1

提出一种将前馈神经网络用于非线性时变系 统辩识的学习算法,其要点是把网络权值看作时变系统的一个状态,用卡尔曼滤 波估计此状态,于是网络实现了非线性和时变的映射．文中推导了该算法,仿真结果证实了 它的有效性．     

关于不确定非线性时变系统的观测器设计问题

研究一类非线性时变系统的状态观测器设计问题,引入非线性时变系统的时变相对阶,通过坐标变换将系统输入输出线性化,对于满足相对阶为r(相似文献   

单输入时变仿射非线性系统的状态反馈线性化

本文给出了单输入情况下时变仿射非线性系统状态反馈线性化的充要条件。     

神经网络全局收敛快速算法在非线性建模中的应用

把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,给出前馈神经网络在线运行投影学习算法,理论上证明算法的全局收敛性,并讨论算法参数的选择范围．通过非线性时变系统的神经网络建模应用的仿真,验证算法的在线运行能力．     

时变仿射非线性系统的动态补偿线性化

本文用微分几何方法研究了时变仿射非线性系统的动态补偿线性化问题，给出了系统的动态状态反馈线性化的充要条件．这里给出的结果可以看作对原有的静态状态反馈线性化结果的一个推广．     

通信开关电源系统中变换器的智能控制设计

文章研究了智能控制技术在通信开关电源系统变换器中的应用。针对变换器为非线性、时变系统的特点,提出了一种模糊自适应PID控制算法。与传统的PID算法相比,该智能控制算法提高了开关电源的动态性能,减小了负载变化时的输出电压恢复时间和电源启动时输出电压的超调量。     

非线性时变时滞系统的鲁棒H_∞控制

针对一类受扰非线性时变时滞系统,构造一个Lyapunov-Krasovskii泛函,利用积分不等式及线性矩阵不等式技术,给出系统状态反馈鲁棒H∞控制器存在的充分条件及具体设计方法.数值算例验证了该方法的有效性.     

一类随机非线性种群发展系统的指数稳定性

本文研究了一类随机非线性时变种群发展系统,对随机非线性时变种群发展系统的均方稳定和指数稳定进行了讨论.利用Burkholder-Davis-Gundy不等式,Gronwall引理和Kolmogorov不等式得到了均方稳定和指数稳定的充分条件.     

基于 ESN 神经网络的网络安全态势感知预测

针对现有网络安全技术不能准确地对网络未来安全态势进行预测的问题,提出一种基于回声状态网络(ESN)进行态势预测的方法。对数据量庞大的安全态势值,利用回声状态网络可有效处理非线性系统辨识以及混沌时间序列预测问题。实验表明,由于训练简单,可根据不同网络环境自动优化网络参数,且算法本身在混沌时间序列预测方面的先天优势,使得 ESN 算法比传统神经网络方法在网络态势预测准确率方面有明显改善。     

基于T-S模糊模型的非线性网络控制系统的量化控制（英文）

为了克服数据量化、网络诱导时滞、网络丢包及错序对非线性网络控制系统造成的影响,采用T-S模糊建模方法建立了一个新的非线性网络控制系统模型,并在系统模型中加入2个时变量化器.主要分析方法在于通过构造一个改进的区间时滞依赖的李雅普诺夫函数,并引入自由权矩阵.利用并行分布式补偿技术和矩阵函数的凸性,得出了改进系统的稳定和镇定的条件.仿真实验表明,通过求解一组线性矩阵不等式,可得保证系统渐近稳定并满足一定性能的控制器参数和量化器参数.在具有非线性的弹簧系统中的应用验证了所提方法的有效性.     

Nonlinear Time-Varying Systems Identification Using Basis Sequence Expansions Combined with Neural Networks

A new method for identifying nonlinear time-vaying systems with unknown structure is presented,The method extends the application ar5ea of basis sequence identification.The essential idea is to utilize the learning and nonlinear approximating ability of neural networks to model the non-linearity of the system,characterize time-varying dynamics of the system by the time-varying parametric vector of the network ,then the parametric vector of the network is approximated by a weighted sum of known basis sequences,Because of black-box modeling ability of neural networks,the presented method can identify noninear time-varying systems with unknown structure,In order to improver the real-time capability of the algorithm ,the neural network is trained by a simple fast learning algorthm based on local least squares presented by the authors,The effectiveness and the perfomence of the method are demonstrate3d by some simulation results.     

