基于时变神经网络的非线性时变系统建模

提出时变神经网络模型,用以逼近未知非线性时变映射,实现非线性时变系统建模.将时变神经网络的权值学习作为时变系统的时变参数估计问题,并基于迭代学习机制,给出在同一时刻沿迭代轴训练网络权值的迭代学习最小二乘算法.理论上证明了该算法的全局收敛性.给出的数值算例表明所提算法在非线性时变系统建模方面的有效性.     

基于改进的LSSVM辨识动态非线性时变系统

针对非线性时变系统难以辨识的问题,提出了一种基于改进最小二乘支持向量机的辨识新方法。该方法在加权最小二乘支持向量机的基础上,引入用矢量基学习和自适应迭代相结合的方式得到一个小的支持向量,同时采用加权方法确定权值系数以减小训练样本中非高斯噪声的影响。通过对动态非线性时变系统的仿真,结果表明该算法具有较好的鲁棒性、支持向量稀疏性和动态建模实时性。     

基于回归神经网络的非线性时变系统辨识

为克服基于前馈神经网络的非线性系统辨识算法存在需预先估计系统输入输出滞后阶数的缺陷，提出一种基于回归神经网络的非线性时变系统的辨识算法，针对现有的回归网络学习算法大多采用梯度算法，收敛速度缓慢问题，提出一种具有快速收敛性的扩展卡尔曼滤波学习算法，大大提高了学习收敛速度，并推导了一种基于单个神经元的局部化算法，减少了计算量，仿真实例证明，所提出的算法是有效的。     

改进粒子群优化Takagi-Sugeno模糊径向基函数神经网络的非线性系统建模

针对复杂非线性系统建模的难点问题,提出了一种基于改进的粒子群优化算法（PSO)优化的T-S模糊径向基函数（RBF）神经网络的新型系统建模算法。该算法将T-S模糊模型良好的可解释性及RBF神经网络的自学习能力相结合,构成T-S模糊RBF神经网络用于系统建模,并采用动态调整惯性权重的改进的PSO算法结合递推最小二乘算法实现网络参数的优化调整。首先,利用所提算法进行了非线性多维函数的逼近仿真,仿真结果均方差（MSE）为0.00017,绝对值误差不大于0.04,逼近精度较高;又将该算法用于建立动态流量软测量模型,并进行了相关的实验研究,动态流量测量结果平均绝对误差小于0.15L/min,相对误差为1.97%,基本满足测量要求,并优于已有算法。上述仿真及实验研究结果表明,所提算法对于复杂非线性系统具有较高的建模精度和良好的自适应性。     

一种优化的RBF神经网络模型用于网络流量预测

采用径向基RBF神经网络对网络流量数据的时间序列进行建模与预测。采用传统的学习算法对RBF网络训练时,对网络流量数据容易出现过拟合现象,提出了自适应量子粒子群优化AQPSO算法,用于训练RBF神经网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改善了RBF神经网络的泛化能力。实验结果表明,采用AQPSO算法获得的RBF神经网络模型具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

时变参数化非线性系统自适应迭代学习控制器设计

针对一类时变参数化非线性系统的控制问题进行深入研究,提出一种新的迭代神经网络估计器,并证明了其逼近引理,实现了对时变不确定性的逼近.在用迭代神经网络对时变不确定性进行估计的同时,以Lyapunov稳定性理论为基础,综合运用Backstepping和自适应控制技术,设计了自适应迭代学习控制器,并进行了稳定性分析,得到了稳定性定理,解决了这类时变非线性系统的控制问题.最后的仿真实验验证了所提出设计方法的正确性.     

