一类分数阶时滞系统的输出反馈镇定

针对分数阶不确定系统,讨论了输出反馈镇定问题.分别针对阶数为0<α<1和1α<2两种情况进行讨论,基于输出反馈控制器的设计,并利用系统特征方程的根、矩阵Kronecker积,得出系统的李亚普诺夫全局稳定性条件.最后利用Schur补引理以及矩阵奇异值分解形式,将系统稳定性条件以线性矩阵不等式(LMI)给出,易于求解增益矩阵.     

分数阶Chen混沌系统的径向基函数神经滑模控制

针对带有参数扰动和外部干扰的分数阶Chen混沌系统, 提出一种径向基函数(RBF)神经滑模控制方法. 设计滑模切换函数, 将其作为RBF神经网络的唯一输入, 网络的权值可依据滑模趋近条件在线调整. 基于Lyapunov稳定性理论, 分析了该方法的稳定性. 仿真结果表明该控制方法简化了常规神经网络控制结构的复杂性, 削弱了滑模控制的抖振程度, 对参数扰动和外部干扰具有较好的鲁棒性.     

基于分数阶积分器的分数阶混沌系统状态观测器同步研究

提出了一种基于分数阶积分器的分数阶混沌系统状态观测器同步算法。通过引入一个新的变量,该变量是将驱动系统的输出信号与传输信道中干扰的和进行分数阶积分处理,然后再作为输入信号加到观测系统中,以便实现分数阶混沌系统的状态观测系统同步。然后利用Lyapunov稳定性理论和线性矩阵不等式证明了该方法的正确性。将该同步方法应用于分数阶Chen混沌系统,得出了同步误差曲线,仿真结果表明了该同步方法的有效性,最终实现了分数阶混沌系统的状态观测器同步。     

带有非线性扰动的分数阶系统控制

针对一类带有非线性扰动项的分数阶系统的鲁棒控制进行了研究。通过分数阶李雅普诺夫直接法得出一种新的状态反馈控制器,再利用线性矩阵不等式求出稳定条件下控制器参数的可行解,以保证分数阶闭环系统的稳定性同时得出使该系统稳定的充分条件。该控制器的优点在于不但运算简便,同时还具有较好的快速性及鲁棒性。仿真实例证明了该方法的实用性及可靠性。     

一类分数阶非线性混沌系统的同步控制

在分数阶非线性系统同步控制的研究中,针对一类分数阶非线性混沌系统,研究了基于分数阶控制器的同步方法.利用状态反馈方法和分数阶微积分定义,设计了分数阶混沌系统同步控制器.进一步,根据分数阶非线性系统稳定性理论、Mittag-Leffler函数、Laplace变换以及Gronwall不等式,证明了同步控制器的有效性.最后,通过数值仿真,实现了初始值不同的两个分数阶非线性混沌系统同步.误差响应曲线表明研究的分数阶非线性系统同步响应速度快,控制精度高,验证了本文所设计的混沌同步控制方案的可行性.     

一类非线性系统的神经网络自适应区间观测器设计

本文研究了一类单输入单输出非线性系统的神经网络自适应区间观测器设计问题. 针对由状态和输入所描述的未知非线性函数的界不可测, 现有的区间观测器方法并未有效地处理系统含有参数不确定性的未知非线性函数. 首先, 本文构造两个径向基函数神经网络来逼近未知非线性部分, 进而分别估计系统状态的上下界; 然后, 选择合适的Lyapunov函数, 采用网络权值校正和网络误差选择机制确保所设计的误差动态系统有界和非负性, 并证明了神经网络自适应区间观测器的稳定性; 最后, 通过仿真实例验证了所提出的神经网络自适应区间观测器的有效性.     

一类不确定分数阶混沌系统同步的自适应滑模控制方法

针对一类系统不确定及受外界干扰的分数阶混沌系统,本文首先将分数阶微积分应用到滑模控制中,构造了一个具有分数阶积分项的滑模面.针对系统不确定及外界干扰项,基于分数阶Lyapunov稳定性理论与自适应控制方法,设计了一种滑模控制器以及分数阶次的参数自适应律,实现了两不确定分数阶混沌系统的同步控制,并辨识出相应误差系统中不确定项及外界干扰项的边界.在分数阶系统稳定性分析中使用的分数阶Lyapunov稳定性理论及相关函数都可以很好地运用到其它分数阶系统同步控制方法中.最后数值仿真验证了所提控制方法的可行性与有效性.     

分数阶线性系统的静态输出反馈鲁棒稳定性控制

主要对一类范数有界参数的分数阶线性控制系统,研究了使闭环系统全局渐进稳定的静态输出反馈控制器的设计问题。以线性矩阵不等式（LMI）的形式,证明了上述不确定系统的全局渐进稳定问题,等价于求一个线性矩阵不等式的可行解问题,并且利用该线性矩阵不等式的可行解,构造出了上述系统输出反馈控制器。     

独立摄动参数不确定线性系统的正实控制

考虑了一类范数有界参数不确定线性系统的鲁棒正实性分析和设计问题,其中参数不确定性是独立摄动的．通过构造增广系统将不确定系统的鲁棒正实分析和控制问题转化为确定系统的情形,给出了鲁棒正实分析问题的线性矩阵不等式解法,导出了输出反馈控制器的存在条件．所得结论将范数有界参数不确定系统的鲁棒正实分析和控制的现有结果推进了一步．     

