二型模糊小波脑情感学习网络在非线性系统辨识中的研究

针对现有模糊神经网络在辨识具有时变的非线性系统存在辨识精度不高,收敛速度较慢等缺点,提出了一种二型小波模糊脑情感学习网络(T2FWBELN)模型,它结合了模糊逻辑和脑情感学习网络的优点,并在网络结构中使用了小波函数。与其他算法相比,该算法在非线性系统辨识中有着更高的逼近能力。同时,采用模糊C均值算法生成模糊规则,并使用梯度下降法对T2FWBELN的各种参数进行在线调整,降低了参数调整时间。为了进一步验证该模型的有效性和优越性,仿真了两个不确定非线性系统辨识的例子,一个是Mackey-Glass时间序列预测,一个是带有噪声的动态系统辨识。测试结果表明,所提出的模型在处理非线性系统辨识中拥有更高的精度。     

基于非线性混沌时序动力系统的预测方法研究

主要研究由混沌时序所确定的非线性动力系统的预测方法．研究了非线性自相关混沌模型的结构,模型阶数的确立技术．将神经网络和小波理论相结合,研究了小波变换神经网络的结构,给出了小波神经网络的学习方法;提出了一种新的基于小波网络的参数辨识方法．该方法可以有选择地提取时序中的不同的时间、频率尺度,实现原时序的趋势或细节预测．通过对混沌时序进行预处理,并比较预处理后的预测结果,得到了一些有益的结果:用非线性自相关混沌模型采用小波网络对模型参数进行辨识,其辨识的准确程度较高,用该模型对混沌时序(包括含有噪声)的预测比较有效．     

一类递归小波神经网络的稳定性研究

在小波神经网络（WNNs）和递归神经网络（RNNs）的基础上,提出了一类递归小波神经网络（RWNNs）模型,它具有两种网络模型的优点A·D2根据Liapunov渐近稳定理论,对该模型的渐近稳定性进行了研究,并给出了相关的定理和公式．仿真结果表明该模型对非线性动态系统有良好的辨识效果．     

基于小波包分解的非线性时变系统辩识

在实际应用中,经常会碰到非线性时变系统,它们的辨识和建模比较困难．本文采用时变Hammerstein模型描述时变非线性系统．该模型可以以较简单的方式刻划系统的时变特性和非线性特性．然后用小波包对时变系数进行展开,把时变系统的辨识转化为对时不变系数的辨识．     

基于近似动态规划方法的未知系统的最优跟踪控制

针对不确定的非线性连续系统,通过神经网络对系统进行辨识.基于辨识后的确定系统,利用执行网-评价网双网结构进行同步调节解决最优跟踪问题.应用李雅谱诺夫方法进行辨识分析和系统稳定性分析,定理结论表明辨识系统为渐近辨识的,同时系统的跟踪误差和权重误差一致最终有界,倒立摆仿真例子验证了算法的有效性.     

基于小波神经网络的NLAR(p)过程的逼近

小波神经网络是近年来发展起来的一种逼近非线性函数的新型人工神经网络。特别是，正交尺度函数为某函数的小波神经网络更适合于函数逼近。本文在此基础上讨论了小波神经网络对非线性AR(p)过程的逼近。     

变尺度快速二阶非线性优化算法在神经网络辨识中的应用

神经网络是非线性系统建模与辨识的重要方法 ,反向传播 (BP)算法常常用在神经网络的权值训练中 ,但是 BP算法的收敛速度慢 .本文提出一种变尺度二阶快速优化方法 ,在这种方法中用二阶插值法来优化搜索学习速率 ,然后将这一方法应用于神经网络的辨识中 ,仿真研究表明新算法有更快的收敛速度和更好的收敛精度 .     

广义小波变换及其在人工神经网络中的应用

相应于非线性系统用人工神经网络的逼近问题，本文引入了一种新的小波变换并研究了其性质.作为推论，本文给出了在Lp范数下单个隐层前馈神经网络逼近定理的构造性证明.     

广议小波变换及其在人工神经网络中的应用

相应于非线性系统用人工神经网络的逼近问题，本文引入了一种新的小波工研究了其性质，作为推论，本文给出了在Ｌｐ范数下单个隐层前馈神经网络逼近定理的构造性证明。     

基于小波神经网络的中国能源需求预测模型

通过分析影响我国能源需求的主要因素,建立了基于小波神经网络的需求预测模型.采用定性与定量相结合的方式,分析了影响我国能源需求的主要因素,通过将人口总数、GDP、产业结构变化以及能源消费量的一阶滞后作为输入变量,建立基于小波神经网络的我国能源需求非线性预测模型.实验结果表明,该非线性预测模型与多元回归模型相比更加合理,具有更高的预测精度.     

离散非线性系统的神经网络预测控制及其在AUV中的应用

针对一类不确定离散非线性系统,提出了一种神经网络预测控制算法.考虑系统中的不确定项,建立神经网络辨识模型作为预测模型.为减少重构误差对系统的影响使用了反馈校正技术.为提高控制性能引入了一种动态补偿器来镇定跟踪误差系统.所提出的控制算法保证了闭环系统的所有信号都是有界的.最后,针对AUV中的路径跟踪问题对所提出的控制算法进行仿真应用,仿真结果说明了算法的有效性.     

