基于分布式神经网络递推预报误差算法的非线性系统建模

采用基于递推预报误差算法的分布式神经网络结构建立非线性系统模型 .子神经网络模型及其连接权值均采用递推预报误差方法来进行训练 ,将所有子网络融合得到的分布式神经网络模型在模型精确性和鲁棒性方面有显著地增加 .

广义离散随机线性系统最优递推预报方法及其渐近稳定性

讨论广义离散随机线性系统最优状态估计问题，运用新息理论和射影的方法提出了广义离散随机线性系统最优递推预报器和滤波器。

递推预报误差算法在非线性回归分析中的应用

在非线性回归分析中 ,常用的方法有变量代换法和多项式回归法[1] ,本文针对上述方法的缺点 ,介绍了一种递推预报误差算法 ,并应用于非线性回归分析中。计算结果表明 。

多维ARMR(p,q)模型的适时递推预报

本文讨论了多维 ARMA(p,q)序列的新息预报 。

基于递推预报误差算法的前馈神经网络的设计

该文介绍了一种基于递推预报误差算法的前馈神经网络的实现方法。将该网络应用于非线性系统模型的仿真试验中取得了良好的效果。文中给出了试验的结果,并对该网络的应用进行了讨论。

AR模型的递推预报公式解的显示表示

给出AR(p)模型的递推预报公式的解的显示表示,即表示为p个观察值, xt,xt-1,…,xt-p+1和模型参数(？)1,(？)2,…,(？)

多变量系统输入的递推预报算法

以严格的最小二乘递推算法[1]和约束最小二乘问题的迭代算法[2]为基础,首次提出了p 输入q 输出多变量系统输入的递推预报算法,且从理论上严格地证明了该算法所特有的某些优良性质。

基于机器学习的三维频域格林函数递推预报与应用

频域自由面格林函数法在船体水动力的求解中具有重要应用价值,求解的关键在于自由面格林函数本身及其偏导数的计算。论文分析了自由面格林函数与其偏导数之间的关系,提出了基于机器学习的格林函数及其偏导数的递推预报方法,称为脉动源递推预报方法。研究了在不同参数设置下用该方法预报格林函数的精度和效率,并将其应用于S175船的水动力计算。计算得到的自由面格林函数的精度在10^(-3)~10^(-6);计算效率优于数值方法,与解析方法相当;水动力计算结果准确,计算方法具有实用价值。

采样时间序列的滑动递推容错预报算法

在导出线性模型系数递推最优辨识算法的基础上 ,探讨了滑动线性预报器的容错改进 ,建立了简洁、实用的滑动递推容错预报算法。通过仿真计算验证了算法的有效性。

具有一步随机滞后和丢包多传感器系统分布式递推融合预报器

研究了具有一步随机滞后和丢包多传感器系统的分布式递推融合估计问题。利用满足伯努利分布的随机变量描述传感器到估计器的随机滞后和丢包现象。通过定义新变量,将原系统等价地转化为随机参数化系统。基于局部最优线性估值,局部估值之间的互协方差阵,以及先验融合估值和局部估值之间的互协方差阵,提出了分布式递推融合预报算法。给出稳态预报器存在的一个充分条件。通过仿真验证其有效性。

应用递推神经网络的传感器动态建模研究

根据动态校准实验结果建立传感器的动态数学模型 ,以研究传感器的动态性能 ,是动态测试的一个重要内容。研究了递归神经网络模型在传感器动态建模中的应用。递归神经网络模型采用具有输入层、中间层、输出层的三层网络结构 ,整个网络的特性决定于相邻层间的连接权。采用递推预报误差算法训练神经网络 ,具有收敛速度快、收敛精度高的特点。由于其反馈特征 ,使得递归神经网络模型能获取系统的动态响应特性。该方法特别适用于传感器非线性动态建模 ,而且避免了传感器模型阶次的选择的困难。试验结果表明 。

一种递推辨识算法

根据最小二乘预报误差的变化规律,本文给出一种能在线同时辨识系统阶数和参数的递推算法——递推预报误差法。

一种多步递推广义预测自适应控制

提出了一种基于多步递推预测的广义预测自适应控制算法。由于本算法是利用在线辩识参数直接递推求解控制律，从而大大减少了计算量，便于在微机上用汇编语言实现。

基于对角递归神经网络的建模及应用

介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性.