一类时变系统鲁棒自适应状态反馈控制的稳定性分析

针对一类离散线性时变参数系统,给出了一种自适应状态反馈控制器,系统的时变参数是已知有界实函数和未知常数的线性组合,该控制器由带有死区的最小二乘辨识算法,状态反馈控制算法和状态观测器构成,文中详细地分析了闭环系统在有界外部干扰和小未建模不确定性影响下的全局稳定性和鲁棒性。     

基于粒子群算法的RBF网络参数优化算法

针对神经网络的一些缺陷,研究神经网络基于粒子群优化的学习算法,将粒子群优化算法用于RBF神经网络的学习训练。提出了一种基于粒子群优化（PSO）算法的径向基（RBF）网络参数优化算法,首先利用减聚类算法确定网络径向基函数中心的个数,再用PSO算法优化径向基函数的中心及宽度,最后用PSO算法训练隐含层到输出层的网络权值,找到神经网络权值的最优解,以达到优化神经网络学习的目的。最后,通过一个实验与最小二乘法优化的神经网络进行了比较,验证了算法的有效性。     

基于神经网络的MIMO-OFDM信道估计

提出了一种适用于神经网络框架下的MIMO-OFDM系统的信道估计算法。通过对三层神经网络结构的分析,用两层神经网络实现了一种主成分分析（PCA）最小二乘学习算法。通过导频信息得到MIMO-OFDM信道模型初始值,再用神经网络算法对MIMO-OFDM信道的时变状态参数进行跟踪;采用两层神经网络,由隐层输出对最终输出修正,中间实现可变遗忘因子的改进递推最小二乘学习算法。仿真结果表明,该方法与最小二乘（LS）算法相比,在跟踪时变衰落信道时,估计的均方误差有较大提高,从而有效地改善了接收端的符号检测性。     

未知饱和控制系统有穷域最优控制

针对带有饱和执行器且局部未知的非线性连续系统的有穷域最优控制问题,设计了一种基于自适应动态规划(ADP)的在线积分增强学习算法,并给出算法的收敛性证明.首先,引入非二次型函数处理控制饱和问题.其次,设计一种由常量权重和时变激活函数构成的单一网络,来逼近未知连续的值函数,与传统双网络相比减少了计算量.同时,综合考虑神经网络产生的残差和终端误差,应用最小二乘法更新神经网络权重,并且给出基于神经网络的迭代值函数收敛到最优值的收敛性证明.最后,通过两个仿真例子验证了算法的有效性.     

Time-varying two-phase optimization and its application toneural-network learning

In this paper, a time-varying two-phase (TVTP) optimization neural network is proposed based on the two-phase neural network and the time-varying programming neural network. The proposed TVTP algorithm gives exact feasible solutions with a finite penalty parameter when the problem is a constrained time-varying optimization. It can be applied to system identification and control where it has some constraints on weights in the learning of the neural network. To demonstrate its effectiveness and applicability, the proposed algorithm is applied to the learning of a neo-fuzzy neuron model.     

GIS时变权值网络最短路径算法研究

最短路径分析是GIS网络分析的基础。传统的最短路径算法中,比较经典的算法是Dijkstra算法。由于地理信息系统中的数据具有不确定性、数据量庞大等特点,因此采用传统的Dijkstra算法进行最短路径分析就不适应。为此本文分析了传统网络中的最短路径算法-Dijkstra算法在时变权值网络结构中的局限性,给出了一种适应于时变权值网络的最短路径算法,并且利用改进的邻接表作为存储结构对算法进行了优化。     

变时滞神经网络的全局指数稳定性

利用M矩阵理论,同构理论以及不等式技巧,研究了一类变时滞神经网络平衡点的存在性和惟一性问题。同时利用M矩阵理论,反证法以及不等式技巧,得到了变时滞神经网络系统惟一的平衡点的全局指数稳定性的充分条件。通过判断由神经网络的权系数、自反馈函数以及激励函数构造的矩阵是否为M矩阵,即可以检验该变时滞神经网络系统的全局指数稳定性。该判据易于用Matlab进行检验,最后给出一个仿真示例进一步证明了判据的有效性。     