基于GA-BP的模糊神经网络控制器与Elman辨识器的系统设计

提出了一种基于神经网络的模糊控制系统 ,该系统由模糊神经网络控制器和模型辨识网络组成 .文中介绍了模糊神经网络控制器采用遗传算法离线优化与 BP算法在线调整 ,给出了具体控制算法 ,推导了变形 Elmam网络的系统辨识算法 .仿真结果表明了此法的可行性和有效性 .     

典型非线性模型的模糊辨识逼近精度分析

人们根据非线性系统的复杂特性归结了几种具有代表性的非线性模型.而模糊辨识方法是辨识非线性系统的有力工具,本文采用T-S模糊模型对三种常见的非线性模型:Hammerstein模型,Wiener模型和双线性模型进行逼近,并根据仿真数据研究不同的非线性结构对模糊模型逼近精度的影响.仿真实例是在训练和检验数据组数、模型阶数相同的情况下,采用三角形隶属函数,聚类型隶属函数和高斯型隶属函数分别对这三种非线性模型进行逼近能力的研究.     

基于终端滑模模糊神经网络的电力系统负荷频率控制研究

针对区域互联电力系统受到风电及负荷扰动后,系统频率会出现大幅度波动问题,提出一种基于终端滑模模糊神经网络的多区域互联电力系统负荷频率控制(LFC)方法。在分析单一区域电力系统有功输出特性的基础上,建立计及多区域有功输出的互联电力系统负荷频率控制模型。采用自适应逆控制,有效的解决系统响应和扰动抑制的矛盾。将终端滑模模糊神经网络引入自适应逆系统,构建模糊神经网络辨识器,利用终端滑模在有限时间内可实现无静差跟踪的特点,进一步提高神经网络的辨识能力。仿真结果表明所设计的基于终端滑模模糊神经网络的自适应逆系统,不仅可以得到好的动态响应,还可以使风电及负荷扰动减小到最小。     

区域经济系统的ARX参数模型估计

利用系统辨识的方法,对非线性系统进行输入、输出分析,利用模糊评判的输入、输出数据,从多个非线性模型中,确定出一个能够反映区域经济系统特征的模型,从而形成了一种建构在模糊评判基础上系统辨识新思路.     

基于稀疏自编码器的金融市场指数预测模型

针对高维数据"维数灾难"问题,降维是最典型的处理方式之一。降维技术不仅可以减弱"维数灾难"的负面影响,而且能够剔除高维数据中的冗余特征,从而提升高维数据回归、分类等任务的效率。高维数据通常呈现出复杂或非线性结构,恰当的降维方法可以有效地将高维特征数据投影至低维空间,以实现原始数据的非线性特征提取。本文尝试使用无监督学习模型稀疏自编码网络对金融高维数据进行非线性特征提取,将提取到的特征作为有监督学习模型BP神经网络的输入以预测指数收益率。更进一步地,为了验证稀疏自编码算法在特征提取方面的优势与有效性,本文引入稀疏主成分模型进行对比分析。实证分析显示:本文所使用的稀疏自编码网络能够较好地提取非线性特征并进行预测,其预测精度优于以稀疏主成分为代表的线性降维方法。     

基于神经网络的时变非线性系统迭代学习辨识

时变神经网络结构可简单地取为常规神经网络连接形式,但连接权却是时变的.如何确定时变权是应用时变神经网络时的难题.迭代学习方法是一种合理的选择,它不同于将时变连接权展成Taylor级数,通过训练多项式系数的处理方法.而且,后者的处理方式不可避免地存在截断误差.对于有限区间连续时变非线性系统的神经网络建模与辨识,借助于重复运行过程,以迭代学习算法调整权值,进行网络训练.不计逼近误差,提出的学习算法能够使得辨识误差在整个区间上渐近收敛于零.为处理非零但有界的逼近误差,采用带死区的迭代学习算法.逼近误差界值已知时,文中证明带死区修正的迭代学习算法使得辨识误差在整个区间上渐近收敛于由死区界定的邻域内.对于逼近误差界值未知的情形也进行了讨论.     

中立型时滞大系统的稳定性

本文研究非线性中立型有界时滞大系统和非线性中立型无界时滞大系统在C空间中的稳定性,获得了简洁、实用的稳定性代数充分准则。本文还对非线性时滞大系统的稳定性进行了研究,建立起一个高维时滞微分不等式,推广了著名的Halanay时滞微分不等式。     

用小波级数辨识无穷维线性时不变系统

本文首先介绍了正交小波及其Laplace变换,证明了变换后的小波在Hardy空间H2中仍然保持正交性质.接着,引入了无穷维线性时不变系统的传递函数、β-输入-输出稳定性概念.最后,应用小波级数逼近β-输入-输出稳定系统传递函数,从而为辨识无穷维系统提供了一种新途径.     

几类典型随机非线性系统的辨识

考察实际中常见的三类典型随机非线性系统(即Wiener、Hammerstein和NARX系统)的辨识,首先概述了现有的递推和非递推辨识算法,然后介绍这三类系统的一个统一辨识框架:利用系统所确定的过程的马氏性及混合型,将辨识转化为求函数零点的问题,基于扩张截尾的随机逼近算法,得到了递推、强一致的辨识结果,并给出了数值模拟验证辨识算法收敛到真值.