基于T-S模型的自适应控制算法

针对非线性动态系统的实际情况，提出了一种基于T-S模型的模糊控制算法。对于已给定的希望输出值，不论前提条件是否改变，依据该算法得到的自适应控制量，控制误差一致小，控制效果比较理想。     

MPEG-1的RTP应用

提出了一种把RTP应用于MPEG-1的方案,该方案把MPEG-1文件分解成音频流和视频流,并按RTP的相应规则打包传输;设计了一种MPEG-1的索引,根据索引可以快速的对MPEG-1文件进行解析;并对应MPEG-1的特点提出相应的错误恢复策略.     

基于多层前馈BP网络的非线性逆系统自学习控制

提出的基于神经网络的非线性逆系统自学习控制方案运用逆动力学的基本思想，在系统模型未知的情况下，构造了神经网络一致的控制器和辨识器。运用自适应变步长冲量BP学习算法实现了网络辨识器对系统逆动力学模型的动态辨识，并通过网络辨识器向网络控制器在线动态传递更新权值的方法使神经网络控制器产生期望控制量。使得整个神经网络控制系统具有了自学习、自适应的控制能力。     

基于预报误差法的神经网络辩识

针对传统系统辨识存在的缺点,提出了基于预报误差法的神经网络辨识方法,将神经网络的预报误差法应用于系统辨识中,通过调节神经网络连接权值可使网络输出逼近系统输出。神经网络作为实际系统的辨识模型,可以用于在线控制。仿真实例表明其收敛速度快于BP算法。     

基于模型求逆的间接自适应模糊控制器

本文给出了一种间接自适应模糊控制器，它通过在线模糊系统辨识得到控制对象的模型，然后根据所得模型在线地设计模糊控制器。该控制器可以检测到模型参数的突然变化，并能跟踪其随时间变化的特性，还可以改变控制器的性能指标来适应不同环境限制而不影响模糊规则库。     

基于BP网络的非线性系统无模型误差自学习控制

针对未知非线性系统提出了一种基于BP神经网络的无模型误差自学习控制方案，其控制思想是利用BP网络及其冲量BP算法实现对系统输入输出量的速度辨识，同时构造了误差控制器，并通过速度辨识学习器向误差控制器动态传递更新权阵，以实现对未知非线性系统的自学习、自适应无模型控制。作者在matlab6．0平台下进行了仿真实验，其仿真结果令人满意。     

一种基于模糊神经网络的辩识方法

本文给出了一种五层的模糊神经网络。这种神经网络的特点是训练数据可以从网络的输入和输出两端馈入。网络的学习过程分为参数辨识和结构辨识两个阶段,这样可以减少网络参数调整过程中的相互影响,加快学习过程,仿真结果表明了该学习算法可以获得比其他学习算法更好的辨识效果。     

基于ANFIS的有色噪声抵消技术

利用自适应神经模糊推理系统ANFIS对噪声的非线性动态特性进行建模,并利用ANFIS逼近有色噪声,然后从测量信号中消除有色噪声得到有用的信号。仿真结果表明利用这种方法能在和被测对象相似的噪声背景中很好地提取有用信号。     

MPEG-1的RTP应用

提出了一种把RTP应用于MPEG-1的方案，该方案把MPEG-1文件分解成音频流和视频流，并按RTP的相应规则打包传输；设计了一种MPEG-1的索引，根据索引可以快速的对MPEG-1文件进行解析；并对应MPEG-1的特点提出相应的错误恢复策略。     

基于BP网络和RBF网络的河道浅滩演变预测模型

利用神经网络BP理论在处理非线性问题上的优势，在分析影响河道浅滩演变因素的基础上，建立了基于MATLAB的河道浅滩演变BP网络模型，实例结果表明，利用BP网络和RBF网络模型对浅滩变化进行预测是可行的，具有很好的应用价值，为河道浅滩演变预测研究提供了新方法。