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。     

基于正交小波网络的非线性系统辨识

本文介绍了一种基于正交小波网络(OWN)的非线性系统的辨识方法。阐述了正交小波网络理论，提供了用正交小波网络进行辨识的方法．并对高炉煤粉喷吹系统的非线性系统进行了动态辨识，结果表明此方法是可行的。     

基于小波网络的动态系统辨识方法及应用*

本文介绍了一种多输入非线性动态系统辨识算法，基于该算法的非线性辨识系统成功用于局部地区短时暴雨的预报。在这个系统中我们采用一种小波网络来追踪非线性系统的动态性，用一种基于小波逼近的非参数估计方法用于系统的状态空间模型的辨识中。从实验结果可看出，与传统的神经网络方法相比，该系统在速度、可靠性以及精确度上都有了很大的提高。     

基于小波网络的一类非线性系统稳定最小方差控制

研究一类非线性系统的最小方差控制．将非线性系统等价表示为时变线性系统，利用小波网络的非线性逼近特性在线辨识时变系数，利用改进的投影算法在线调整小波网络的权值；在此基础上设计了非线性系统的最小方差控制器，并分析了闭环控制系统的稳定性．仿真结果表明了该算法的有效性．     

采用正交小波网络的非线性系统辨识方法

基于多分辨分析的递阶思想,采用正交小波网络研究了输入样本空间分布非均匀时非线性系统的辨识问题,重点讨论了样本非均匀时网络系的设计问题,并给出了基于该网络系的在线递阶辨识算法,最后利用正交小波网络分别对非线性静态和动态系统进行了仿真辨识。     

基于小波分解的非线性系统多模型自适应控制

提出了一种改进的基于小波分解的非线性系统辨识算法,利用小波函数的逼近能力在线辨识被控对象的非线性项.针对基于小波分解的辨识算法缺乏预测能力,提出了根据线性鲁棒自适应控制器提供的当前控制信息预测未来的非线性项值新方法,并结合多模型方法,根据所定义的切换指标自动切换到当前最优控制器.仿真结果表明,改进的基于小波分解的辨识算法能够有效逼近非线性系统,基于小波分解的非线性系统多模型自适应控制方法改善了系统性能,随着系统运行跟踪误差明显减小,说明了该方法的有效性和可行性.     

基于网格系的分频段加权正交小波网络辨识非线性系统

在非线性系统辨识中,输入数据往往是非均匀 分布的．对于此类问题,正交小波网络处理起来较复杂．本文采用分组中值法对非均匀分布 样本进行均匀化处理, 使正交小波网络的设计和应用能够在网格系上进行;然后,采用分 频段加权技术以便和系统设计相配合． 最后用于辨识非线性动态系统,仿真结果验证了该 方法的可行性和有效性．     

复Gaussian小波核函数及多参数同步优化策略

对复Gauss ian小波满足Mercy条件及其在Hilbert空间具有再生性的命题作了证明．用复Gaussian小波构建出一种核函数，与主成分分析方法相结合，对非线性非平稳信号进行参数辨识和预测．针对多参数模型优化时间过长，不利于工程应用的问题，提出了一种多参数同步优化策略．仿真实验验证了该方法的可行性和有效性，表明该方法具有较好的实用价值．     

基于通用学习网络的预估控制

利用通用学习网络具有所有节点互连，任意两节点之间可以有多重连接，且连接允许有任意延迟时间的特点，对典型非线性、大滞后系统进行了辨识．结合PID控制器对pH中和过程实现了高精度的预估控制．通过与传统的Smith预估控制的比较，证明该网络能有效地应用于大滞后系统，利用该网络进行系统辨识是对未知对象模型控制的一种有效新方法．     

基于最佳小波基的的非线性系数辨识

本文将小波分析与传统的最小二乘方法结合起来,使得非线性多入多出动态系统的辨识算法得到进一步发展。仿真结果表明,将小波分析引入非线性系统辨识领域,减少了辨识参数的数量,简化了算法,提高了精度。     

RETRACTED ARTICLE: Nonlinear dynamic systems identification based on dynamic wavelet neural units

In this paper, a dynamic wavelet network (DWN) is proposed and applied to identify black box models of the process. The well-known delta-rule is extended to the dynamic delta-rule in order to optimize wavelet network parameters. A chemical process was chosen as a realistic nonlinear system to demonstrate the identification performance. A comparison was made between the approach presented in this paper and dynamic multi layer perceptron neural networks.     

