过程控制中被控对象神经网络模型的设计

根据控制过程的特点提出了一种新的动态系统辨识方法。将输入、输出信号、滤波后的数据用于训练静态前向神经网络，辨识出控制系统工作点处一线性动态模型的参数，从而预测过程的输出。文中详细论述了设计方法及算法原理，并通过试验对比表明，这种模型精度高、计算量少，对噪声不敏感，特别适用于运动过程复杂、干扰因素多、非线性控制系统的动态辨识。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

基于动态递归模糊神经网络的动态系统辨识

模糊系统和神经网络由于具有逼近任意连续非线性映射的特性而广泛应用于系统的辨识和控制，但是传统的模糊神经网络是一种静态映射，不适用于动态系统的辨识，而现实工程中的控制对象反映的是系统的动态行为．为了提高动态系统的辨识精度，提出了一种新型的动态递归模糊神经网络，并根据动态递归神经网络的数学模型推导其动态反向传播学习算法及其改进算法．仿真结果表明：由于动态模糊神经网络的辨识过程同时利用了系统的当前数据和历史数据，对动态系统的辨识，特别是对具有纯时间延迟动态系统的辨识，较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果．同时，确定网络权值和隶属函数参数初始值的方法可使动态系统的辨识过程具有更快的收敛速度．     

系统参数与结构及其噪声方差的同时估计

给出了系统噪声与参数及结构的在线同时辨识算法，采用递推最小二乘ＵＤ分解技术，对新的增广数据每步递推中可同时获得系统结构、参数及噪声方差的估计值，该算法结构简单，数值计算品质良好。     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,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。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。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。     

过程控制中被控对象神经网络模型的设计

根据控制过程的特点提出了一种新的动态系统辨识方法 将输入、输出信号、滤波后的数据用于训练静态前向神经网络 ,辨识出控制系统工作点处一线性动态模型的参数 ,从而预测过程的输出 文中详细论述了设计方法及算法原理 ,并通过试验对比表明 ,这种模型精度高、计算量少 ,对噪声不敏感 ,特别适用于运行过程复杂、干扰因素多、非线性控制系统的动态辨识     

基于支持向量机的磁力轴承系统辨识研究

针对磁力轴承控制系统的设计分析,提出了一种基于支持向量机(SVM)的磁力轴承系统辨识方法。首先通过闭环控制使转子稳定悬浮,然后在控制器的输出信号中加入扰动信号,以使系统被充分地激励。在该闭环控制系统的基础上,对控制输入数据和输出数据进行采样,然后用SVM算法对磁力轴承系统进行辨识分析。该辨识系统的输入为控制电流,输出为转子位移。将该方法与BP神经网络进行比较,仿真结果表明,SVM用于磁力轴承系统辨识具有良好的辨识效果,辨识精度高,且训练速度快。     

基于一种改进BP神经网络的一类非线性系统辨识方法

对一类非线性系统的辨识方法进行了讨论。辨识模型为一个改进的神经网络,该神经网络包括:线性网络和BP神经网络。对线性网络的模型选择和多层前馈网络的关系做了细致的研究, 并分别进行了仿真。仿真结果表明,该系统辨识方法对于一类非线性系统具有很好的辨识作用。     

结构损伤神经网络辨识系统的实现

阐述了利用神经网络建立结构损伤 辨识系统的过程，并对系统建立过程中训练样本的选取和预处理问题进行了说明。通过对缺陷板结构损伤辨识的实例分析，说明了基于人工神经网络的损伤辨识系统的正确性。     

基于模糊对向网络的非线性动态系统辨识新算法

以模糊对向网络为辨识模型,利用它所具有的模糊逻辑系统和神经网络两者的优点,在模糊C－均值聚类方法的基础上引入新的聚类目标函数,并证明了它的优化条件,将模糊聚类和最小二乘法相结合,提出一种模型参数学习的新算法,在直流电弧燃弧时间建模研究中的应用结果表明提出的算法是有效的。     

一种新型的模糊神经网络自适应控制系统

结合神经网络控制和模糊控制的各自特点,提出了一种新的基于神经网络的模糊自适应控制算法,并给出了该算法的仿真与分析结果.利用该算法实现了基于模糊神经网络的智能控制系统的建立.     

基于模糊神经网络的模式识别方法

讨论了3种模糊神经元和由其构成的模糊神经网络的基本原理及其学习和自适应机制,针对模糊模式识别问题,建立了一种基于BP学习算法的模糊神经网络模式识别系统,该系统兼有模糊逻辑控制和神经网络两种技术的优点,提高了模糊模式识别的准确性。     

一种基于神经网络的模糊知识自动获取方法

通过采用神经网络技术和引入动态神经元,提出了一种模糊知识自动获取方法,并应用于从分类数据样本集中获取以模糊语言值描述的模糊规划知识,文中着重讨论了这种神经网络模型、实现算法及模糊规划获取问题。实验结果表明了该方法的有效性和实用性。     

自适应模糊控制器在水电机组控制中的应用

提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来控制水轮发电机组运行,由RBF神经网络和遗传算法在线寻优模糊控制器的比例因子、模糊推理规则和隶属函数,并由RBF网络辨识被控对象的动态特性,以评价模糊控制器控制性能．仿真实验表明。控制效果优于没有寻优的Fuzzy控制。     

在线学习自适应模糊控制器在水轮机调节中的应用

针对水轮发电机组系统具有时变非线性,传统的控制方法很难达到最优控制的特性,提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来控制水轮发电机组运行.模糊控制器的比例因子、模糊推理规则和隶属函数由遗传算法在线寻优.由RBF神经网络进行被控对象的动态特性模型辨识,以评价模糊控制器控制性能.仿真实验表明,控制效果良好,特别在变工况和扰动情况下优于最优PID控制.     

基于规则自动生成的模糊神经网络建模

该文提出了一种基于规则自动生成的模糊神经网络建模方法。该方法是利用样本数据自动生成模糊规则,再利用模糊逻辑的万能逼近能力来逼近理想输出,并且根据样本数据自动增加、删除或者修改模糊规则来达到优化模糊模型。介绍了广义动态模糊神经网络的结构和学习方法,并给出了实例来验证该方法是可行的,并优于MATIAB自带的自适应模糊神经网络取得的结果。     

基于熵判据自组织模糊神经网络的混沌时间序列预测

在自组织模糊神经网络(SOFNN)算法的基础上提出了一种基于熵判据的改进算法。依据动态自适应方式建立模糊神经网络,采用误差均方根判据和误差熵判据相结合的修剪策略,对网络进行剪裁,去掉对网络输出贡献小的节点。算法的主要优点在于:能够自动地决定神经模型的结构并得出模型的参数,而不需要对神经网络和模糊系统有深入的理论知识,算法具有非常高的预测精度,并且通过修剪策略提高网络的泛化能力。应用该算法对典型的混沌时间序列Mackey-Glass序列进行了研究,结果表明,应用新的修剪策略后,算法精度及泛化能力进一步提高,并且需要的先验知识少,更适合于实际应用。