非线性优化问题的一种神经计算模型

提出了一种计算非线性优化问题的神经网络模型,研究了该神经网络的稳定性,探讨了利用该神经网络进行优化设计的原理和方法．     

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。     

一类非线性系统基于Backstepping的自适应稳定控制

针对一类未知高阶非线性系统，提出了一种基于Backstepping和神经网络的自适应稳定控制方法。利用RBF神经网络逼近未知非线性函数，不需要满足匹配条件，基于Backstepping方法调节网络权值。在控制律中引入非线性衰减项和σ-修正项保证了网络权值的稳定性，阻止了参数漂移。通过Lyapunov直接方法，证明了整个闭环系统的最终一致有界性。该方法扩展了自适应Backstepping和自适应NN控制的应用范围，适于并行计算，仿真结果表明了该算法的有效性。     

采用一种新型神经网络的动态系统辨识与控制

目的研究动态系统的神经网络辨识与控制问题.方法为了减小网络的固有逼近误差,提出一种新型的神经网络模型,利用动态误差反馈来修正网络输入.结果得到了由新型网络和稳定滤波器构成的神经网络辨识模型及基于该网络模型的自适应控制方案.结论理论和仿真结果都证明了该神经网络模型能够有效地应用于一类非线性系统的控制.     

基于BP算法的光纤传感器非线性位移补偿研究

针对光纤位移传感器应用中存在的非线性问题,提出了以神经网络为补偿环节,结合传感器构成的一种非线性补偿模型.基本思想是采用BP算法,以传感器的输出作为神经网络的输入样本.传感器的输入位移为神经网络的期望输出,通过调整神经网络权值使神经网络的输出与期望值近似,实现位移测量的非线性补偿.实例仿真结果表明该方法有效提高了精度,是一种有效的传感器非线性补偿方法.     

参数未知非线性系统的神经网络自适应控制

提出了一种以神经网络为模型的新型间接自适应控制算法,该控制算法不仅能解决一类含未知参数的离散非线性系统的跟踪控制问题,而且降低了通常该类自适应控制算法的神经网络模型的构造的复杂性,神经网络参数收敛性和闭环控制系统跟踪误差的ＵＵＢ（ｕｎｉｆｏｒｍｌｙ Ｕｌｔｉｍａｔｅｌｙ Ｂｏｕｎｄｅｄ）也能得到保证。     

基于循环神经网络的OFDM系统的失真补偿

在OFDM系统的发射机部分高功率放大器常常引起发射信号的非线性失真。对角循环神经网络是一类经过修正的全连接循环神经网络,在系统动态行为的俘获方面具有明显的优势。该文引入了这类对角循环神经网络,对发射信号在高功率放大之前进行前置补偿,对网络的训练提出了梯度下降算法。该算法具有更少的RAM需求和以盲起点为初始值的更快的网络收敛速度的特点。仿真显示以该神经网络作为前置补偿,系统具有更快的收敛速度和更少的RAM。     

基于鲁棒稳定高阶动态神经网络的非线性系统的辨识

将高阶动态神经网络作为非线性系统的辨识模型,运用Lyapunov稳定性理论,提出一种有效的鲁棒稳定学习规则及相应的学习网络结构,从而确保在对非线性系统辨识时,即使存在建模偏差,辨识误差和动态神经网络的参数能一致最终有界(UUB)稳定,解决了动态神经网络的学习稳定性问题．仿真结果也证明了该辨识方法的有效性．     

基于改进神经网络的CCD图像去噪方法研究

针对CCD相机非线性响应功能的特点,提出一种基于神经网络自适应调整滤波器窗口大小和参数权值的图像去噪方法.基于神经网络良好的非线性特点,通过对CCD光子转移曲线进行非线性逼近分类,自适应调整滤波器的窗口大小和滤波器参数,最终达到针对性去噪的目的.实验及理论分析表明:该方法在有效去噪的同时,保留了边缘细节,提高了信噪比;弥补了BP算法的不足,能够提高大数据量图像处理的工作效率和精度.     

