线性动态系统的神经网络辨识与控制

近年来，不同结构的神经网络已成功地用于一大类动态系统的辩识与控制。本文应用函数型链接网提出一实际可行的辨识器与状态反馈控制器；研究的问题主要是线性动态系统在状态可测情形下在平衡点镇定问题。仿真结果显示了本文提出的方法的有效性。     

T-S模糊Markov跳变系统的有限时间H∞异步控制

针对一类在Takagi-Sugeno模糊规则下的Markov跳变系统,研究了基于模糊状态反馈控制器的有限时间H_∞异步控制问题。采用隐Markov模型刻画了模糊控制器与原系统的异步现象。首先,通过构造Lyapunov函数,运用有限时间有界性和H_∞控制理论,得到了闭环系统H_∞有限时间有界的充分条件。其次,设计了模糊状态反馈异步控制器,使得闭环系统H_∞有限时间有界。最后,通过仿真算例验证了方法的有效性和可行性。     

遗传BP神经网络在PID控制器中的应用

提出了一种基于遗传BP神经网络的自整定PID控制器的设计方法．利用遗传算法搜索出一组准优的PID参数，作为PID控制器参数的初值，在利用BP神经网络具有逼近任意非线形函数的能力，在线调整PID参数，以确保系统的响应具有最优的动态和稳态性能．计算机仿真结果表明，这种控制算法鲁棒性强，响应速度快，可用于控制不同的对象和过程．     

基于生物神经元的PID控制器及其应用

提出了一种新型的增益自调整的动态神经元PID控制器，该控制器具有非线性滤波和增益自调整等优良特性．由于所采用的生物神经元动态模型(Shunting Model)具有模型稳定、输出光滑、有界的特点，使得控制器的输出有界且光滑，从而可以利用这种控制器构造一类柔性、安全的控制系统．通过倒立摆系统控制的仿真研究，验证了该控制策略的有效性和鲁棒性．     

前馈神经网络在水厂混凝投药中的应用

为了解决自来水生产过程中混凝投药量难以控制的问题,提出了一种将神经网络前馈控制与反馈控制相结合的控制策略。神经网络前馈控制器采用三层结构的BP神经网络模型,输入层神经元分别是原水的流量、浊度、温度、pH值及浊度的设定值,输出层神经元为混凝投药量。反馈控制采用传统     

基于Duhem模型和逆模型的压电执行器精密定位及控制

为提高压电执行器的定位精度, 研究了压电执行器的Duhem模型及逆模型, 并对传统的Duhem模型进行改进, 将原有的模型分为上下2个半环, 分别进行建模. 然后采用样条曲线插值和神经网络对Duhem模型参数进行辨识, 利用辨识结果建立压电执行器的Duhem模型及逆模型, 并利用PI逆模型作为PID反馈控制的前馈环节进行复合控制, 提高压电执行器的定位精度. 结果表明: 该模型在变幅三角波电压下的输出绝对平均误差为0.0810μm, 复合控制下的输出绝对平均误差为0.0539μm, 能有效地提高压电执行器的定位精度.     

基于人工神经网络的多媒体语音特征挖掘

提出了一种基于人工神经网络的聋儿语音训练识别的多媒体特征挖掘技术 .构造了邻域三层神经元合作竞争的动态行为神经元模型 ;实验选取了动态递减函数、动态最小覆盖矩阵和动态确定阈值形成的 SOL A挖掘算法 ;以及聚类分布的网络图技术 .解决了聋儿语音训练系统中基本语音识别的难题 .     

具有不育控制和反馈控制的非自治单种群模型的持久性

研究了一类具有不育控制和反馈控制的非自治单种群模型。通过利用微分不等式技巧,比较原理,构造辅助函数以及分析的方法得到了系统的正性,有界性和持久性。     

高应变率下高聚物本构模型的BP神经网络辨识

利用SHPB技术和自编的BP神经网络程序,以尼龙为代表性研究对象,对高聚物在高应变率下的本构模型进行了辨识,研究表明：在应变小于7％范围内,以应变与应变率作为输入,以应力作为输出,BP神经网络能满意地辨识高聚物的动态本构模型;而当应变大于7％时,除应变和应变率外可取时间作为表征损伤演化的反函数共同作为输入,以应力作为输出,能获得满意的结果。     

