输出信号量化测量下不确定离散系统非脆弱H_∞滤波器设计

研究了输出信号量化测量下不确定离散系统非脆弱H∞滤波器的设计问题。难点在于滤波器设计过程存在3种不确定性,即系统本身存在的不确定性、非脆弱滤波器设计时涉及到的不确定性和由于输出信号量化测量近似表示的不确定性。通过有效的矩阵变换技术,给出基于线性矩阵不等(LMIs)的非脆弱H∞滤波器存在的充分条件。最后,通过数值仿真来验证设计方案的有效性。     

具有D稳定性约束的T-S模糊系统H∞滤波器设计

研究一类离散T-S模糊系统的H_∞滤波问题.目的是设计一个滤波器使得滤波误差系统在给定的线性矩阵不等式（LMI）稳定范围内是二次稳定的,且满足指定的H_∞性能.经由模糊Lyapunov函数方法以及增加松弛变量,提出一个滤波器存在的充分条件,它体现为一组线性矩阵不等式（LMIs）可行解的形式.最后通过一个仿真例子验证了所提出的设计方法的有效性.     

基于自组织特征映射神经网络的聚类分析

在深入研究自组织特征映射（Self-organizing Feature Mapping,SOFM）神经网络的结构和聚类算法的基础上,阐述了SOFM网络的建立方法.以随机二维向量的聚类为例,利用所建立的SOFM网络模型对输入的随机二维向量进行聚类,并着重研究了输出层神经元拓扑结构、训练步数对聚类结果的影响以及在相同拓扑结构条件下,SOFM网络模型的权值向量的调整过程.仿真结果表明：在输出层神经元节点形式为六边型条件下,输出层神经元的个数越多,SOFM网络模型的聚类结果就越准确;在相同的拓扑结构条件下,训练步数越大,SOFM网络聚类结果越准确,但过大的训练步数对于聚类结果的影响甚微.     

GRNN与BPNN的函数逼近性能对比研究

为了研究GRNN和BPNN非线性函数的逼近能力,从数学角度详细阐述了GRNN和基于LM优化算法改进的BPNN的学习过程,编程建立了GRNN和BPNN,并分别用两种神经网络对指定的非线性函数进行逼近实验。仿真结果表明,在训练样本数量相等且中小规模网络的条件下,相对于BPNN而言,GRNN的逼近精度更高、收敛速度更快,具有很好的逼近能力,为解决非线性函数的逼近问题提供了良好的解决手段。     

LM算法改进的BP网络在模式分类中的应用研究

针对标准BP算法在进行模式分类时,存在收敛速度慢和易陷入局部极小值等缺陷,采用LM(Levenberg-Marquart)算法对标准BP算法进行改进,分别构建了LM-BPNN和标准BPNN分类模型并对平面上二维向量模式的分类,并进行了泛化能力测试。仿真结果表明,在训练样本数量相等且中小规模网络的条件下,LM-BPNN的收敛速度明显加快,训练准确性和分类精度也明显优于标准BPNN,有效克服了标准BPNN收敛速度慢、易陷入局部最小值的缺点。     

采用双传感器的矿用圆环链差温回火温度检测

针对在运动中感应加热的工件圆环链,采用双红外测温传感器,较好地解决了小目标、动态、非接触测温的难题,为保证圆环链的热处理质量提供了技术依据.     

T-S模糊系统量化H∞滤波器设计

本文研究了离散T-S模糊系统H∞量化滤波问题。主要目的是针对存在量化的T-S模糊反馈系统设计可行的滤波器算法使其在消除量化的影响下渐进稳定的并满足给定H∞性能指标。具体是通过模糊Lyapunov函数及引入松弛变量,提出了比文献中结果保守性低的基于线性矩阵不（LMIs）的滤波器存在的充分条件。最后,通过数值仿真例子来验证设计方案的有效性。     

Elman和BP神经网络在模式分类领域内的对比研究

为了研究Elman神经网络和标准BPNN中何种网络类型更适合于解决模式分类问题,分别构建了基于Elman神经网络的分类模型和基于标准BPNN的分类模型。以平面上二维向量模式的分类为例,对2种分类模型进行训练和泛化能力测试。仿真结果表明,在训练样本数量相等且中小规模网络的条件下,Elman网络模型比BP网络模型具有更高的分类精度,更快的收敛速度,更适合于解决模式分类问题。     

DGA与GRNN的联合变压器故障诊断研究

针对传统的变压器故障诊断方法的不足,提出了基于油中溶解气体分析(DGA)方法和广义回归神经网络(GRNN)的变压器故障诊断方法。以DGA方法获取GRNN故障诊断模型的输入特征向量,建立了GRNN故障诊断模型,为了检验GRNN诊断模型的实际诊断能力,以某变电所主变压器的4种典型故障诊断为例进行仿真实验,并与标准BP神经网络(BPNN)和LM算法改进的BPNN(LM-BPNN)的诊断结果进行对比。仿真结果表明:DGA方法与GRNN的联合变压器故障诊断方法的诊断速度更快、准确率更高和泛化能力更强,且GRNN故障诊断模型构建简单,验证了所提出方法的实用性和有效性。