非线性动态系统优化与参数估计集成的神经网络算法

基于动态系统优化与参数估计集成的迭代算法，提出一个求解系统优化的神经网络方法，得到一种动态系统优化与参数估计集成的神经网络算法，该算法通过重复求解参数估计问题和悠神经网络，获得原问题的精确最优解，由于系统优化问题用神经网络求解，因此该算法具有求解速度快，易于硬件实现等优点，特别适用于在线优化与控制。     

非线性工业过程控制系统的迭代学习控制与收敛性分析

基于工业过程稳态优化中递阶控制结构和线性工业过程控制系统中的迭代学习控制规律, 本文对饱和非线性工业过程控制系统和变增益非线性工业过程控制系统施行迭代学习控制, 分别给出加权PD 型闭环迭代学习控制算法和加权幂型开闭环迭代学习控制算法, 提出了期望目标轨线的 δ 可达性和迭代学习算法的ε 收敛性的概念. 利用Bellman Gronwall不等式和λ 范数理论, 论证了算法的收敛性. 数字仿真表明, 迭代学习控制能有效改善非线性工业控制系统在稳态优化时的动态品质.     

一类非线性MIMO系统的间接自适应模糊鲁棒控制

针对一类模型未知的非线性MIMO系统，将自适应控制、H^∞控制与模糊逻辑逼近方法结合到一起，应用“主导输入”的概念，提出了一种间接自适应模糊鲁棒控制设计方法，该方法确保了闭环系统全局稳定，并获得了H^∞跟踪性能指标，使外部干扰，模糊逻辑逼近误差和输入对输出的交叉耦合对跟踪误差的影响可衰减到给定的水平。     

模块小波神经网络在工业产品质量控制中的应用

针对输入空间包含多种类型的数据时，以单一的神经网络为模型，其收敛很困难的问题，提出一种基于模块小波神经网络的建模方法。利用分而治之思想，模块神经网络通过一个门控网络进行分类和协调，可以将一个复杂任务分解成几个简单的子任务，每个子任务由一个局部专家网络学习，与传统的模块网络不同，这里的专家网络是小波网络而不是BP网络，将所提出的网络模型用于热连轧产品质量建模，并与单一的神经网络建模结果进行比较，建模结果表明，模块小波神经网络模型优于单一神经网络模型。     

网络环境下复杂系统的集成优化控制方法研究

本文将大系统的递阶DISOPE方法与网络自动化技术相结合，研究了网络环境下复杂系统的集成优化控制方法，对其关键技术和存在的问题进行了研究和探讨。     

稳态估计与动态辨识相结合的辨识非线性系统的新方法(英)

本文针对Hammerstein系统，提出了一种辨识非线性增益和脉冲响应的新方法，该方法同时利用稳态和动态两种信息，所得到的估计是强一致性的．并且还研究了非线性增益估计误差的渐近分布和收敛速度．仿真结果说明了该方法的有效性和实用性．     

自适应模糊辨识及其在大系统中的应用*

本文基于Ｔ－Ｓ模糊模型构造了一种新的自适应模糊神经网络，给出了网络诉连接结构物学习算法，它能自动学习和修正前件参数及模糊规则，将其用于大系统随机民递阶优化的控制建模中，仿真结果表明，该方法具有收敛速度快，辨识精度高、泛化能力强等特点，可当作复杂大系统建模的一种有效手段。     

连续系统的一种新颖故障诊断方法

将一个物理系统描述为分层的物理结构模型和功能模型，使用定性约束来描述各模块的功能。该法分层地使用约束悬挂，并加入必要的经验性启发知识，能发现事先未考虑的新颖故障，可以广泛应用于精确数学模型未知的连续系统的故障诊断。