明:基于所提出的算法而设计的辨识器和控制器在辨识和控制过程中不仅都能取得很高的收敛精度和速度,而且对于随机扰动有较强的鲁棒性,从而为非线性系统的辨识和控制提供了一条新的途径。     

进化Elman神经网络模型与非线性系统辨识

建立了一种采用改进的自适应遗传算法实现动态递归的进化E lman神经网络模型。提出了对网络的结构、权重、结构单元的初始输入和自反馈增益因子同时进化的学习算法。用初始状态优化的E lman网络集成反馈学习算法和E lman网络在线训练两种动态辨识算法形成的集成化动态递归网络辨识算法,实现了超声马达的速度辨识。模拟结果表明,提出的算法不仅实现了动态递归网络的全自动优化设计,而且明显提高了动态递归网络模型辨识算法的收敛精度,为非线性系统辨识提供了一条新的途径。     

基于智能算法的无速度传感器直接转矩控制系统的设计

为了改善定子电阻对定子磁链的影响以及电机的低速性能，提出一种利用模糊神经网络来构造定子磁链观测器的方法．传统的交流调速系统都带有速度传感器，难以维护．针对这一问题，提出一种利用递归神经网络构造电机转速辨识器的方法，并且利用遗传算法对转速辨识器进行优化．通过Matlab仿真实验，表明递归神经网络速度辨识器具有快速的跟踪效果和良好的辨识精度，并且基于模糊神经网络的磁链观测器有效地改善了直接转矩控制系统的低速性能．     

精密机械热动态误差模糊神经网络建模研究

结合模糊逻辑与人工神经网络的优点,提出精密机械热动态误差的模糊神经网络模型,并在多变量模糊模型后件结构与参数辨识中提出了主分量分析建模的新方法.基于语言控制规则的模糊模型,采用模糊推理方法,建模的关键在于结构辨识和参数辨识. 采用主分量分析方法可有效地辨识模型后件的结构与参数.为克服建模用的有效数据量少于后件参数,而无法建立相应的模糊模型这一问题,采用一种多变量系统的模糊神经网络建模方法,利用神经网络具有学习的能力,通过使用适当数量的具有充分激励信息的优选数据组作为学习样本对神经网络进行训练,从而建立起模糊神经网络模型.当辨识的模型精度达不到要求时,可应用模糊神经网络的多次训练获取更高的模型精度.实测数据建模表明,模糊神经网络模型能有效地描述热动态误差.     

基于过程神经网络的非线性动态系统辨识

研究了过程神经网络在非线性动态系统辨识方面的应用.针对传统神经网络在解决系统过程式输入和时间顺序依赖性问题时出现的使模型和算法复杂化的弊端,提出了一种时变输入输出的过程神经元网络模型作为系统的辨识模型,采用基于函数基展开的梯度下降算法,以油田井组注采系统为例验证了模型和算法的有效性,进而说明了过程神经元网络对于解决系统过程式输入的非线性动态系统辨识问题的适用性.     

基于动态模糊神经网络的多余力矩抑制方法

针对负载模拟器难以准确建模,多余力矩严重影响力矩加载性能的特点,提出一种基于动态模糊神经网络抑制多余力矩的新方法．该动态模糊神经网络无须较强领域的专家知识,是系统自动建模及抽取模糊规则的网络,且模糊神经网络结构是动态变化的,其模糊规则是在学习过程中逐渐增长而形成的．设计了结合前馈反馈控制和直接逆控制的控制策略,在线更新算法,实时更新网络结构及参数以及时跟踪被控对象逆模型的变化,与其并行的PID控制器的作用在于保持系统的稳定并获得更快速的系统响应和更佳的跟踪精度．通过仿真可以看出基本消除了多余力矩,系统性能得到改善,仿真效果令人满意．     

时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机（PMSM）中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。     

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。     

时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机(PMSM)中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。     

动态模糊神经网络在变形预测中的应用

为了得到更好的桥梁墩台沉降变形预测精度,减少工程监测实践的误差,分别介绍了基于扩展径向基函数神经网络（RBFNN）与动态模糊神经网络（DFNN）的学习算法和参数的确定方法。选取某一桥梁沉降监测数据分别进行基于扩展径向基函数神经网络与动态模糊神经网络的自适应学习训练,进行桥梁墩台沉降变形预测。实例分析结果表明,径向基函数神经网络预测误差达到0.15 mm,而动态模糊神经网络预测误差达到0.07 mm,显然动态模糊神经网络具有更高的预测精度,从而证实了动态模糊技术与神经网络相结合的自适应学习训练过程的优越性。     

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型．但算法有求解精度低、搜索速度慢、易于陷入极小的缺点．蚁群算法是一种新型的模拟进化算法，有正反馈、分布式计算、启发性收敛等特性．这些特性使得解题过程加快，易于实现分布式计算．将蚁群算法和神经网络相结合起来，实现了非线性模型的辨识问题及倒立摆的控制．仿真实验表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能．     

NARX网络在自适应逆控制动态系统辨识中的应用

针对动态神经网络的学习算法问题,提出了一种适用于带外加输入的非线性自回归 (NARX)动态网络的改进型RTRL学习算法. 该算法基于LM算法的思想,取代传统RTRL中的梯度寻优算法,以改善RTRL的学习速度, 并将该方法应用于NARX动态网络自适应逆控制的对象辨识中. 数值仿真结果表明该改进学习算法是可行而有效性的,并且也验证了NARX动态神经网络具有很强的动态描述能力.     

一种局部递归神经网络模型及其在动态系统辨识中的应用

提出了一种局部递归神经网络模型,利用误差回馈原理推导了其学习算法,针对动态系统辨识问题,建立了一个基于该网络的并联辨识方案,仿真结果表明,该网络及其辨识结构具有学习效率高,逼近速度快和不需要要辨识对象的先验知识等特点。     

一类递归神经网络的非线性学习控制

讨论了一种动态递归神经网络的学习算法,利用该学习算法,提出了一类非线性系统的学习控制方法。仿真结果表明,本文的学习算法和控制方法对非线性系统是有效的。