基于Hopfield网络的系统参数领域辨识方法

本文综合利用频谱分析技术和Ｈｏｐｆｉｅｌｄ网络的神经计算能力，提出一种基于Ｈｏｐｆｉｅｌｄ网络的系统参数频域辨识方法，并进行仿真验算，结果表明了方法实现的可行性及在克服噪声影响方面的有效性。     

过程控制系统中非线性系统参数的辨识

针对电力生产等工业过程中常见的非线性对象,以二阶时滞传递函数表征其模型,运用改进的遗传算法对模型中的参数进行辨识,优化实时控制参数。运用全局搜索与局部搜索相结合,克服在种群规模减小、压缩使用最优区间的加速算法所带来的未成熟收敛。     

基于Hopfield网络的系统参数频域辨识方法

本文综合利用频谱分析技术和 Hopfield网络的神经计算能力 ,提出一种基于 Hopfield网络的系统参数频域辨识方法 ,并进行了仿真验算 ,结果表明了方法实现的可行性及在克服噪声影响方面的有效性。     

一种新型的非参数模型及其在系统辨识中的应用

本文给出了一个求解广义正交多项式的微分运算矩阵的新方法，应用对连续线性系统的脉冲响应函数进行正交逼近的方法来讨论脉冲响应函数的实现问题，得到了一类新型的非参数模型，并导出了利用该模型来辨识连续线性系统的脉冲响应函数的算法，最后给出了例子证实本文所给方法的有效性。     

基于阶跃响应曲线特征的线性系统辨识方法研究

针对阶跃响应法建模的局限性,提出一种基于阶跃响应曲线特征的线性系统辨识方法。高阶线性系统可由多个一阶与二阶典型环节并联而成,分析典型环节各参数对曲线形状影响的规律,并依据其调整各参数值,以典型环节并联模型的拟合曲线逼近实际的阶跃响应曲线,从而得到系统的传递函数。另外,借助Matlab图形用户界面（GUI）平台,开发了辨识软件以验证该算法的正确性与可行性,实验结果表明,该方法辨识精度高,对于复杂控制系统建模具有一定的参考性。     

一种自衡无振荡过程特性参数在线辨识方法的实现

本文从气体渗碳炉动态数学模型入手,提出一种简便易有的特性(?)辨识方法(?)可适用于任何有自衡无振荡过程的特性参数的辨识。     

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。     

基于模糊神经网络的非线性系统模型的辨识

该文提出一种非线性系统的模型辨识方法．利用关系聚类法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数,在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络,得到一个精确的模糊模型,从而实现参数辨识,通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

Hopfield Neural Networks for Parametric Identification of Dynamical Systems

In this work, a novel method, based upon Hopfield neural networks, is proposed for parameter estimation, in the context of system identification. The equation of the neural estimator stems from the applicability of Hopfield networks to optimization problems, but the weights and the biases of the resulting network are time-varying, since the target function also varies with time. Hence the stability of the method cannot be taken for granted. In order to compare the novel technique and the classical gradient method, simulations have been carried out for a linearly parameterized system, and results show that the Hopfield network is more efficient than the gradient estimator, obtaining lower error and less oscillations. Thus the neural method is validated as an on-line estimator of the time-varying parameters appearing in the model of a nonlinear physical system.     

Hopfield神经网络参数设置

以TSP问题入手,详细分析了Hopfield神经网络行为特征。采用了加强能量函数,比H-T模式更有效。从几何学角度分析了权值矩阵的特征值所对应的子空间,从而获得设置网络参数的标准。模拟结果显示,新的网络参数能保证网络收敛到有效解。     

基于神经网络的动态系统逆模型辨识及闭环控制

本文提出一种动态线性或非线性系统的神经网络逆模型辨识结构，并引出两种ＰＩＤ与神经网络逆模型相结合的自适应控制方案，神经网络模型采用基于Ｕ－Ｄ分解卡尔曼滤波学习算法（ＵＤＫ）的动态前向多层网、仿真结果表明了所述辨识方案的有效性及特点 。     

离散Hopfield神经网络的稳定性分析

主要研究非对称离散Hopfield神经网络并行演化方式的动力学行为，同时给出了网络的一些新的稳定性条件，所获结果不仅推广了一些已有的结论，而且为该网络的应用提供了一定的理论基础。     

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。     

基于模糊神经网络的系统辨识

基于模糊神经网络研究系统辨识问题,提出一种具体的模糊神经网络结构和相应算法,设计了开环系统和闭环系统辨识的结构。针对多个不同的对象进行仿真研究,结果表明用模糊神经网络建模较之传统建模方法能力强。     

随机Hopfiedld神经网络的稳定性分析

通过利用动态大规模互连系统的分解方法,对由Ｉｔｏ随机微分方程描述的随机Ｈｏｐｆｉｌｅｄ神经网络给出了稳定性分析,这样的神经网络被认为是许多神经元的一个互连,在本文中给出了稳定性结论是以单个神经凶和互连结构的性质来表示的。     

Hopfield神经网络（HNN）的定性分析

本文介绍了神经网络作为联想记忆的特点，通过稳定性分析，对离散的和连续的ＨＮＮ的收敛性作了近似估计，给出了网络在平衡点附近的收敛条件．仿真结果进一步证实了本文结论的正确性。     

Improved Global Robust Stability for Interval-Delayed Hopfield Neural Networks

A modified form of a recent criterion for the global robust stability of interval-delayed Hopfield neural networks is presented. The effectiveness of the modified criterion is demonstrated with the help of an example.