基于递归神经网络的一类非线性无模型系统的自适应控制

给出了基于递归神经网络非线性无模型的自适应控制方案，它具有灵活、简单、方法等特点，可以处理传统方法和非线性无模型系统自适应控制方法不能控制或控制效果不理想的非线性对象。理论分析和仿真结果证明了这种方法的优越性。     

基于DRNN的非线性模型预测控制研究

针对飞机液压系统某地面试验装置具有非线性、慢时变的特征,常规的控制算法难于实现精确控制。为了提高系统的实时性和精度,提出了基于DRNN神经网络的非线性模型预测控制算法。控制算法应用对角递归神经网络DRNN作为非线性系统的预测模型,同时采用了具有全局优化能力的启发式遗传算法作为滚动优化工具。将这一控制算法进行仿真试验,仿真试验结果表明,基于DRNN的NMPC对于装置具有自适应能力,控制精度较传统的PID控制有明显的提高。     

用于多姿态人耳识别的局部线性嵌入及其改进算法

通过分析目前人耳识别所采用的各种主要方法,将流形学习局部线性嵌入(LLE)算法用于多姿态人耳识别,并针对LLE算法存在的局限提出一种改进LLE算法.改进后的LLE算法依据Hsim距离选择邻域,较好地避免了高维空间中邻域点选取的不稳定性.实验结果表明,利用LLE解决多姿态人耳识别问题是可行的而且具有较明显的优势.用改进LLE算法进行多姿态人耳识别能够获得更高的识别率,验证了算法改进的有效性.     

基于局部纹理ASM模型的人脸表情识别

针对主动形状模型(ASM)迭代过程容易陷入局部最优解的不足,提出了一种基于局部纹理模型的改进ASM算法,即EWASM.在局部纹理模型构建中,以每个特征点的中垂线方向搜索其邻域信息以确定最佳匹配位置,对衡量匹配程度的马氏距离加以推广,进而得到改进的扩展加权局部纹理模型,它由中心局部纹理模型、前局部纹理模型和后局部纹理模型共3个子模型加权组成,并对加权参数进行实验优化,使各个特征点之间的联系更加紧密,模型的鲁棒性更好.通过表情识别实验对提出的EWASM算法和传统ASM算法进行对比,选用RBF神经网络分类器进行表情分类,实验结果表明EWASM算法收敛速度更快,识别率也得以提高,并解决了局部最小问题,能更有效地表征表情.     

基于模糊树模型的非线性系统内模控制

本文提出一种基于模糊树模型的非线性系统的内模控制方法,该方法采用模糊树建立非线性系统的内部模型和逆模型.仿真结果表明模糊树方法建立的非线性系统内部模型和逆模型均具有较高的建模精度,所提内模控制方法对非线性系统具有较好的控制性能、较强的抗干扰能力和鲁棒性能.     

基于局部卷积神经网络算法的文本分类识别

研究了一种基于局部卷积神经网络的新型文本分类识别算法.该算法主要由5个步骤组成.第一步使用基于搜索字符串的文本词频统计法构成异构文本数据的同构化结果;第二步将上述同构化结果进行三维模糊化处理;第三步使用经过模糊化的数据输入到卷积神经网络算法模块中进行机器学习分析;第四步通过针对神经元网络输出结果构建三维数据矩阵,并对该...     

基于高级局部二元模式直方图映射的表情识别

提出高级局部二元模式直方图映射(ALBPHP)方法,将标记信息完整且标记位置统一的高级局部二元模式(ALBP)直方图映射到局部保持投影(LPP)空间获得低维ALBPHP特征.相比于ALBP特征,ALBPHP特征不仅维数低而且在表征人脸图像时具有更强的鉴别力.在JAFFE和Cohn-Kanade两个人脸表情库上对ALBPHP和ALBP方法比较验证,结果表明:采用相同的分类器时ALBPHP的识别率总是高于ALBP.     

基于改进CNN的局部相似性预测推荐模型

为缓解推荐系统中数据稀疏性问题,利用卷积神经网络CNN具有较强捕捉局部特征能力的优势,通过加入一个调节层,提出一种改进CNN的局部相似性预测推荐模型LSPCNN。新模型对初始用户-项目评分矩阵进行迭代调整,使用户兴趣偏好局部特征化,再融合CNN对缺失评分进行预测,从而实施个性化推荐。实验结果表明,LSPCNN模型在不同数据稀疏度下的MAE值较传统推荐方法平均下降4%,有效缓解了数据稀疏性,提高了推荐系统的性能。     

基于局部线性嵌入算法的汉语数字语音识别

语音信号转换到频域后维数较高,流行学习方法可以自主发现高维数据中潜在低维结构的规律性,提出采用流形学习的方法对高维数据降维来进行汉语数字语音识别。采用流形学习中的局部线性嵌入算法提取语音频域上高维数据的低维流形结构特征,再将低维数据输入动态时间规整识别器进行识别。仿真实验结果表明,采用局部线性嵌入算法的汉语数字语音识别相较于常用声学特征MFCC维数要少,识别率提高了1.2%,有效提高了识别速度。     

基于自适应近邻参数的局部线性嵌入

局部线性嵌入算法是一种有效的非线性降维方法。文中提出一种自适应的局部线性嵌入方法。该方法通过分析数据集中任意样本所在局部区域的线性重构误差,确定该局部区域的近似线性块,然后根据位于此局部线性块上的样本来选择局部线性嵌入的近邻参数。实验结果表明,在不同的数据集上,采用多个评价标准,自适应的局部线性嵌入方法相比普通的局部线性嵌入方法,取得更好的结果。     

Modeling and Optimal Control of Batch Processes Using Recurrent Neuro-Fuzzy Networks

