On a Stabilization Problem of Nonlinear Programming Neural Networks

Intrinsically, Lagrange multipliers in nonlinear programming algorithms play a regulating role in the process of searching optimal solution of constrained optimization problems. Hence, they can be regarded as the counterpart of control input variables in control systems. From this perspective, it is demonstrated that constructing nonlinear programming neural networks may be formulated into solving servomechanism problems with unknown equilibrium point which coincides with optimal solution. In this paper, under second-order sufficient assumption of nonlinear programming problems, a dynamic output feedback control law analogous to that of nonlinear servomechanism problems is proposed to stabilize the corresponding nonlinear programming neural networks. Moreover, the asymptotical stability is shown by Lyapunov First Approximation Principle.     

基于神经网络的非线性自适应控制*

本文对非线性自适应控制的一个新领域－基于神经网络的非线性自适应控制（以下简称ＮＮＢＮＡＣ）的研究进展进行了综述，讨论了这一领域中存在的几个重要问题，然后指出了与这些问题相关的未来的研究方向。     

一种基于函数型神经网络的传感器静态模型辨识方法

本文提出一种基于函数型神经网络的传感器静态模型辨识方法,该神经网络连接系数直接反映了传感器静成模型中的被辨识参数,网络结构简单,具有良好的收敛性,文章将这一方法实际应用到铂热电阻静态模型辨识,仿真结果表明,本方法是可行的。     

基于神经网络的非线性PCA方法

由于普通的主元分析（PCA）方法无法提取数据中的非线性相关特性,本文提出了一种基于神经网络的非线性PCA（NIPCA）方法,不仅提取了高维原始数据的线性信息还能提取非线性信息。在此基础上进一步提出了样本中显著误差及劣点的检测方法,从而支持对其进行合理剔除或是修正,仿真试验表明它能有效地减小误差点对网络训练精度的影响,大大增强了算法的鲁棒性。     

基于神经网络的广义非线性预测PID控制

针对一些复杂的非线性系统用基于线性模型的预测控制器控制效果不理想的问题，本文提出在利用前馈网络对非线性系统建模的基础上，对系统输出实现递推多步预测，并且结合非线性PID，用另一前馈神经网络作为控制器，实现对非线性系统的控制。经网络的在线辨识采用梯度法，仿真实验验证了方法的有效性。     

基于神经网络的非线性多模型自适应控制

针对一类非线性离散动态系统,设计了一个自适应控制方案。为了保证在任意时刻均能为被控的动态系统选择最好的控制器,方案基于输入输出数据为系统定义一个线性预测模型,并在此基础上设计能够保证闭环系统所有信号有界的线性鲁棒自适应控制器,同时定义一个非线性预测模型,再基于径向基神经网络设计一个旨在提高系统控制性能的非线性自适应控制器。通过比较2个控制器预测的系统输出性能,设计合理的开关切换规则。控制方案能将系统稳定性控制和性能优化的控制分离并单独实现,使得系统能在保证稳定性前提下,借助神经网络控制器良好的追踪能力有效提高自适应控制效果。最后通过仿真例子说明了系统稳定和提高输出追踪效果可以同时得到保证。     

基于RBF神经网络的非线性系统的预测

对于非线性系统的预测辨识,提出用动态节点生成构造性RBF神经网络作为预测模型,且RBF神经网络的学习算法采用一种新的全监督式学习算法,即神经网络隐层引入新节点时,通过使新节点的输出尽可能逼近残差序列的方向来获取网络参数,从而减少学习误差,使网络输出能够较好的跟踪系统输出。仿真表明该学习算法的有效性。     

基于神经网络的非线性信号建模研究

1引言 非线性信号处理是信号与信息处理学科中的一个重要研究领域,有着十分重要的广泛应用.早期统计信号处理使用的经典方法多是建立在线性、平稳和服从高斯分布等很强的假设条件下用一个线性模型表示,但多数实际问题并不完全满足上述假定,甚至有些问题根本不能用线性模型描述.     

基于循环神经网络的缺陷报告分派方法

随着开源软件项目规模的不断增大,人工为缺陷报告分派合适的开发人员（缺陷分派）变得越来越困难.而不合适的缺陷分派往往会严重影响缺陷修复的效率,为此迫切需要一种缺陷分派辅助技术帮助项目管理者更好地完成缺陷分派任务.当前,大部分研究工作都基于缺陷报告文本以及相关元数据信息分析来刻画开发者的特征,忽略了对开发者活跃度的考虑,使得对具有相似特征的开发者进行缺陷报告分派预测时表现较差.本文提出了一个基于循环神经网络的深度学习模型DeepTriage,一方面利用双向循环网络加池化方法提取缺陷报告的文本特征,一方面利用单向循环网络提取特定时刻的开发者活跃度特征,并融合两者,利用已修复的缺陷报告进行监督学习.在Eclipse等四个不同的开源项目数据集上的实验结果表明,DeepTriage较同类工作在缺陷分派预测准确率上有显著提升.     

