应用维纳核辨识非线性系统

利用维纳理论 ,对非线性系统中一种重要而基本的模型结构一般模型的离散形式进行了分析 ,并且给出了由维纳核辨识确定一般模型参数的方法及数值模拟算例     

一类结构已知的非线性系统辨识

本文针对带有已知结构的非线性Wiener系统，提出了利用不同幅值的周期脉冲信号辨识非线性增益未知参数和脉冲响应序列的新方法，获得了强一致性估计，数字仿真研究说明了该方法的有效性和实用性。     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于神经网络的非线性模型辨识

在分析了影响多层前馈神经网络泛化性能各项因素的基础上,应用BP网络对一个微型锅炉非线性对象进行了模型辨识,以建立该系统的预测模型.在辨识过程中注意采用泛化方法解决样本数据采集和网络结构确定方面的问题,利用贝叶斯正则化方法训练神经网络,以保证在满足训练精度的要求下,网络还具有较好的泛化性能.通过选取一组数据对辨识结果模型进行测试,结果表明所辨识出的对象模型能够较好地表现出对象的动态行为,且具有较好的泛化性能.     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

非线性系统的模糊神经网络辨识方法

根据一种模糊动力学模型,提出一种非线性系统的模糊神经网络辨识方法。这种模型具有与线性系统ＤＡＲＭＡ模型类似的结构,证明了辨识算法的收敛性。最后结合实例进行了仿真。     

基于模型预测的神经网络非线性时滞系统的辨识和控制

大纯时延、媒种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文提出了非线性延迟系统的延迟时间参数的神经网络辨识方法，即改变神经网络输入样本区间，利用网络输出期望值与输出实际值之间的误差平方和产生的突变，可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合，可以用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制。仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快，鲁棒性能好等优点。     

基于神经网络的模糊系统的模型辨识及应用

本文将人工神经网络理论和模糊系统理论结合起来，提出了一类基于人工神经网络的模糊模型辨识方法。该方法能辨识非线性的、复杂系统的模糊模型。仿真表明本文给出的有关模型及算法，能有效地用于多种难以建立精确数学模型的控制系统。     

在于神经网络的模型辨识

提出了一种神经网络的智能ＩＭＣ模型辨识方法，给出了有效的基于共轭梯度的神经网络学习算法。领导具结构表明，该方法可用于难以建立数学模型的对策。     

基于RBF网络的非线性动力系统辨识方法的改进

基于资源分配网络（ＲＡＮ）的增长标准并结合隐单元的修剪 策略,提出了同时具有增长及修剪功能的径向基函数（ＲＢＦ）网络结构学习方案。利用该方案进行了非线性时间序列的建模以及振动系统中的未知非线性力的识别。结果表明：提出的网络结构８学习算法是有效的;ＲＢＦ网络对非线性时间序列具有很高的建模精度 ;振动系统未知非线性力的神经网络识别法是可行的。     

Fuzzy logic systems are equivalent to feedforward neural networks

Fuzzy logic systems and feedforward neural networks are equivalent in essence. First, interpolation representations of fuzzy logic systems are introduced and several important conclusions are given. Then three important kinds of neural networks are defined, i.e. linear neural networks, rectangle wave neural networks and nonlinear neural networks. Then it is proved that nonlinear neural networks can be represented by rectangle wave neural networks. Based on the results mentioned above, the equivalence between fuzzy logic systems and feedforward neural networks is proved, which will be very useful for theoretical research or applications on fuzzy logic systems or neural networks by means of combining fuzzy logic systems with neural networks.     

神经网络非线性系统自适应控制的研究

提出了一种新的神经网络非线性系统自适应控制方法采用改进的ＢＰ算法，避免了选取学习速率的麻烦仿真结果表明：该方法对非线性系统及突加外干拢、参数突变具有较强的自适应能力     

基于多层前向网络的雷达目标一维距离像识别

利用多层前向网络，对雷达飞机目标的一维距离像的识别问题进行了研究．讨论了网络进行非线性判决分类的基本原理．仿真结果表明了该方法的可行性，经过少量样本训练后的网络，具有较好的推广能力     

基于神经网络的高校科研管理系统

应用前向人工神经网络模型建立了高校科学研究人员综合能力的系统评估模型，应用此模型，不但可以迅速得知每位科学研究人员的基本情况，而且可以显示出本校科研的基本概况。     

基于自适应模糊神经网络的水轮机特性辨识研究

利用自适应模糊神经网络(ANFIS)较强的非线性逼近能力,建立了辨识模型,对水轮机非线性特性进行了辨识.训练算法采用最小二乘和梯度下降结合的算法来训练参数,模型能很好地辨识水轮机特性,并有一定的透明性,为研究智能水轮发电机控制策略提供了有效的建模方法.     

基于高阶神经网络扩展卡尔曼滤波器算法的非线性动态系统辨识

针对非线性动态系统辨识 ,采用高阶神经网络和径向基函数网络相结合的方法 ,神经网络的连接权值可作为系统的未知参数 ,用扩展卡尔曼滤波器 (EKF)算法来估计 ,确保了该方法的快速收敛 .具体模型的仿真结果表明该方法能快速收敛 ,并能方便的用于在线辨识 .     

基于RBF神经网络的钢框架梁端节点损伤识别

为有效识别钢框架梁端节点损伤程度及半刚性节点刚度参数,提出采用钢梁位移模态和曲率模态指标作为神经网络的输入参数,基于RBF神经网络对刚框架梁端节点损伤程度进行参数识别研究.结果证明,位移模态识别损伤位置的准确度高于曲率模态,对损伤程度的识别曲率模态优于位移模态.其中位移模态损伤识别误差小于10%,曲率模态识别误差小于5%,得出基于RBF神经网络可以较好的识别节点损伤及半刚性刚度参数.     

基于静力应变及遗传优化神经网络的城市立交桥梁损伤识别

应用遗传算法优化神经网络的权值和阈值,选取静力应变变化率为神经网络输入参数,以结构的易损截面为研究对象,提出了用于城市立交桥梁的损伤识别方法。以长春市前进大街立交桥左辅道桥为数值模型,对该方法的损伤位置及损伤程度识别能力进行了研究。模拟结果表明:该方法能够对结构单位置及多位置损伤进行成功的定位;对测试样本的损伤程度识别误差在3%以内,且其内插能力要优于外推能力。