带后续迭代的双极S函数激励的WASD神经网络

结合Levenberg-Marquardt算法以及权值直接确定法这两种用于神经网络学习训练的方法,提出了一种带后续迭代、面向双极S(sigmoid)激励函数神经网络的权值与结构确定(weights-and-structure-determination,WASD)方法。该方法与MATLAB软件神经网络工具箱相结合,可以解决传统神经网络普遍存在的学习时间长、网络结构难以确定、学习能力和泛化能力有待提高等不足,同时具有较好的可行性和可操作性。以非线性函数的数据拟合为例,计算机数值实验和对比结果证实了WASD方法确定出最优隐神经元数和最优权值的优越性,最终得到的WASD神经网络具有更为优异的学习性能和泛化性能。

不匹配不确定线性系统滑模控制设计

滑模控制方法对处理满足匹配不确定的外部扰动或模型不确定具有很好的鲁棒性。然而,很多不确定系统的模型不确定或外部扰动很难满足匹配条件,针对不确定线性系统扰动不满足匹配条件问题设计滑模控制器,为减少扰动影响,将系统不确定扰动通过投影矩阵分成两部分:一部分为匹配扰动,另外一部分为非匹配不确定扰动。经扰动分析知该分解会使不匹配不确定扰动的影响最小并且不会使该部确定的影响放大。根据积分滑模面和滑模趋近律设计滑模控制器,为了进一步减少抖振影响,引入无高频抖振的双极函数代替符号函数。通过Lyapunov稳定定理分析可知,根据积分滑模面和趋近律所设计的控制器的稳定性和鲁棒性能够得到保证。最后,数值仿真算例说明了该方法的有效性。