构造性分片线性神经网络逼近

针对非线性系统建模中用标准连续分片线性神经网络(SCPLNN)模型拟合二维平面上离散点的问题,依据逼近误差最小化的原则,提出了一种优化的三角形剖分算法进行区域划分。采用特征点代替采样点进行剖分,并给出了基于这种区域划分的SCPLNN模型逼近算法。将此逼近算法与基于Delaunay剖分SCPLNN模型逼近算法、典范分片线性表示的链接超平面逼近算法进行比较。实验结果表明,基于最优三角形剖分SCPLNN模型逼近算法可以有效和快速提高拟合精确度。

分片线性神经网络逆系统方法的内模控制

为提高传统逆系统方法的跟踪精度和抗干扰能力,提出了基于连续分片线性神经网络α阶逆系统方法的非线性内模控制方法。利用标准连续分片神经网络逼近非线性系统的α阶逆模型,将它串连在原系统之前,得到复合的伪线性系统,对该伪线性系统应用内模控制策略进行控制,并分析了闭环系统的性能。仿真结果表明:该方法跟踪效果好、抑制干扰能力强,且设计简单,是解决非线性系统控制的一种可行的方法。