基于LMI的H∞鲁棒故障观测器的设计

针对飞机动态过程中由于噪声干扰造成故障检测误报的问题,构造一种新的基于LMI（Linear Matrix Inequality）的观测器。将此观测器作为残差产生器,利用[H∞]范数来衡量残差对于外界干扰的鲁棒性,通过抑制噪声对残差的影响来实现故障的准确检测,给出了鲁棒观测器各状态矩阵的求解方法。采用某型歼击机发生故障的纵向运动模型进行仿真验证,实验结果证明提出的方法能在噪声环境下及时准确地检测出故障,对噪声干扰具有一定的鲁棒性。     

基于RBF神经网络的射频功放行为模型研究

为了设计和优化高线性功率放大器和通信子系统,在系统级仿真中,构建功率放大器精确的行为模型是极为重要的。应用实际功率放大器晶体管测试板,通过ADS（Advanced Design System）仿真得到大量功放输入输出数据,建立了一个基于RBF（Radial Basis Function）神经网络的行为模型,给出了RBF 神经网络的结构设计及K-均值聚类算法和共轭梯度优化算法,并进行了模型检验。结果表明,基于RBF神经网络的功放行为模型具有较高的精度,相对于BP 神经网络模型具有更高的逼近能力和速度。     

径向基神经网络的汇率预测模型研究

针对BP网络存在着收敛速度慢和局部极小的问题;提出了一种基于径向基神经网络的汇率预测研究方法。将经济变量数据归一化处理;然后送入径向基神经网络（RBF）中训练;得出相应参数;再对汇率进行预测。详细的仿真实验以及与BP神经网络的比较表明;该方法不仅运算速度较快;且预测精度明显要高于传统BP神经网络所能达到的效果。     

奇异值和RBF神经网络的彩色人脸识别

目前已有研究表明,相对于灰度图像,利用图像的彩色信息能改进人脸图像的识别率。但近年来的彩色人脸识别研究较少。提出了一种基于奇异值向量和RBF神经网络的彩色人脸图像识别方法。首先说明了彩色图像的奇异值向量具有代数和几何不变性,再将降维的奇异值向量作为图像的特征,然后应用RBF神经网络进行训练和识别。实验表明该方法的识别率为95%左右,是一种有效的彩色人脸识别方法。     

基于RBF神经网络的赤潮预测方法

赤潮是一种由多因素综合作用引发的生态异常现象,具有突发性及非线性等特点。对其进行预测预报一直是海洋科学研究的热点。简要介绍了RBF神经网络的基本原理,探讨了应用该人工神经网络进行赤潮预测的方法。利用RBF神经网络模型对赤潮灾害监测数据进行仿真实验,并对结果进行了分析。     

基于自适应遗传算法的奇异离散系统降阶H∞控制器

考虑一类奇异离散系统,应用自适应遗传算法给出其降阶H∞控制器的设计方法。通过对目标函数的全局搜索,得到控制器的最小阶次及相应的正定矩阵参数,进而设计出降阶H∞控制器。仿真表明,所提出方法不论对非奇异系统,还是奇异系统都可以得到降阶H∞控制器,且控制器易于求解。     

基于遗传优化神经网络的网络入侵特征检测

为了提高网络入侵检测正确率,提出一种遗传优化神经网络的网络入侵特征选择和检测算法。该方法先将网络状态特征和RBF神经网络参数作为遗传算法的个体,把检测正确率作为适应度函数;然后利用遗传算法的选择、交叉和变异等操作对网络状态特征和RBF神经网络参数进行优化,最后利用KDD 1999数据集对算法性能进行测试。测试结果表明：遗传优化神经网络能够快速获得最优网络状态特征和分类器参数,同时提高了网络入侵检测正确率。     

基于改进RCE和RBF神经网络的静态手势识别

针对手势识别的手区域分割、手势特征提取和手势分类的三个过程,提出了一种新的静态手势识别方法。改进了传统的RCE神经网络用于手区域的分割,具有更高的运行速度和更强的抗噪能力。依Freeman链码方向提取手的边缘到掌心的距离作为手势的特征向量。将上一步得到的手势特征向量作为RBF神经网络的输入,进行网络的训练和分类。实验验证了该方法的有效性和可行性,并用其实现了人和仿人机器人的剪刀石头布的猜拳游戏。     

知识共享效率的R-RNN评价模型研究及应用

针对企业知识共享效率评价方法缺乏的现状,提出了基于粗糙集和RBF神经网络的R-RNN知识共享效率评价模型。在研究知识共享活动基本过程的基础上,分析了知识共享效率影响因素,得出效率评价指标体系。然后,运用粗糙集理论对评价指标进行预处理,去除冗余指标项,在合理化评价指标体系的同时减少网络输入维度,进而采用RBF神经网络对知识共享效率进行综合评价。最后通过具体的应用实例验证了该评价模型的有效性与可行性。     

EEMD与RBF神经网络的太阳黑子月均值预测

太阳黑子月均值是典型的混沌时间序列,具有较强的非线性和非平稳特征,能够反映太阳活动的真实水平。采用一种应用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）与径向基函数（Radial Basis Function,RBF）神经网络组合的预测模型。通过EEMD将原始时间序列分解为若干个不同时间尺度的本征模态函数（Intrinsic Mode Function,IMF）分量,并对这些分量进行建模预测,再将各分量的预测值重构得到原始时间序列的预测值,这样不仅降低了算法的复杂性,而且有利于提高模态分量包含信息的物理意义。仿真结果表明,与经验模态分解（Empirical Mode Decomposition,EMD）结合RBF神经网络的模型相比,该模型具有较高的预测精度。