混沌系统的神经网络预测控制

提出一种基于预测控制的神经网络控制方法，将模型未知时的混沌运动控制到不稳定的不动点（UFP）处，该控制系统不需要UFP的位置及其局性态等知识，它包括观测器、带反馈校正的神经网络在预测器和在线训练的神经网络控制器，其方法简便，收敛速度比现有同类方法快得多，同时还分析了控制系统的稳定性，并证明了神经网络控制器的收敛性，理论推导和仿真结果都表明了该方法的有效性。     

混沌系统的神经网络控制

提出一种利用神经网络控制系统混沌运动的新方法,并用该方法实现了Ｌｏｒｅｎｚ和Ｒｏｓｓｌｅｒ系统混沌运动控制,从而使系统由混沌运动状态转变为规则运动状态。仿真结果表明,该方法控制混沌系统响应速度快,控制精度高。     

改进遗传神经网络控制混沌运动的研究

用最大Lyapunov指数构造遗传算法中的适应度函数,通过遗传算法优化神经网络的权系数．根据所得到的适应度函数和权系数来构造遗传神经网络控制器,从而提高神经网络控制效果．对离散系统Logistic映射和连续系统Rossler方程、AFM（原子力显微镜）悬臂梁振动系统的混沌运动分别进行了仿真控制．数值实验结果表明本文改进的遗传神经网络控制方法对离散或者连续的混沌系统都能控制到低周期轨道上去,证明了算法的有效性．     

不确定混沌系统的直接自适应神经网络控制

提出了一种不确定混沌系统动态神经网络直接自适应控制方法.为了确保学习过程收敛性,研究了有效的在线学习算法,证明了闭环系统的稳定性,并针对Lorenz混沌系统进行了计算机仿真研究.     

混沌系统的RBF神经网络非线性补偿控制

设计RBF神经网络非线性补偿控制器,提出了混沌系统线性状态反馈的复合控制方法,将可调系统混沌行为镇定到期望目标位置或者变成周期运动.用Lorenz方程作仿真实验,结果证明了该方法的有效性.     

基于混沌神经网络的故障暂态量选线方法研究

为了有效提取故障暂态信息,研究选取适当的小波包基函数。针对电力系统故障暂态量的特点,为了有效克服非故障暂态信号的干扰,研究选取了容错性和联想记忆功能很强的混沌神经网络实现故障选线,并采用改进的遗传算法对混沌神经网络的权值和参数同时进行训练,加快其收敛速度。根据目标模式与神经元的输出状态构造了数值型选线判据。通过实验算例验证了基于暂态量选线判据的有效性和适用性。     

基于混沌神经网络的故障暂态量选线方法研究

为了有效提取故障暂态信息,研究选取适当的小波包基函数.针对电力系统故障暂态量的特点,为了有效克服非故障暂态信号的干扰,研究选取了容错性和联想记忆功能很强的混沌神经网络实现故障选线,并采用改进的遗传算法对混沌神经网络的权值和参数同时进行训练,加快其收敛速度.根据目标模式与神经元的输出状态构造了数值型选线判据.通过实验算例验证了基于暂态量选线判据的有效性和适用性.     

混沌系统的RBF神经网络控制设计

对镇定一嵌入在混沌吸引子内的不稳定平衡点上的混沌轨道提出了一种新的混沌系统神经网络补偿控制方法，探讨了用神经网络估计混沌系统不确定性的途径，给出了神经补偿控制器的设计方法，并证明了闭环系统的稳定性。以三阶Ｌｏｒｅｎｚ方程为例给出了仿真结果。     

不确定混沌系统的动态神经网络跟踪控制

针对不确定非线性混沌系统，提出了一种基于动态神经网络辨识器的自适应跟踪控制新方法，通过滑模控制技术在线调整动态神经网络辨识器权值，并在获取动态神经网络模型的基础上设计出优化控制器，实现混沌系统的轨道跟踪，对辨识误差和轨道跟踪误差进行分析并证明了它们的有界性，Lorenz混沌系统的仿真实验结果表明了控制策略的有效性。     

改进混沌遗传算法优化BP神经网络的短时交通流预测

BP神经网络算法被广泛地应用于短时交通流预测模型中,但是该算法存在的缺陷降低了预测的准确性.为克服上述缺陷,引入混沌遗传算法(CGA)来进行改进,用混沌遗传算法得到的最优解作为BP神经网络算法的初始值改进算法的缺陷.通过实验结果分析,改进后的算法模型对短时交通流的预测具有了更高的准确性.     

