动态递归模糊神经网络及其BP学习算法

提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法,仿真结果表明对于动态系统的辨识,动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.

动态T-S递归模糊神经网络观测器状态辨识

传统模糊神经网络是一种静态映射，不适宜用于感应电机状态辨识。为提高系统辨识精度，提出一种动态T-S递归模糊神经网络观测器。根据动态递归神经网络观测器模型推导其动态反向传播算法，并利用Lyapunov定理证明该观测器具有全局收敛性。仿真结果表明：由于动态T-S递归模糊神经网络观测器同时利用了当前数据和历史数据进行状态辨识，较传统模糊神经网络观测器在辨识精度和稳定性方面具有更好的效果，且具有更好的收敛性。

基于动态递归模糊神经网络的水轮发电机组建模

针对水轮发电机组的复杂动态特征,提出一种新的动态递归模糊神经网络结构,并将其应用于解决水轮发电机组的建模问题.通过在网络规则层引入乘积运算,使得复杂模糊规则容易提取,模糊推理功能易于实现.在网络隐层中引入局部递归单元,该方法能克服基于反向误差传播的静态网络辨识动态系统的局限性,提高辨识水轮发电机组动态特性的准确性.通过与其他智能方法的仿真比较,验证了所提出方法的有效性.

基于动态递归模糊神经网络的动态系统辨识

模糊系统和神经网络由于具有逼近任意连续非线性映射的特性而广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识,而现实工程中的控制对象反映的是系统的动态行为.为了提高动态系统的辨识精度,提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导其动态反向传播学习算法及其改进算法.仿真结果表明:由于动态模糊神经网络的辨识过程同时利用了系统的当前数据和历史数据,对动态系统的辨识,特别是对具有纯时间延迟动态系统的辨识,较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.同时,确定网络权值和隶属函数参数初始值的方法可使动态系统的辨识过程具有更快的收敛速度.

Elman网络在Smith预测控制中的应用

Smith预测控制在实际应用中的难点在于很难得到实际系统精确的数学模型。通过Elman网络拟合传统Smith估计器的模型误差,并对其进行补偿。实验结果表明,这种基于Elman网络补偿模型的Smith预测控制充分利用了神经网络的非线性拟合能力,只要对纯滞后环节精确建模,就可以完全抵消纯滞后环节对控制品质及系统稳定性的不利影响。

非线性系统的回归网络辨识(英文)

针对未知非线性系统的辨识问题 ,本文提出了一种新型的回归网络模型 .证明了该网络模型在一定条件下能够逼近非线性系统的输入输出关系 ,提出了用于训练网络前向连接和反向连接权值的动态反向传播算法 .

Approximation Property of the Modified Elman Network

A new type of recurrent neural network is discussed, which provides the potential for modelling unknown nonlinear systems. The proposed network is a generalization of the network described by Elman, which has three layers including the input layer, the hidden layer and the output layer. The input layer is composed of two different groups of neurons, the group of external input neurons and the group of the internal context neurons. Since arbitrary connections can be allowed from the hidden layer to the context layer, the modified Elman network has more memory space to represent dynamic systems than the Elman network. In addition, it is proved that the proposed network with appropriate neurons in the context layer can approximate the trajectory of a given dynamical system for any fixed finite length of time. The dynamic backpropagation algorithm is used to estimate the weights of both the feedforward and feedback connections. The methods have been successfully applied to the modelling of nonlinear plants.

基于FPGA的神经网络在非线性实时系统辨识中的应用

针对动态系统的辨识问题,设计一种采用现场可编程门阵列(FPGA)实现输出反馈递归模糊神经网络进行非线性动态系统辨识的方法。输出反馈递归模糊神经网络能够实现非线性动态系统的高精度快速辨识,但神经网络复杂的并行结构需要较长的运算时间,限制了它在实时控制和在线系统辨识中的应用。由于FPGA具有并行运算能力,使它在神经网络实现上具有本质的优势。因此,利用NI公司的高性能FPGA板卡以及LabVIEW图形化编程定义FPGA芯片上的逻辑功能,实现具有动态反向传播算法的输出反馈递归模糊神经网络以及舵机位置伺服系统的在线辨识。实验结果表明:基于FPGA的神经网络实现系统辨识周期在毫秒范围内,为非线性实时系统辨识的应用提供了一条新途径。