Dynamics of a neuron model in different two-dimensional parameter-spaces

We report some two-dimensional parameter-space diagrams numerically obtained for the multi-parameter Hindmarsh-Rose neuron model. Several different parameter planes are considered, and we show that regardless of the combination of parameters, a typical scenario is preserved: for all choice of two parameters, the parameter-space presents a comb-shaped chaotic region immersed in a large periodic region. We also show that exist regions close these chaotic region, separated by the comb teeth, organized themselves in period-adding bifurcation cascades.     

Parameter space of the Rulkov chaotic neuron model

The parameter space of the two dimensional Rulkov chaotic neuron model is taken into account by using the qualitative analysis, the co-dimension 2 bifurcation, the center manifold theorem, and the normal form. The goal is intended to clarify analytically different dynamics and firing regimes of a single neuron in a two dimensional parameter space. Our research demonstrates the origin that there exist very rich nonlinear dynamics and complex biological firing regimes lies in different domains and their boundary curves in the two dimensional parameter plane. We present the parameter domains of fixed points, the saddle-node bifurcation, the supercritical/subcritical Neimark–Sacker bifurcation, stability conditions of non hyperbolic fixed points and quasiperiodic solutions. Based on these parameter domains, it is easy to know that the Rulkov chaotic neuron model can produce what kinds of firing regimes as well as their transition mechanisms. These results are very useful for building-up a large-scale neuron network with different biological functional roles and cognitive activities, especially in establishing some specific neuron network models of neurological diseases.     

无刷直流电动机自适应神经元模糊控制系统

针对电动汽车用无刷直流电动机负载波动较大的特点,采用自适应神经元模糊控制策略设计自适应神经元模糊速度控制器,以此提高系统抗负载变化的能力.模糊逻辑控制能够有效地利用语言信息,其控制规则容易表达,可用单神经元的在线学习能力实时调节模糊逻辑变量的权系数,利用离线学习能力补偿传统模糊逻辑控制所产生的系统偏差.理论和仿真研究表明,据此设计的控制系统具有较强的带负载能力和很好的抗负载变化能力,达到了预期控制效果.     

基于模糊神经元PID算法的注塑机注射速度控制算法研究

基于一款市场较为畅销的注塑机, 设计出一种能精确控制注射速度的模糊神经元PID控制器. 首先, 设计出具有自学能力的神经元PID控制器, 利用模糊算法对其进行优化; 其次, 在原有注射速度线性数学模型的基础上, 构建注塑机注射速度的非线性模型; 最后, 利用MATLAB在所建数学模型的基础上对模糊神经元PID控制器进行仿真实验. 实验结果表明, 所设计控制器具有响应迅速、无超调量、控制精度高、控制稳定等优点.     

基于结构的神经网络模型

提出了一种基于结构的神经网络模型，并介绍了利用该模型进行系统建模与参数优化的方法，该神经网络模型本质上是结构化的，网络模型的结构与系统结构相对应，网络中神经元的个数是确定的，神经元之间的连接不是盲目的，而是根据子系统间的相互作用关系连接而成，网络的部分连接权值与系统结构参数相对应，具有明确的物理意义，所以，建模后可进一步进行结构参数的优化。     

挖掘机单神经元比例-积分-微分节能控制系统

从节能角度考虑，通过对液压挖掘机功率匹配的分析。提出了将液压泵的功率曲线设定在发动机的功率曲线之上的功率匹配方法．随着负载压力的变化，主控制器对液压泵的排量进行控制，使液压泵能够完全吸收发动机的功率，保证了发动机始终在设定的转速下运行。实现了发动机功率充分利用和节能的目的．研究了单神经元比例-积分-微分(PID)控制器在节能控制系统上的应用，试验结果表明，文中提出的功率匹配方法可行，单神经元PID控制器能够根据不同的环境和作业工况进行参数自调整，具有自适应的能力．研究结果为进一步研究开发智能化挖掘机提供了依据．     

基于复杂网络的信号检测与传递

近年来,关于复杂网络的研究已取得了长足的进展,且将复杂网络理论应用于其他学科的研究正方兴未艾.本文简要介绍复杂网络理论在信号检测与传递方面的一些初步研究进展,主要关注三方面的研究成果:(1)复杂网络上的信号放大;(2)与复杂网络有关的信号检测;(3)复杂网络上的自维持振荡.这些阶段性的研究成果从复杂网络的新角度加深了我们对神经元网络宏观动力学行为的微观机制的理解,并有助于刻画信息传递从神经元物理网络向脑功能网络的过渡.     

永磁同步电动机混沌系统的控制研究

采用自适应控制方法对永磁同步电机混沌系统进行控制研究,当该混沌系统参数未知时,基于Lyapunov稳定性理论,设计了相应的控制器和参数自适应律,使系统的状态控制到任意一个不稳定平衡点,并运用Barbalat引理,在理论上证明了受控系统的渐进稳定性,从而消除了混沌,仿真结果证明了该方法的有效性.     

基于改进型BP神经网络的无刷直流电机调速系统的应用研究

针对无刷直流电动机的速度问题,提出了一种基于改进型BP神经网络的无刷直流电机调速系统,即利用改进型BP神经网络来优化PID控制器的比例,积分,微分系数。所采用的BP神经网络的学习算法为粒子群算法,可以有效克服标准BP算法一般所存在收敛速度慢、存在局部极小值等问题,从而可以实现对无刷直流电动机的高精度的速度控制。最后,建立了仿真系统,其结果表明该算法效果良好。     

Interlaboratory comparisons and improvements of methods for acid number determination in used motor oils

The results of two interlaboratory comparisons of acid number determinations in used motor oils are discussed. It is shown that the comparability of the measurement results is not as good as that required by known standards for petroleum products. The problem is motor oil contaminants which accumulated during use, and which are the source of a matrix effect in the acid number determination. The standard methods’ drawbacks are analyzed and some improvements are proposed. Repeatability and accuracy of the improved methods are evaluated. Received: 11 December 2001 Accepted: 15 February 2002