基于遗传算法学习的复合神经网络自适应温度控制系统

针对一类温度控制系统中存在的非线性和参数不确定等问题,提出一种复合神经网络自适应控制结构.在控制系统中构造了神经网络正模型来再现被控对象的动态特性,用神经网络控制器实现优化控制律的非线性映射.文中选用了被控对象80组历史数据作为样本集,并利用遗传算法的全局搜索能力及高效率来训练多层前向神经网络的权系数.最后用升降温工艺曲线作为输入对温度控制系统进行仿真.仿真结果表明,应用遗传算法能够提高神经网络的学习效率.保证神经网络全局快速收敛,从而克服了传统的误差反传学习算法的一些缺点.证明了采用这种神经网络自适应控制结构.使神经网络控制器的输出可以适应对象参数和环境的变化.使温度控制系统具有很好的学习和自适应控制能力,取得了良好的控制效果.     

Continuous process control using neural networks

We present some adaptive control strategies based on neural networks that can be used for designing controllers for continuous process control problems. Specifically, a learning algorithm has been formulated based on reinforcement learning, a weakly supervised learning technique, to solve set-point control and control scheduling for continuous processes where the process cannot be modeled easily. It is shown how reinforcement learning can be used to learn the control strategy adaptively based on exploration of the control space without making assumptions about the process model. A new learning scheme, handicapped learning, was developed to learn a control schedule that specifies a schedule of set points. Applications studied include the control of a nonisothermal continuously stirred tank reactor at its unstable state and the learning of the daily time-temperature schedule for an environment controller. Experimental results demonstrate good learning performance, indicating that the learning algorithm can be used for solving transient startup and boundary value control problems.     

用过程神经网络和遗传算法实现系统逆向求解

对于多输入多输出系统,针对如何根据系统模型和期望输出反求系统输入的问题,本文提出了一种基于过程神经网络和遗传算法相结合的方法.首先根据实际系统的领域知识和学习样本集,建立满足系统实际输入输出映射关系的正向过程神经网络.然后按照系统在过程区间的某一期望输出,用过程神经网络的输出误差构造适应度函数,用遗传算法逆向确定系统的过程输入信号,使该输入信号满足已建立的正向过程映射关系,从而完成系统的逆向过程控制.文中给出了具体的实现算法并给出了此方法的一个应用实例.     

Real-coded chaotic quantum-inspired genetic algorithm for training of fuzzy neural networks

In this paper, a novel approach to adjusting the weightings of fuzzy neural networks using a Real-coded Chaotic Quantum-inspired genetic Algorithm (RCQGA) is proposed. Fuzzy neural networks are traditionally trained by using gradient-based methods, which may fall into local minimum during the learning process. To overcome the problems encountered by the conventional learning methods, RCQGA algorithms are adopted because of their capabilities of directed random search for global optimization. It is well known, however, that the searching speed of the conventional quantum genetic algorithms (QGA) is not satisfactory. In this paper, a real-coded chaotic quantum-inspired genetic algorithm (RCQGA) is proposed based on the chaotic and coherent characters of Q-bits. In this algorithm, real chromosomes are inversely mapped to Q-bits in the solution space. Q-bits probability-guided real cross and chaos mutation are applied to the evolution and searching of real chromosomes. Chromosomes consisting of the weightings of the fuzzy neural network are coded as an adjustable vector with real number components that are searched by the RCQGA. Simulation results have shown that faster convergence of the evolution process in searching for an optimal fuzzy neural network can be achieved. Examples of nonlinear functions approximated by using the fuzzy neural network via the RCQGA are demonstrated to illustrate the effectiveness of the proposed method.     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

基于遗传算法和强化学习的贝叶斯网络结构学习算法

遗传算法是基于自然界中生物遗传规律的适应性原则对问题解空间进行搜寻和最优化的方法。贝叶斯网络是对不确定性知识进行建模、推理的主要方法,Bayesian网中的学习问题(参数学习与结构学习)是个NP-hard问题。强化学习是利用新顺序数据来更新学习结果的在线学习方法。介绍了利用强化学习指导遗传算法,实现对贝叶斯网结构进行有效学习。     

一种基于混沌过程神经元水下机器人运动控制方法

由于系统的强非线性以及不确定性,同时考虑到港湾环境下水声信号的噪声大,水下机器人进行精确作业时的运动控制一直是其实用化过程中困挠人们的问题。过程神经网络是传统神经网络的拓展,它增加了一个对于时间的聚合算子,使网络同时具有时空二维信息处理能力,从而更好地模拟了生物神经元的信息处理机制。水下机器人运动控制系统的输入、输出均是随时间连续变化的过程量。在基本神经元模型上,结合S函数和预先规划思想,建立水下机器人过程神经元运动控制模型,参数学习过程中,将遍历性的渐变混沌噪声引入其中,增强控制器全局优化能力。仿真试验表明,该新型控制模型,对于水下机器人的运动非线性控制器具有设计简单、响应速度快、超调小、鲁棒性好等各种优点。