随机非线性动态系统数值模拟与性态分析

针对具有随机参数非线性系统和随机非线性系统的数值模拟与性态分析问题,提出将蒙特卡罗模拟办法与数值积分法相结合,建立了迭代积分算法求取随机非线性系统在不副随机序列作用下的数值解集,分析了计算误差．其次,利用数值解集的样本值进行解过程性态分析,建立了系统状态的概率分布、均方和矩函数的数值汁箅公式,实现了该类系统数值模拟分析的完整算法和程序流程设计．最后,通过两类典型示例系统的数值仿真结粜验证本文算法与流程的正确性和有效性．     

一类非线性系统的动态补偿

本文考察一类非线性控制系统的调节问题。在一些常见的假设条件下,文中给出了动态补偿器的设计方法,这是一种基于状态观测器的补偿装置。结果表明:本文给出的动态补偿器的构造方法便于实际系统设计采用。     

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。     

一种新的非线性离散动态大系统递阶控制的神经网络方法发*

本文给出了一种新具有全集成化特征的，求解非线性动态大规模系统递阶控制问题（ＬＯＣＰ）的神经网络模型（ＬＨＣＮＮ）该神经网络具有结构简洁，紧凑，高效的特点，适合于动态大规模系统的实时优化控制。     

非线性系统研究动态与展望

本文对近几年非线性控制系统的进展情况作了综合报导。文章共分三个部分:第一部分强调:什么是反馈意义下的非线性系统;第二部分介绍了近几年非线性控制系统研究中较集中的八个方面的问题;第三部对非线性控制理论今后主要研究动向作了预测。     

基于动态神经网络的非线性组合系统自适应观测器

基于动态神经网络，对一类非线性组合系统提出一种观测器设计方法．在观测器设计中，充分考虑了神经网络逼近误差项对观测器性能的影响，增加了鲁棒控制项，并设计了相应的参数自适应律，以保证良好的观测性能．神经网络的连接权值在线调整，无需离线学习．仿真结果表明了该方法的有效性．     

基于Hammerstein型神经网络的非线性动态系统辨识

Hammerstein模型广泛应用于非线性系统的辨识中,其结构是由非线性静态增益部分和一个线性动态部分串联。提出一种Hammerstein型神经网络用来模拟传统的Hammerstein模型,并将其应用于非线性动态系统的辨识中。由Lipschitz熵来确定Hammerstein型神经网络的阶次,并利用反向传播算法对网络权值的进行训练。仿真结果表明,Hammerstein型神经网络具有较好的非线性动态系统辨识性能。     

基于动态神经网络的一类非线性不确定系统的自适应观测器

基于动态神经网络，对一类非线性不确定系统提出了相应的观测器设计方法，在观测设计中，充分考虑了不确定性和神经网络逼近误差对观测器性能的影响，增加了鲁棒控制项并设计了相应的参数自适应律，以保证良好的观测性能，神经网络的权值在线进行调整，而无需离线学习。     

基于动态神经网络的非线性系统鲁棒观测器设计

基于动态神经对一类不确定非线性系统提出一种新的鲁棒观测器。其中无离线学习、持续激励和输出匹配条件等要求。仿真说明所提方法的有效性。     

一类非线性动态系统的数字仿真

针对工业控制中常见的一类非线性动态系统,本文提出了一种仿真算法,与其它同阶精度算法相比,具有精度高、稳定性好和计算量小等优点,文中给出了五个不同类型的仿真算例,结果表明,该算法是有效可行的。     

基于信息熵和聚类分析的评价模型

建立一个基于信息熵和聚类分析的评价模型,由信息熵确定指标权重,并通过聚类分析进行综合评价。通过实例分析验证该模型的有效性。     

应用近似模糊熵的不完备信息系统属性约简

属性约简是Rough集理论的重要研究内容,基于信息熵的属性约简是一种有效的属性约简方法。在实际应用中,获取的信息系统通常是不完备的。针对这种问题,在容差关系下对个体进行分类时,基于属性子集redu与CAttr(属性全集)-redu之间的内在联系,定义了一种新的知识熵,提出了一种新的应用近似模糊熵的不完备信息系统属性约简算法(newS算法),其时间复杂度是O(｜C｜²∑mi=1(k^p_i)²)。最后,在ROSE和UCI data中的6个数据集上进行了实验仿真,结果表明newS算法是可行的,并且在同等约简效果下与其他算法相比具有更高的属性约简效率。     

基于路径分析和信息熵的错误定位方法

软件错误定位是一项耗时又费力的工作,因此如何提高软件错误定位的自动化程度一直以来都是软件工程领域研究的热点.现有的基于频谱的错误定位方法很少利用程序的上下文信息,而程序的上下文信息对错误定位至关重要.针对这一问题,提出了一种基于路径分析和信息熵的错误定位方法FLPI.该方法在基于频谱信息技术的基础上,通过对所有执行路径...     