基于神经网络的非线性学习控制研究

本文将多层前向传递神经网络应用于非线性系统控制,通过对神经网络的训练,实现非线性系统的状态反馈控制。本文还介绍了用神经网络控制一类非线性系统的学习控制算法,该算法对对象的数学模型依赖程度较低,为非线性系统的学习控制提供了一种有效的研究方法。另外还给出了该算法应用于几个不同非线性对象的学习控制仿真结果。     

一种基于多进化神经网络的分类方法

分类问题是目前数据挖掘和机器学习领域的重要内容.提出了一种基于多进化神经网络的分类方法CABEN(classification approach based on evolutionary neural networks).利用改进的进化策略和Levenberg-Marquardt方法对多个三层前馈神经网络同时进行训练.训练好各个分类模型以后,将待识别数据分别输入,最后根据绝对多数投票法决定最终分类结果.实验结果表明,该方法可以较好地进行数据分类,而且与传统的神经网络方法以及贝叶斯方法和决策树方法相比,在     

Development and Analysis of a Neural Dynamical Approach to Nonlinear Programming Problems

This technical note develops a neural dynamical approach to nonlinear programming (NP) problems, whose equilibrium points coincide with Karush-Kuhn-Tucker points of the NP problem. A rigorous analysis on the global convergence and the convergence rate of the proposed neural dynamical approach is carried out under the condition that the associated Lagrangian function is convex. Analysis results show that the proposed neural dynamical approach can solve general convex programming problems and a class of nonconvex programming problems. Two nonconvex programming examples are provided to demonstrate the performance of the developed neural dynamical approach.     

时变时滞离散递归神经网络系统的状态估计器设计

研究时滞离散递归神经系统的状态估计问题.通过网络输出对神经元的状态进行估计.在较弱的激活函数假设下,通过构造一个新的Lyapunov泛函,引入一个自由权矩阵,并结合Jensen不等式得到了确保误差系统全局指数稳定的充分条件.所得条件依赖于时变时滞的上界和下界,并以线性矩阵不等式的形式给出.最后的数值算例表明了所提出方法的有效性.     

基于迭代神经动态规划的数据驱动非线性近似最优调节

利用数据驱动控制思想,建立一种设计离散时间非线性系统近似最优调节器的迭代神经动态规划方法.提出针对离散时间一般非线性系统的迭代自适应动态规划算法并且证明其收敛性与最优性.通过构建三种神经网络,给出全局二次启发式动态规划技术及其详细的实现过程,其中执行网络是在神经动态规划的框架下进行训练.这种新颖的结构可以近似代价函数及其导函数,同时在不依赖系统动态的情况下自适应地学习近似最优控制律.值得注意的是,这在降低对于控制矩阵或者其神经网络表示的要求方面,明显地改进了迭代自适应动态规划算法的现有结果,能够促进复杂非线性系统基于数据的优化与控制设计的发展.通过两个仿真实验,验证本文提出的数据驱动最优调节方法的有效性.     

基于神经网络的一类非线性系统自适应H∞控制

基于神经网络提出一种自适应Ｈ∞控制方法。控制器由等效控制器和Ｈ∞控制器两部分组成,用神经网络逼近未知非线性函数,Ｈ∞控制器用于减弱外部及神经网络逼近误差对跟踪误差的影响。所设计的控制器不仅保证了闭环控制系统的稳定性,而且使外部干扰及神经网络逼近误差对跟踪误差的影响减小到预定的性能指标。     

On‐Line Fault Diagnosis Based on B‐Spline Neural Networks Using Asymptotic Local Approach

Fault diagnosis is crucial in monitoring industrial processes. Faults con be often detected from residuals generated from the system model. For systems with known models, residuals can be readily generated. However, for systems with unknown models, neural networks can be used to model the system. For small or incipient faults, it is difficult to detect faults directly from the residuals. The asymptotic local approach, which transforms the fault diagnosis problem into one that detects statistical changes in a random variable, is proposed here. The proposed scheme is illustrated by a simulation example, and comparison with faults obtained directly from the residuals is also made.     

非线性伺服电动机的神经网络逆控制

伺服电动机由于存在接触过程的非线性、温漂等非线性因素的影响,很难建立其精确的数学模型,使得基于数学模型的控制困难.针对伺服电动机存在的非线性问题,提出了一种新颖的基于BP神经网络直接逆控制方法.首先,利用BP神经网络建立系统的正向模型(NNI),然后,设计基于神经网络的直接逆控制器(NNC),实现了对伺服电动机的自适应控制.在Lyapunov稳定性分析的基础上,给出了BP算法学习算子的选择方案,保证神经网络权值训练的快速收敛,同时,对训练BP神经网络控制器的专用算法(specialized learning)进行改进,利用NNI的输出求取权值调整的灵敏度函数.数字仿真结果表明提出的控制算法是简单有效的.     

基于神经网络的非线性系统的输出调节

非线性系统输出调节问题可解的充要条件是存在一个中心流形满足某个非线性偏微分方程。本文用多层前向神经网络求解该非线性偏微分方程，从而逼近非线性系统的中心流形。在此基础上，构造状态反馈控制律，实现非线性系统的输出调节。     

基于免疫单克隆算法的RBF神经网络优化

本文采用免疫单克隆算法对RBF神经网络的隐层中心值和宽度进行优化,用递推最小二乘法训练隐层和输出层之间的权值.并提出一种新的亲和力变异方法,有效地改善了抗体变异中的变异幅度变化对算法精度的影响,同时很好的体现了单克隆选择算法抗体变异的特点.通过对非线性函数进行逼近的仿真试验表明,免疫单克隆算法能很好的提高RBF网络的学习能力.