基于平淡粒子滤波的自组织模糊神经网络算法

提出一种基于平淡粒子滤波(UPF)的自组织模糊神经网络(SOFNN)训练算法——UPF-SOFNN。分析了基于误差下降率的模糊规则增删策略和神经元增加和删除准则,建立了以隶属函数宽度参数为状态,以理想输出为量测的动力学模型,并利用UPF对神经元参数进行学习。分别以非线性系统函数逼近和系统辨识为例,对UPF-SOFNN算法进行了仿真验证,表明UPF-SOFNN算法具有更紧凑的结构和较强的泛化性能。

基于子系统的非线性时变系统辨识方法

针对非线性时变系统提出一种基于子系统的辨识方法,用于时变多自由度(multiple degree-of-freedom,简称MDOF)系统中非线性的定位和估计,并且无需关于系统的先验知识。所提出的新方法提供一个连续时间模型,MDOF系统按照自由度被分解为不同的子系统。设计正交化算法和误差减小率(error reduction ratio,简称ERR),可以确定子系统中质量和自由度之间的线性及非线性连接的所有信息。在辨识过程中,时变参数的时间表达式可以由新方法准确给出。用一个3自由度(degree-of-freedom,简称DOF)集中质量系统和一个机械臂结构的辨识过程为例,对所提出的方法进行验证。由于简单性及高效性,此方法将在实际工程中取得广泛的应用。