A recurrent neuro-fuzzy network based strategy for batch process modeling and optimal control is presented in this paper. The recurrent neuro-fuzzy network allows the construction of a “global” nonlinear long-range prediction model from the fuzzy conjunction of a number of “local” linear dynamic models. In this recurrent neuro-fuzzy network, the network output is fed back to the network input through one or more time delay units. This particular structure ensures that predictions from a recurrent neuro-fuzzy network are long-range or multi-step-ahead predictions. Long-range predictions are particularly important for batch processes where the interest lies in the product quality and quantity at the end of a batch. To enhance batch process control and monitoring, a model capable of predicting accurately the product quality/quantity at the end of a batch is required. Process knowledge is used to initially partition the process nonlinear characteristics into several local operating regions and to aid in the initialization of the corresponding network weights. Process input output data is then used to train the network. Membership functions of the local regimes are identified and local models are discovered through network training. An advantage of this recurrent neuro-fuzzy network model is that it is easy to interpret. This helps process operators in understanding the process characteristics. The proposed technique is applied to the modeling and optimal control of a fed-batch reactor.     

一类动态递归神经网络的智能控制器

提出一种改进型动态递归神经网络的自适应控制方法，研究了动态递归网络的学习算法，分析了学习算法的收敛性，并推导了保证算法收敛的有效学习率范围，在此基础上提出了模糊推理自适应学习率方法。计算机仿真实验表明，本文控制方法对于未知、非线性被控对象的控制是有效的。     

基于神经模糊系统的热工过程建模及预测

热工对象内部过程的物理性能比较复杂,其往往表现出非线性、严重时变、大迟延和不确定等特点,这就使得难以对其建立比较精确的模型。该文以自适应神经模糊推理系统(ANFIS)作为辨识器建立热工过程模型,用ANFIS分别建立锅炉-汽轮机的非线性模型、不同负荷工况点的线性模型,并根据现场采集的锅炉-汽轮机系统数据建立了ANFIS模型。对以上三个系统的建模仿真结果表明基于ANFIS建立的模型具有较高的模型精度和较好的预测能力,ANFIS可用于非线性系统、复杂系统的建模和预测,并具有较少的训练次数和较小的预测误差。     

Recurrent Neuro-Fuzzy Modeling and Fuzzy MDPP Control for Flexible Servomechanisms

This paper considers the nonlinear system identification and control for flexible servomechanisms. A multi-step-ahead recurrent neuro-fuzzy model consisting of local linear ARMA (autoregressive moving average) models with bias terms is suggested for approximating the dynamic behavior of a servomechanism including the effects of flexibility and friction. The RLS (recursive least squares) algorithm is adopted for obtaining the optimal consequent parameters of the rules. Within each fuzzy operating region, a local MDPP (minimum degree pole placement) control law with integral action can be constructed based on the estimated local model. Then a fuzzy controller composed of these local MDPP controls can be easily constructed for the servomechanism. The techniques are illustrated using computer simulations.     

基于改进动态递归神经网络的发酵过程pH值辩识

酒精发酵的pH值具有非线性、时变性和动态性。利用常规辩识方法对pH值进行辩识,一方面,无法准确描述其动态特性;另一方面,由于常规神经网络的权值学习是梯度下降法,在训练过程易陷入局部极小,并且训练速度慢。针对这些问题,将改进的动态递归神经网络应用于pH值的辩识研究。通过实验验证了该算法不但能体现出发酵过程的动态特性,而且通过在动态递归神经网络的权值学习中引入滤波项,能有效地克服常规网络在权值学习过程中的问题。表明该算法对pH值辩识的有效性。     

用神经网络建立非线性系统模型研究

本文针对多层网络结构，运用递推预报误差（ＲＰＥ）算法对离散非线性系统进行辨识研究，作为应用实例，本文对一个工业实际进行了神经网络动态建模，研究结果表明，神经网络方法是用于带有非线性特性工业过程建模的有效方法。     

Observer-Based Adaptive Controller Design of Flexible Manipulators Using Time-Delay Neuro-Fuzzy Networks

In this paper, a dynamical time-delay neuro-fuzzy controller is proposed for the adaptive control of a flexible manipulator. It is assumed that the robotic manipulator has only joint angle position measurements. A linear observer is used to estimate the robot joint angle velocity. For a perfect tracking control of the robot, the output redefinition approach is used in the adaptive controller design using time-delay neuro-fuzzy networks. The time-delay neuro-fuzzy networks with the rule representation of the TSK type fuzzy system have better learning ability for complex dynamics as compared with existing neural networks. The novel control structure and learning algorithm are given, and a simulation for the trajectory tracking of a flexible manipulator illustrates the control performance of the proposed control approach.     

面向法向域网格建模的非线性引导滤波

网格建模是数字几何处理领域的基础性研究问题.为了提高网格建模的简便性和鲁棒性,首先提出了一种非线性的引导滤波算法.滤波过程在法向域进行,滤波后的法向是引导网格法向的局部二次变换;然后,应用上述算法研究了建模方面的2个重要问题:网格去噪和网格平滑,其中的难点在于如何构造合适的引导网格.针对去噪问题,每次迭代时利用双边法向滤波得到引导网格;针对平滑问题,引导网格以高斯滤波结果作为初始值,进而结合原始网格不断进行更新;最后,在形状复杂或特征丰富的网格模型上进行了去噪、平滑等实验,结果表明,该算法简单实用、鲁棒,去噪时能够有效地去除强噪声,保持模型的几何特征;平滑时能够提取出中小尺度的特征,保留大尺度的特征.     

Developing Soft Sensors for Polymer Melt Index in an Industrial Polymerization Process Using Deep Belief Networks

Machine Intelligence Research - This paper presents developing soft sensors for polymer melt index in an industrial polymerization process by using deep belief network (DBN). The important quality...