基于NARMAX模型的Hopfield网络系统辨识

1 Introduction Identification of an unknown systemfrom availabledata is i mportant in many fields . There are severalmodels representing systems that are dominated bynonlinear characteristics . NARMAX model provides aunified and si mple representation for a wide class ofdiscrete-ti me nonlinear stochastic systems , proposedby Leontaritis ,et al.[1]System identification usingNARMAX model consists of two stages : model struc-ture determination and parameter esti mation proce-dure . The ide…     

Nonlinear modelling of a SOFC stack by improved neural networks identification

The solid oxide fuel cell (SOFC) is a nonlinear system that is hard to model by conventional methods. So far,most existing models are based on conversion laws,which are too complicated to be applied to design a control system. To facilitate a valid control strategy design,this paper tries to avoid the internal complexities and presents a modelling study of SOFC per-formance by using a radial basis function (RBF) neural network based on a genetic algorithm (GA). During the process of mod-elling,the GA aims to optimize the parameters of RBF neural networks and the optimum values are regarded as the initial values of the RBF neural network parameters. The validity and accuracy of modelling are tested by simulations,whose results reveal that it is feasible to establish the model of SOFC stack by using RBF neural networks identification based on the GA. Furthermore,it is possible to design an online controller of a SOFC stack based on this GA-RBF neural network identification model.     

基于神经网络的数字广播信号无线定位算法(英文)

为了提高非视距(NLOS)环境下无线定位的准确性和可靠性,提出了一种利用数字广播信号进行移动台定位的神经网络方法.该方法利用神经网络的学习特性和逼近任意非线性函数的能力,建立到达时间(TOA)和到达时间差(TDOA)测量数据与坐标之间的映射关系.将神经网络的连接权值作为非线性动态系统的状态量进行估计,用基于扩展卡尔曼(EKF)的实时神经网络训练算法来训练多层感知器网络.由于基于EKF的训练算法给出的是连接权值的近似最小方差估计,其收敛性要优于误差反向传播(BP)算法.仿真结果表明,该算法在NLOS环境下有较高的定位精度,性能优于BP基的神经网络算法和最小二乘算法;且该定位方法不依赖于特定的NLOS误差分布,也无需视距(LOS)和非视距识别.     

模糊神经网络变结构算法优化的研究

随着生产实际情况的不断变化,以及模糊神经网络不断的改进和发展,提出一种改进的构造神经网络的方法,并且提出混合学习算法,结合共扼梯度下降法与递归最小二乘估计来分别辨识网络中的前、后件参数,并对非线性系统进行仿真实验,达到控制要求.     

基于支持向量回归神经网络的动态系统辨识

结合支持向量机和神经网络各自的优点,提出了一种新颖的自适应支持向量回归神经网络(SVR-NN).首先,利用支持向量回归方法确定SVR-NN的初始结构和初始化权值,基于支持向量自适应地构造SVR-NN神经网络的隐层节点;然后,使用退火过程的鲁棒学习算法更新网络节点参数和权值.为了验证所提出方法的有效性,给出了自适应SVR-NN应用于非线性动态系统辨识的实例.仿真结果表明,与以前的神经网络方法相比,基于SVR-NN网络的辨识方案能获得相当好的性能,它具有很快的收敛速度.因此,自适应的SVR-NN为非线性系统辨识提供了极有吸引力的新途径.     

非线性对象快速神经网络辨识方法

本文使用改进的神经网络模型结构与算法来辨识未知非线性系统,具有辨识精度高,速度快的特点。该方法简单有效,为设计非缌陛对象控制器提供了一条思路,从而摆脱了用线性模型近似被控对象的粗略做法。算法中,学习率采用随误差变化率而改变的做法减小了学习率选取的盲目性,加速了网络训练过程。     

大学生人格与其学习绩效关系研究初探

人格是影响学习的重要因素,深入探讨人格特征与学习之间的关系,能为提升学生学习绩效提供科学认知,有着重要现实意义。在分析人格与学习绩效非线性、复杂性关系的基础上,通过BP人工神经网络模型建模,实现大五人格各因素及其整体的非线性映射,探索提高学习者学习绩效的新途径,希望能为个性化教学和素质教育提供有益的一种思路。     

Latent semantic analysis as a tool for learner positioning in learning networks for lifelong learning

As we move towards distributed, self‐organised learning networks for lifelong learning to which multiple providers contribute content, there is a need to develop new techniques to determine where learners can be positioned in these networks. Positioning requires us to map characteristics of the learner onto characteristics of learning materials and curricula. Considering the nature of the network envisaged, maintaining data on these characteristics and ensuring their integrity are difficult tasks. In this article we review the usability of Latent Semantic Analysis (LSA) to generate a common semantic framework for characteristics of the learner, learning materials and curricula. Although LSA is a promising technique we identify several research topics that must be addressed before it can be used for learner positioning.