自回归神经网络在主汽温控制中的应用

提出了自回归神经网络拓朴结构及其训练算法，把具有两个“自回归神经网络”的复合控制系统用于主汽温控制，一个作为辨识器，另一个作为控制器。仿真结果验证了该控制系统的优越性能，可知在过程控制领域中，神经网络在处理困难问题上，有良好的发展潜力。

自组织递归区间二型模糊神经网络在动态时变系统辨识中的应用

针对动态时变系统辨识过程中存在噪声干扰的问题,本文将区间二型模糊集结合到递归神经网络中,提出了自组织递归区间二型模糊神经网络以增强动态时变系统的抗噪能力。该自组织递归区间二型模糊神经网络由前件和后件两部分构成:前件为区间二型模糊集模型,用于将每个规则的激活强度反馈到自身构成内反馈回路,其参数学习采用梯度下降算法;后件为带有区间权值的Takagi-Sugeno-Kang(TSK)模型,其参数学习采用有序规则卡尔曼滤波算法,且网络初始规则数为零。所有规则均通过结构学习和前后件参数同时在线学习来产生,其网络结构学习采用的是在线区间二型模糊群集。为验证提出的神经网络的优越性,将其应用到单输入单输出动态时变系统的辨识中。实验结果表明,相对于前馈一型/二型模糊神经网络、递归一型模糊神经网络,该神经网络的辨识能力强,即使在存在白噪声的条件下,也能减小测试及训练误差。

基于神经网络的非线性时变对象自适应控制方法研究

针对工业控制中的非线性、时变和滞后被控对象,将神经网络辨识器和PID控制技术有机结合,构建自适应PID控制器,并引入知识先导学习算法,提高时间效率。仿真分析表明:该自适应PID控制器能够自动辨识被控对象模型、自整定控制参数,在辨识误差、响应时间及超调量等指标上均有良好表现。

气动人工肌肉主动悬架系统的可变自整定离散PID控制

构建以气动人工肌肉为新型执行器的车用主动悬架系统实验平台,为简化的基于1/4悬架模型的主动悬架系统设计了基于DRNN神经网络的可变自整定离散PID控制算法,分析了可变自整定离散PID算法的控制性能,为提高气动人工肌肉主动悬架系统的减震性能提供理论依据。

基于进化动态递归模糊神经网络的上肢康复机器人自适应阻抗控制

针对机器人辅助患肢进行康复训练时患肢病情的变化对系统运动平滑性和稳定性造成的影响,在传统阻抗控制方法的基础上,提出了一种基于进化动态递归模糊神经网络(EDRFNN)的新的自适应阻抗控制方法。该方法根据在线辨识得到的患肢机械阻抗参数,运用EDRFNN对目标阻抗控制参数进行动态调整。在调整过程中,首先采用混合进化算法离线优化目标阻抗控制参数,然后再利用基于Lyapunov函数稳定收敛性理论设计的动态BP算法对目标阻抗控制参数在线作进一步的调整。分析和仿真结果表明,这种新的方法较其它阻抗控制方法更能有效地适应患肢病情的变化,且具有较好的平滑性和稳定性。

多层递归神经网络自适应控制及稳定性分析

提出一种基于多层递归神经网络的自适应控制离散时间系统的方法．使用多层递归神经网络及新的动态ＢＰ算法（ＤＢＰ）描述未知系统的输入／输出关系．基于此神经网络模型，提出一种自适应控制方案，并对该方案的闭环稳定性进行了分析．

自递归神经网络预测结构响应

推导了多输出自递归神经网络的学习算法,并基于Lyapunov函数得到保证网络快速收敛的自适应学习率.最后,应用此网络预测一3层建筑结构对于地震的响应.计算机仿真结果表明,网络学习算法的有效性,及此网络预测结构响应的可行性.

融合SDE算法和双路加权门控循环神经网络的股价走势预测模型

关于股票价格走势的预测,传统的操作方法多是通过统计分析工具或者是单一的机器学习算法进行预测,很难准确把握股价这种时间序列数据的非线性和非平稳性等特征,从而使预测精度受限.融合SDE算法与加权BiGRU网络的优化预测模型,先使用SDE全局寻优网络的结构参数,求得最优初始权值、阈值以及权重系数,再将优化的参数应用到改良的加权BiGRU网络模型中进行预测.优化的预测模型能够有选择的考虑过去和未来时间点对当前时刻数据的影响,而且能有效避免局部最优值以及网络的长程依赖问题.实验结果表明,优化的预测模型与其他传统神经网络预测模型相比较,预测误差得到显著降低,预测准确度得到明显增强.