基于近似模型的多层模糊CMAC自适应非线性控制

针对非线性离散时间系统的控制问题,提出了一种基于近似模型的多层模糊CMAC 自适应控制方法.采用多层模糊CMAC对非线性函数进行逼近,并提出了一种新的神经网络学 习算法来保证权值的有界性.由于无需满足PE条件,所以文中提出的方法对于离散时间系统 的神经网络控制问题具有实际价值.     

基于小波神经网络的非线性误差校正模型及其预测

针对非线性系统的预测问题,在线性和非线性协整理论涵义的基础上,提出利用小波神经网络进行非线性协整系统的非线性误差校正模型的研究,并给出该模型的建模方法．对沪深股市进行实证研究,与线性向量自回归模型进行比较．研究证明,小波神经网络所建立的非线性误差校正模型有较好的预测效果,能够有效地预测非线性经济系统．     

基于小波网络的非线性内模控制

针对非线性内模控制结构,给出了小波网络逼近系统正、逆模型的充分条件的实现方法。在内模控制结构中引入PID补偿控制,改进了内模控制器的性质。仿真结果表明,小波网络用于非线性内模控制是有效的,内模＋PID控制较单一内模控制具有更快速和平稳的跟踪性能。     

多分辨小波过程神经网络及其应用研究

以小波多分辨分析为理论基础,结合过程神经网络模型,建立了具有分层、多分辨和局部学习特性的多分辨小波过程神经网络.该网络充分利用小波函数和尺度函数互补的特性,以及过程神经网络可以处理连续输入信号的能力,能够很好地解决复杂的非线性时间序列的预测问题.给出了相应的学习算法,并以航空发动机排气温度裕度状态监视为例,利用多分辨小波过程神经网络进行预测.结果表明,多分辨小波过程神经网络收敛速度快、精度高.同时也为航空发动机排气温度裕度状态监视问题提供了一种有效的方法.     

一种基于小波神经网络故障检测方法的仿真研究

文中提出了一种基于小波神经网络一性观测器的故障检测方法。它是一种把信号分析和模型相结合的故障检测方法,通过小波对信号的去噪和神经的神经网络的自学习功能,来获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判疡,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法是可行的。     

非线性系统辨识方法研究

讨论了利用小波神经网络对非线性系统辨识的新方法。在辨识过程中,为了提高小波神经网络对非线性系统的辨识性能,使用一种改进粒子群优化算法对BP小波神经网络参数进行训练,求得最优值,达到对非线性系统辨识目的。在数值仿真中,与采用标准粒子群优化算法相比,结果显示了提出的方法在收敛性和稳定性等方面均得到了明显的改善。     

基于小波神经网络的组合故障模式识别

提出了一种基于小波神经网络的组合故障模式识别方法.针对以歼击机为代表的非线 性系统中存在的多重并发故障,构造了一个多层的小波神经网络,在输入层对残差信号进行二进 离散小波变换,提取其在多尺度下的细节系数作为故障特征向量,并将其输入到神经网络分类器 进行相应的模式分类.仿真结果表明,本文方法为多重并发故障的诊断提供了有效的方法和途径.     

基于小波变换的非线性广义预测控制

提出了基于小波变换的非线性广义预测控制算法。预测模型采用Hammerstein模型,对于其静态非线性部分采用小波网络来辨识,动态线性部分用最小二乘法来辨识。这种辨识方法比传统的多项式拟合的模型误差要小得多。基于这种预测模型广义预测控制器弥补了传统广义预测控制的模型失配问题。以CSTR为例对所设计的控制器进行仿真研究,结果表明控制器能够取得良好的控制效果。     

基于鲁棒小波网络的非线性系统辨识

分析了传统小波网络的不足,同时考虑到实际中学习样本可能被非高斯白噪声干扰的情况,提出用于辨识非线性系统的鲁棒正交小波网络,并对辨识精度和收敛性进行了分析。理论分析和仿真研究表明,该文提出的方法是有效的。