信息系统中的熵理论和信息粒度

不确定性是人工智能中的研究热点,而熵理论和信息粒度是度量信息系统不确定性的两种主要方法。本文在给出信息系统中熵的物理意义基础上,提出了信息系统中熵增加原理,给出了熵和信息粒度的公理化定义,据此构造了两种新的不确定性度量函数—α熵和α粒度,它们是已有熵和粒度度量的进一步推广。研究表明,α熵以及现有的熵度量都是广义熵的特殊形式,而α粒度以及现有的粒度度量都是广义粒度的特殊形式,从而统一、规范和发展了完备与不完备信息系统中的不确定性度量方法。     

一种非线性新相关信息熵定义及其性质、应用

在研究了相关信息熵和HPal熵的基础上,提出一种以特征值代替事件发生的概率且以e为底的指数函数形式的改进的非线性新相关信息熵概念.在对有限集最大划分的条件下,推导并从理论上证明了该信息熵的若干性质,这些性质满足香农熵的基本性质.新相关信息熵是一种度量多变量、非线性系统的相关性程度大小的标准.作为多变量之间相关关系的不确定性度量,变量问的相关程度越大,对应的新相关信息熵值越小.新相关信息熵的提出有助于信息融合并为相关分析理论的研究提供了一种新方法和新思路.新相关信息熵和相关信息熵的应用实例结果对比说明新相关信息熵是一种有效且有用的度量非线性系统不确定性的方法.     

基于信息熵和信息融合的直肠压力信息分类分析

为重建肛门失禁患者的直肠感知功能,设计了一种新型的人工肛门括约肌;针对采集的直肠压力活动信号,利用小波分析在时域-频域提取其信息熵特征,并进行了信息熵特征提取实验;实验表明,信息熵特征对不同的信号具有较好的分类能力。利用提取的直肠压力信息熵特征,基于决策级信息融合方法构建直肠感知功能预测模型;最后通过仿真实验,验证了此预测模型在不同信噪比下都具有较高的预测准确率,能够重建患者直肠感知功能,预测患者排便时间。     

基于信息熵的免疫遗传算法聚类分析

介绍了基于信息熵的免疫遗传算法的聚类分析方法。将免疫算法引入到遗传算法中,利用免疫算法的免疫记忆、自我调节和多样性保持功能弥补了标准遗传算法的局部搜索能力差、计算量大和早熟收敛等问题。采用DNA进行抗体编码,利用信息熵来表示抗体间亲和度及浓度,并采用聚合亲和度,实现了抗体群的自我调节和多样性保持策略。实验表明,该算法优于标准遗传算法。     

非线性系统高阶迭代学习算法

结合迭代学习控制算法中的开环和闭环方案，本文针对更一般的非线性系统，讨论高阶算法的广泛适用性。理论和仿真结果表明了高阶算法在输出跟踪和干扰抑制方面的有效性。     

基于信息熵的不完备信息系统粗集模型拓展

分析几种已有的针对不完备信息系统的粗集拓展模型基础上,提出了一种基于信息增益的粗集拓展模型.在对各属性重要性排序的前提下,对不完备信息系统进行进一步的粗集模型拓展,通过实例说明该模型更符合人的主观要求和客观现实.     

基于条件信息熵的覆盖约简算法

针对覆盖算法中识别精度与泛化能力存在的矛盾,在信息论观点的Rough集理论基础上,提出覆盖熵概念,以决策属性相对于分类器的条件信息熵为约束条件,在确保算法分类能力不降低的情况下,对一组覆盖中信息熵最大的覆盖进行约简,减少了分类器的不确定因素。实验结果证明,该算法具有很好的识别精度与泛化能力,对模糊、不确定的数据也具有较好的处理能力。