基于正交函数网络的不确定混沌系统的控制

提出了基于正交函数网络的不确定混沌系统的自适应控制方法.通过利用计算简单、收敛速度快的单隐层正交函数神经网络,构建了一类不确定混沌系统的控制器.利用李雅普诺夫稳定性定理得到了该网络控制器的权值更新规则并保证了权值误差和跟踪误差的有界性.该控制器不仅能够保证混沌系统以有界误差对指定轨迹进行精确跟踪,也能够使有外部扰动的混沌系统快速跟踪一个指定的轨迹.最后,利用陈氏混沌系统和Lorenz系统进行了系统仿真,结果表明了该控制器在混沌控制中的有效性.

径向基函数神经网络正交最小二乘改进算法的实现

综合现有文献提出的径向基函数 (RBF)神经网络关于正交最小二乘学习算法 ,对它作了改进 ,增加对于回归矩阵线性无关的判断及 β值调整的方法 ,提出具体编程实现。

基于正交最小二乘的傅立叶神经网络结构选取方法

针对傅立叶神经网络基频选取及隐含层神经元数目难以确定这一问题,提出一种基于正交最小二乘的傅立叶神经网络结构选择方法。该方法依据傅立叶神经网络激活函数是一系列不同函数的特点,给定一个较小的基频,把一系列关于基频整数倍的正余弦函数作为可供选择的激活函数集,然后由正交最小二乘算法选择对网络性能贡献显著的函数作为激活函数,并简化网络结构。以聚合反应器为对象的建模仿真研究表明,正交最小二乘算法可以更有效地确定傅立叶神经网络结构。