一种递归神经网络的快速并行算法

针对递归神经网络BP(Back Propagation)学习算法收敛慢的缺陷,提出一种新的递归神经网络快速并行学习算法.首先,引入递推预报误差(RPE)学习算法,并且证明了其稳定性;进一步地,为了克服RPE算法集中运算的不足,设计完整的并行结构算法.本算法将计算分配到神经网络中的每个神经元,完全符合神经网络的并行结构特点,也利于硬件实现.仿真结果表明,该算法比传统的递归BP学习算法具有更好的收敛性能.理论分析和仿真实验证明,该算法与RPE集中运算算法相比可以大大节省计算时间.

准对角递归神经网络及其算法的研究

提出一种准对角递归神经网络(QDRNN)结构及学习算法。此QDRNN结构上与对角递归神经网络(DRNN)相似,保留了DRNN结构简单的优点,以减小计算量,同时增加了相邻递归神经元之间的关联,可以直接应用BP学习算法进行训练。进一步,引入递推预报误差(RPE)学习算法,并且证明了其稳定性。仿真结果表明,QDRNN比DRNN具有更好的非线性逼近能力,而运算时间却增加甚微,DRNN的学习算法稍加变化即可应用。

改进RPE算法的神经网络在客户欺诈预测中的应用

客户欺诈在一定程度上抑制了消费,这会妨碍电信运营商和电信用户的亲密度,从而削弱电信运营商的市场竞争力。客户欺诈现象存在非常复杂的多元非线性关系,从统计学角度出发,难以建立预测模型,针对这些问题,提出了基于递推预报误差(RPE)算法神经网络的方法建模,并采用改进的动态遗忘因子方法保证了平稳收敛。实验结果表明,用该算法预测客户欺诈的危险度效果优于BP神经网络模型,具有实用性和有效性。

递归神经网络的RPE算法及其在非线性动态系统建模中的应用

针对递归神经网络BP学习算法收敛慢的缺陷 ,通过引入递推预报误差 (RPE)学习算法 ,提出一种新的递归神经网络快速学习算法·该算法的基本原理是沿着指标函数的Gauss Newton搜索方向修正权值 ,同时不必计算二阶偏导数和进行矩阵求逆运算·仿真结果表明 ,该算法比传统的递归BP学习算法具有更快的收敛速度 。

基于动态非线性逼近的非线性系统预测控制

对于一类常见多重时滞非线性离散系统,提出基于动态非线性逼近的增量型最小化递推预测模型、广义预测控制律、噪声估计器以及参数自适应递推预报算法,实现了对存在较大滞后的时滞非线性系统的广义预测控制.仿真结果表明了该算法的正确性和有效性.

人工肌肉系统神经网络建模与控制

针对广泛应用于医疗机器人等领域的空气压人工肌肉的非线性特性 ,运用神经网络模型 ,对人工肌肉系统进行建模与控制。设计了一个具有单关节的人工肌肉试验系统。采用递推预报误差 (RPE)算法来训练神经网络 ,并给出了RPE算法的具体实现 ,该算法与传统的BP算法相比具有更好的收敛特性。讨论了不同的输入向量和不同的隐层节点数对建模结果的影响。在此基础上提出了一种基于神经网络的人工肌肉系统非线性控制结构 ,并给出了人工肌肉关节跟踪正弦波和矩形波参考信号的试验结果。试验结果表明 ,采用神经网络模型对人工肌肉系统进行建模与控制 ,能有效地克服人工肌肉系统的非线性 ,能够得到更快的控制速度和更高的控制精度。