带有稳定学习算法的小波神经网络及应用

针对当系统存在未建模动态时,神经网络辨识易产生参数漂移和不稳定的问题,采用输入-状态稳定性(ISS,input-to-state stability)分析方法,获得小波神经网络权值矩阵和小波尺度参数的误差反传类时变学习算法,该算法不带有鲁棒修正即可以实现小波神经网络的鲁棒稳定性.仿真例子表明,此稳定学习算法优于一般的误差反传算法,并将带有稳定学习算法的小波神经网络用于污水处理过程出水水质COD(化学需氧量,chemical oxygen demand)的预测,获得了较好的效果.

稳定RBF神经网络的在线软测量建模方法

针对RBF（Radial Basis Function）神经网络在存在未建模动态或不确定干扰时,采用梯度下降法建模出现不稳定、实时性和鲁棒性较差的问题,提出了带有稳定学习算法的RBF神经网络在线软测量建模方法。以隐含层径向基函数为Gaussian函数的RBF神经网络为例,通过分析ISS（Input-to-State Stability,输入到状态稳定性）-Lyapunov函数,得到网络权值和径向基函数参数的稳定学习算法,并证明RBF神经网络辨识误差的有界性。稳定学习算法可抑制过程未建模动态和不确定干扰的影响,使软测量模型具有较高的预测精度和自适应能力。以非线性对象和实际污水处理过程为例进行了仿真,结果表明,以稳定RBF神经网络建立的软测量模型具有较好的鲁棒性和在线软测量性能。