基于K-L分解的斜拉索-磁流变系统建模及减振控制研究

针对斜拉索-磁流变阻尼器系统, 提出一种数据驱动的分布参数系统建模方法. 利用K-L时空分解方法得到表征系统空间结构的空间基函数, 将其与系统输出作内积求出表征系统状态幅值的时间序列, 根据时间序列和外载荷等数据信息, 利用递推最小二乘算法辨识时域ARMAX模型, 将空间基函数与时域ARMAX模型进行空间重构得到空间ARMAX模型, 最后对该时域ARMAX模型进行预测控制. 实验结果表明 建立的分布参数系统模型计算量小、精度高, 可以满足实际工程要求; 采用的预测控制方法能够对斜拉索-磁流变阻尼器分布参数系统模型进行有效的减振控制.     

混沌神经网络的延时反馈控制

提出了一种适合于混沌神经网络的混沌控制方法,延时反馈控制方法,其目的是将混沌神经网络的丰富动力学特性应用于联想记忆、信息检索、组合优化、模式识别、数据压缩等智能信息处理中.利用本文提出的控制方法,对混沌神经网络进行控制,被控网络能收敛于与初始状态相关的记忆模式和反相模式的二周期状态上,从而实现了记忆搜索、模式识别的功能.     

在线社交网络控制实验的现状与展望

在线社交网络已发展成为一个独特的电子生态系统，其应用深刻影响着人们生活的方方面面。由于在线社交网络特性复杂，分析在线社交网络形成和变化中的规律成为当前计算机科学、社会学和物理学的一项挑战。传统上，在线社交网络实证研究主要采用计算机辅助的被动数据获取和分析方式。近年来，在真实大规模在线社交网络上直接进行控制实验从而主动获取数据并开展分析研究的方式广受关注。评述了这一领域的研究进展，包括：社交网络控制实验的主要研究模式；控制实验方法在社交网络结构、信息传播、行为和心理学等领域取得的主要成果以及主要实验工具的适用条件和局限性。最后，展望了人工智能技术在社交网络控制实验中的应用潜力，分析了智能算法对降低实验成本和提高实验效率的作用。     

k-means-RBF集成神经网络在工业尾气检测中的应用

神经网络是工业尾气检测系统的一个重要组成部分. 为提高神经网络的预测精度和收敛速度, 建立k-means-RBF集成神经网络模型. 首先, 通过选取不同的径向基函数神经网络参数, 得到一组RBF神经网络; 然后, 利用k-means算法对生成的RBF神经网络进行聚类, 并筛选出各类中精度较高的神经网络; 最后, 通过简单平均法对筛选出的神经网络进行集成, 得到高性能的k-means-RBF集成神经网络模型. 为验证模型有效性, 搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证. 结果表明, 与粒子群算法优化后的Back Propagation (PSO-BP)神经网络模型相比, k-means-RBF集成神经网络模型的平均预测精度提高78.27%, 收敛时间节省99.65%     

求解二次规划问题的神经网络方法

根据人工神经网络的基本优化机理,提出了一种基于Lagrange函数的适合于求解二次规划问题的神经网络模型,研究了该神经网络的稳定性和收敛性,探讨了提高网络优化计算效率的神经优化策略,仿真结果证明了该神经网络能有效地求解二次规划问题。     

基于专家－模糊PID的通用温度控制系统研究

为了解决温度控制系统易受外界干扰、自身参数时变不确定以及控制难度大等问题, 采用了模糊PID控制算法结合专家判断, 组成专家－模糊PID控制器的方法来控制温度. 将该方法应用于通用智能温度控制器中, 调试运行结果表明: 该方法解决了常规PID适应性差、不能在线进行参数自整定的问题, 不仅具有PID控制精度高的优点, 同时具有良好的动、静态特性, 可满足在通用智能温度控制器中的应用     

基于混沌时间序列的非线性动态系统神经网络建模与预测

在分析神经网络非线性建模原理的基础上，以典型的非线性差分方程为研究对象，提出了一类基于神经网络的非线性动态系统建模方法．针对传统BP算法的局限性，提出了一种非线性动态系统神经网络改善梯度估计精度的新算法．并以上证综合指数时间序列为研究对象，运用本文提出的建模方法和算法，进行了我国资本市场混沌时间序列预测研究的实例分析，得到的单步预测上证综合指数误差很小(-100～100)；多步预测在最初的10步之内预测效果较为理想，而在此之后的预测值则严重偏离真实值．这与混沌时间序列特性相吻合，同时也证明了所用算法的有效性．