基于MFLNN的变参数非线性系统辨识

函数型连接神经网络的网络结构简单，计算复杂度低。该文提出了一种外积扩展型连接神经网络（MFLNN），用于辨识变参数非线性系统，仿真结果表明，MFLNN实现了变参数非线性系统的辨识，效果显著。     

非线性动态传感器系统的H模型神经网络辨识

针对非线性动态传感器模型辨识问题,提出一种新的Hammerstein模型神经网络结构辨识法。非线性动态传感器系统采用Hammerstein模型描述,将系统分解为非线性静态增益串接线性动态环节。再设计一种网络权系数对应于相应的Hammerstein模型参数的新型神经网络结构,推导了基于反向传播的网络权系数调整方法。通过网络迭代训练同时得到静态与动态两个环节的模型参数。最后通过一个H模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法是有效的。     

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。     

基于函数链神经网络的非线性系统稳态模型辨识及应用

利用函数链神经网络的非线性映射能力和快速收敛特性，将良好的推广能力视为网络评价函数的约束条件，以改善网络的泛化特性，提高系统的稳态辨识精度，仿真和实际应用结果表明，具有收敛快，辨识精度高，所需样本少等优点。该方法在ＳＯ３磺化过程非线性系统建模中得到应用。     

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FLNN的加速度传感器动态特性补偿方法

对加速度传感器动态性能进行分析,提出其动态性能补偿的神经网络方法,介绍了补偿原理以及神经网络算法,给出用函数连接型神经网络建立的加速度传感器动态补偿网络的数学模型。结果表明:这种补偿模型精度高、能实现在线修正,有良好的鲁棒性及动态补偿器实现简单等优点。     

用神经网辨识非线性系统中的模型误差分析（Ⅰ）

讨论Ｓｉｇｍｏｉｄ型三层前馈网的最佳逼近特性和插值特性，给出了网络实现精确插值的条件；分析了网络逼近误差及运行初始误差对网络模型的影响，指出在一定条件下网络模型输出与实际系统输出相差不大。     

基于函数连接型神经网络的热电偶非线性校正

针对目前常用的查表和最小二乘等传统非线性校正方法的不足,提出了解决热电偶非线性校正问题的函数连接型神经网络算法。利用传感器的原始数据,得到输入、输出样本对,训练神经网络得到动态修正模型。实际结果表明:这种智能测温方法比传统的测温方法在系统测量速度和精度方面均有很大提高。该方法可应用于很多系统的非线性校正。     

基于FLNN的塔机起重量软测量方法研究

通过起重量限制器的受力分析,指出在塔式起重机(塔机)起重量软测量中钢丝绳张力与拉力传感器拉力之间呈非线性关系,提出应用函数型连接神经网络(FLNN)建立软测量模型,为塔机起重量的间接在线测量提供了新方法。结合塔机QTZ63给出了网络的实现过程,实测研究表明:该测量方法具有误差小、精度高、容易实现等优点。     

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。     

一种基于动态人工神经网络的Wiener模型辨识

提出了一种新的辨识模型对Ｗｉｅｎｅｒ模型进行辨识,该模型 线性动态神经元串联一静态网络模型组成,利用线性动态神经元对Ｗｉｅｎｅｒ模型的线性动态部分建模,利用静态ＢＰ网络逼近模型的静态非线性部分,并且给出了统一的ＢＰ辨识算法,仿真结果表明了该方法的有效性。     

用含动态隐层的前馈网辨识非线性系统

用含动态隐层的前馈网对非线性系统建立全局成立的输入输出模型,证明了这种辨识结构的可行性,网络学习算法为动态BP法.     