一类非线性系统的神经网络控制器设计

针对具有Brunovsky标准型的非线性系统提出一种权系数可在线调节的神经网络自适应控制算法,采用RBF神经网络对系统未知函数进行逼近,并考虑了网络重构误差和外部干扰。利用Lyapunov理论证明了算法能够保证系统的稳定性,仿真结果证明了该方法的有效性。     

基于BP网络微位移传感器误差修正研究

对微位移传感器非线性误差的修正存在诸多问题,该误差是提高微位移传感器测量精度的＂瓶颈＂。本文介绍了用神经网络校正传感器系统非线性误差的原理和方法,提出了基于BP神经网络传感器非线性误差校正对测量数据进行修正。修正结果表明该方法是准确有效的,而且网络结构简单,准确度高。     

电力设备基于小波神经网络故障检测方法的仿真研究

提出了一种基于小波神经网络非线性观测器的故障检测方法。它是将规范正交的小波函数作为基函数作为基函数网络中的基函数,得到小波神经网络。通过小波的去噪和神经网络的自学习功能,获取系统输入输出的非线性运力学特性,进而实时计算出残差并进行逻辑判决,可提高故障检测的速度和准确率,对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法的有效性。     

记忆功放的BP神经网络分离预失真方法

针对OFDM无线通信系统中的记忆非线性功率放大器预失真困难以及预失真精度不高的问题,充分考虑了记忆非线性功率放大器的失真特性及其结构特点,提出了神经网络分离预失真方法,并给出了该方法的原理、实现结构和自适应算法．该方法把记忆非线性功率放大器的预失真分为3个模块来实施,即抵消记忆效应模块、AM/AM失真矫正模块和AM/PM失真矫正模块,并基于神经网络预失真器非直接学习结构,利用Levenberg-Marquardt BP算法确定各个神经网络预失真器．仿真结果表明该方法可降低邻信道互调功率约30dB．     

用神经网络解非线性方程组

提出了一种解非线性方程组的神经网络模型,并在非线性方程组有惟一实根、有限个实根以及无穷多个实根情形下严格地证明了该模型的稳定性,然后,给出了一个模拟算法,该算法不仅可以用来解非线性方程组,而且还可以用来解多元非线性方程及线性方程组,数值试验结果表明,该算法是有效的。     

DLF神经网络在多变量非线性系统中的设计与应用

为了克服PID控制器和一般神经网络的缺点,探讨了基于DLF神经网络控制器在多变量非线性系统的应用,并与传统的PID控制器和一般神经网络的控制效果进行了比较.结果表明,DLF神经网络控制器对多变量非线性系统具有训练速度快和较强的解耦能力.     

神经网络在城市用水量预测中的应用研究

考虑城市用水量受众多因素影响 ,具有系统稳定性和非线性的特点 ,探讨了基于神经网络的城市用水量预测的非线性时间序列递推预测方法 ,并利用该方法对郑州市城市用水量进行了时间序列模拟 ,实例证明了该方法的正确性和科学性 .将神经网络的BP算法应用于城市用水量系统的建模和预测 ,并给出了较为详细的计算结果 ,具有一定的理论价值     

基于VPBF网络的直接自适应逆控制方法

神经网络技术在非线性系统自适应控制器的设计中已得到广泛应用,但常见的神经网络存在着各种各样的缺点。为了改进自适应逆控制方法,同时克服一般神经网络的缺点,构造了一种结构简单的改进型VPBF网络,并将其引入自适应逆控制。利用该网络结构选择和参数选择上的优势,离线确定网络的初始规模和权值,在线学习非线性系统的逆,实现了一种非线性系统的直接自适应逆控制策略。仿真结果显示该控制系统能有效地克服扰动,有良好的鲁棒性能。     

一种神经网络自适应控制算法

提出了一种基于对象正向模型的神经网络自适应控制算法,它将神经网络与优化方法相结合,对控制量进行优化迭代求解。仿真表明,应用该算法后,系统响应速度快,超调量小,无稳态误差,控制效果好。     

基于神经网络算法的一维PSD非线性修正

分析了PSD(position sensitive detetor)的非线性成因,并根据PSD的非线性特点,提出一种基于神经网络的PSD非线性补偿方法,利用神经网络具有逼近任意非线性函数的特点,通过训练使神经网络建立在PSD输出与其理想值之间的非线性映射关系,实现PSD非线性补偿．从而使PSD的非线性区获得了与线性区近似的线性度．实验结果表明,该方法能有效地消除非线性的影响,在神经网络的输出端得到期望的线性输出．     

非线性神经网络自适应控制及其在导弹中的应用

研究了用神经网络控制未知动态特性的非线性系统。基于神经网络学习系统的反向动态特性，调整控制网络的参数，使控制系统具有自适应的特性。网络学习采用误差反向传播算法，仅需要对象的输入输出值。对含有非线性环节的系统，该方法取得较好的效果。