非线性连续系统数学模型的辨识法

本文采用方波脉冲变换法对一类非线性连续系统的混合模型和参数模型进行了辨识,并导出了相应的辨识公式。

BP神经网络在水泥窑控制建模中的应用

水泥窑优化控制建模问题一直是自动化界急于解决的难题。文章利用神经网络的非线性映射、特征抽取和容错能力来解决水泥窑优化控制建模问题,建立了基于BP网络的窑优化操作二层回路控制方案,并针对在BP网络训练中可能出现的一些问题如收敛、局部极小、隐层节点数确定和训练样本集对训练影响等问题进行了分析讨论,并采用了相应的训练策略,以保证训练后网络具有较好的记忆和归纳能力。仿真结果证明了采用这种策略进行训练的正确性。

基于神经网络吸引子纠错译码的初步研究

介绍了利用神经网络吸引子译码的新思想和一种吸引域的分析方法 ,并给出了一个吸引子译码的具体例子。通过计算机模拟说明了吸引子译码的可行性 。

BP 神经网络在窑外分解窑优化控制中的应用

利用 BP神经网络逼近任意非线性函数的功能代替专家系统中的推理机 ,以比推理机更快的速度得到优化控制输出 ,这对于水泥窑一类复杂控制对象的适时控制具有很好的实用价值。通过仿真实验 ,表明 BP神经网络对水泥窑的优化控制规则有很好的记忆功能和泛化功能 ,为水泥窑一类复杂控制对象的优化控制提供了新的方法和思路。

水泥窑一类复杂对象的RBF网络优化控制

利用神经网络的记忆功能和泛化功能，给出水泥窑一类复杂对象优化控制所要求的输入输出关系，以比专家系统推理机更快得到优化控制输出，这对于实时控制十分重要。仿真实验表明采用“局部逼近”的RBF神经网络，从根本上解决了“全局逼近”的BP神经网络收敛速度慢的问题。神经网络对水泥窑的优化控制规则有很好的记忆功能和泛化功能，从而为水泥窑一类复杂控制对象的优化控制提供了新的方法和思路。

Hession矩阵凸性判别法选择凸性目标函数解决ANN学习算法中局部极值问题

误差反传学习算法（即BP算法）是人工神经网络（ANN）中应用最广泛，影响最大的一种ANN学习算法，但是BP算法和其他学习算法一样，存在收敛速度慢和局部极小值问题，采用Hession矩阵凸性判别法选择凸性目标函数，保证学习过程中所求出的目标函数的极小值就是全局极小值，从根本上避免了陷入局部极小值问题和由局部极小值所导致的收敛速度慢的问题，对于ANN学习算法目标函数的选择具有一定指标意义。

非零初始值非线性系统的求解和传递函数的递推计算

本文给出一种非常简便的初始值全零和初始值非零的非线性系统Volterra响应和传递函数的递推求法,且所得传递函数是一个对称化的频域核。

基于经验规则的水泥磨控制

应用泛布尔代数理论分析水泥磨控制规则,得到分层次的泛逻辑图和泛逻辑表达式,对应控制结构上的多级闭环负反馈控制,使得水泥磨规则控制器的设计实现从硬件到软件简单明晰,可靠性和性能指标更好。