非线性系统的回归网络辨识

针对未知非线性系统的辨识问题,本文提出了一种新型的回归网络模型,证明了该网络模型在一定条件下能够逼近非线性系统的输入输出关系,提出了训练网络前向连接和反向连接权值的动态反向传播算法,伪真结果验证该方法的有效性。     

基于反馈神经网络的动态化工过程建模

针对非线性动态化工过程建模存在的问题,提出了一种新的反馈神经网络结构,并将状态反馈、时间序列延尺以及集中节点的概念结合起来,用于提高反馈神经网络的性能,同时又使得网络结构不至于太复杂,在用此网络结构建模的时间,成功地将BP算法用一网络模型的训练。文中将这种反馈神经网络结构分别对一个单输入单输出（SISO）的非线笥动态系统和一个多输入单输出（SIMO）的连续全混釜（CSTR）模型进行建模,并将所得模型与基于表态BP神经神经所得的模型在模型输出精度和抗干扰性等方面进行了比较,证明了该反馈神经在动态过程建模中能够比静态BP模型更好地反映出动态过程的输入输出关系,并具有一定的抗干扰能力。     

Pipelined Chebyshev Functional Link Artificial Recurrent Neural Network for Nonlinear Adaptive Filter

A novel nonlinear adaptive filter with pipelined Chebyshev functional link artificial recurrent neural network (PCFLARNN) is presented in this paper, which uses a modification real-time recurrent learning algorithm. The PCFLARNN consists of a number of simple small-scale Chebyshev functional link artificial recurrent neural network (CFLARNN) modules. Compared to the standard recurrent neural network (RNN), those modules of PCFLARNN can simultaneously be performed in a pipelined parallelism fashion, and this would lead to a significant improvement in its total computational efficiency. Furthermore, contrasted with the architecture of a pipelined RNN (PRNN), each module of PCFLARNN is a CFLARNN whose nonlinearity is introduced by enhancing the input pattern with Chebyshev functional expansion, whereas the RNN of each module in PRNN utilizing linear input and first-order recurrent term only fails to utilize the high-order terms of inputs. Therefore, the performance of PCFLARNN can further be improved at the cost of a slightly increased computational complexity. In addition, due to the introduced nonlinear functional expansion of each module in PRNN, the number of input signals can be reduced. Computer simulations have demonstrated that the proposed filter performs better than PRNN and RNN for nonlinear colored signal prediction, nonstationary speech signal prediction, and chaotic time series prediction.      

Nonlinear System Identification Using Lyapunov Based Fully Tuned Dynamic RBF Networks

This paper presents a stable, on-line identification scheme for multivariable nonlinear dynamic system. Growing Gaussian Radial Basis Function (GRBF) network with all its parameters being adaptable is used to approximate an unknown nonlinear system. Based on a continuous-time framework, the parameter adjustment law is derived using Lyapunov synthesis approach, which guarantees the stability of the overall system. In addition, to ensure the convergence of the approximation error, a growing strategy for the network is selected and a dead zone is incorporated in the tuning law. Simulation studies on identifying a time-varying nonlinear missile dynamics illustrate the superior performance of the proposed scheme. The studies also indicate that stability and reduction in approximation error can be extended to a network with pruning strategy, thereby resulting in a Growing and Pruning (GAP) RBF network, which can implement a more compact network structure.     

用神经网络进行非线性离散动态系统辨识的可行性

本文通过证明由神经网络组成的动态系统具有可以逼近满足一定条件的非线性离散动态系统到任意精度的能力，以及讨论将其作为辨识模型对非线了散动态系统进行实时辨识时系统的稳定性，对用神经网络进行非线性离散动态系统辨识的可行性进行了探讨，并提出了有待解决的问题。     

基于PID神经网络的非线性动态系统控制

基于PID神经网络的控制器可以完成变量的单输入-单输出非线性系统的任务.该控制器采用BP(误差反向传播)算法来修正连接权重值,通过在线训练和学习,使目标函数到达最优值.充分利用了BP神经网络算法逼近任意连续有界非线性函数的能力,显示了神经网络在解决非线性系统方面的潜能.为了达到控制的目的,和其他非线性建模技术相比较,PID神经网络有几个明确的优点和它独特的用法相一致.仿真结果表明,在对非线性动态系统控制时,基于PID神经网络的控制系统具有很强的灵活和高效性,能取得良好的控制效果.