周期时变系统的鲁棒自适应重复控制

针对周期时变系统,提出一种鲁棒自适应重复控制方法.该方法利用周期学习律估计周期时变参数,并结合鲁棒自适应方法处理非周期不确定性.与现有重复控制不同的是,在控制器设计中引入了新变量—周期数,利用周期系统的重复特性,使界的逼近误差随周期数的增加而逐渐减少,保证了系统的全局渐近稳定性.同时将该方法应用于一类非线性参数化系统,使系统在非参数化扰动的情形下,输出误差仍能收敛于0,倒立摆模型的仿真验证了此结果.该设计方法适用于消除神经网络逼近误差对重复控制系统的影响,理论证明了基于神经网络的鲁棒自适应重复控制系统中所有变量的有界性和输出误差的渐近收敛性,关于机械臂模型的仿真结果验证了受控系统具有良好的跟踪性能.     

基于小波网络的一类非线性系统稳定最小方差控制

研究一类非线性系统的最小方差控制．将非线性系统等价表示为时变线性系统，利用小波网络的非线性逼近特性在线辨识时变系数，利用改进的投影算法在线调整小波网络的权值；在此基础上设计了非线性系统的最小方差控制器，并分析了闭环控制系统的稳定性．仿真结果表明了该算法的有效性．     

一种时变输入输出过程神经元网络及学习算法研究

针对输入／输出均为时变函数的非线性系统建模问题，提出一种时变输入输出过程神经元网络模型，并给出了具体的学习算法．过程神经元网络的输入、输出均可为时变函数，其空间、时间聚合算子分别取为空间加权求和及含时间变参积分，聚合运算和激励能同时反映时变输入信号的空间聚合作用和输入过程中的阶段时间累积效应．仿真实验结果验证了所提出模型和算法的有效性．     

基于时变输出约束的机器人遥操作有限时间控制方法

受操作时间窗口和工作空间的限制,空间遥操作任务需要在有限时间内完成,同时确保末端执行器满足物理约束。此外,时延和外部扰动使不确定遥操作系统的稳定性和控制性能受到严重影响。为此,本文提出了一种基于时变输出约束的机器人遥操作有限时间控制方法。首先,利用积分障碍李雅普诺夫函数处理操作空间的时变约束问题,实用有限时间李雅普诺夫稳定定理保证了系统的快速稳定性。然后,利用神经网络估计环境力以及消解模型不确定性带来的影响,利用鲁棒项补偿神经网络的估计偏差和消解未知外部扰动的影响。最后,在Matlab/Simulink环境下同其他算法进行仿真对比,并在地面实验平台上验证了该算法,理论仿真和实验结果表明该方法进一步提高了误差收敛速率和收敛精度,且系统的输出不会超出预先设定的时变边界。     

基于时间窗的随机时变交通网络信号相位协调

交通网络是随机时变网络,用周期性时间窗模拟各路口信号灯控制,建立交通网络中路口相位差协调控制模型。时间窗的设定使只有规定行驶方向的车辆可以通行路口,其他车辆不可通行。为得到车辆在路口前等待状况,定义时间窗函数,该函数采用协调交通网络路口信号相位差的方法求得随机时变网络的最短期望路径。结合改进的SDOT算法和穷举法及遗传算法设计一种混合算法。对一个四路口小型交通网络进行了仿真研究,结果验证了求解算法的有效性。     

Global exponential stability analysis of cellular neural networks with multiple time delays

Global exponential stability problems are investigated for cellular neural networks （CNN） with multiple time-varying delays. Several new criteria in linear matrix inequality form or in algebraic form are presented to ascertain the uniqueness and global exponential stability of the equilibrium point for CNN with multiple time-varying delays and with constant time delays. The proposed method has the advantage of considering the difference of neuronal excitatory and inhibitory effects, which is also computationally efficient as it can be solved numerically using the recently developed interior-point algorithm or be checked using simple algebraic calculation. In addition, the proposed results generalize and improve upon some previous works. Two numerical examples are used to show the effectiveness of the obtained results.