摘要：Volterra级数作为一种非线性系统模型,因其具有坚实的理论基础、简洁的表示形式和明确的物理意义,在许多领域引起了广泛的研究兴趣。Volterra级数实际应用的难点在于Volterra核的辨识,随着核阶次的增加待辨识参数的数量呈指数增长。为了减少待辨识参数,文章以分段二次多小波为基函数将Volterra一阶核和二阶核展开,将问题转化为少数展开系数的估计问题。通过典型的非线性振荡器进行验证,结果表明Volterra核的辨识结果非常接近于理论值,同时由Volterra级数能准确计算系统在不同输入下的响应。此外,针对常用的输入信号无法反映非线性系统中不同频率相互作用产生的非线性影响,文中设计了一种适合于二阶核辨识的输入,称为二维扫频,与常用扫频信号相比,试验结果表明这种输入明显能更好地激励系统的非线性特性。

摘要：结合已知机理信息构造动态神经网络 ,进行了非线性动态系统的建模 ,给出了权值调整算法。利用获得的模型 ,设计了反馈线性化控制器。由训练好的网络在线提供反馈线性化所需要的信息。为了解决模型失配问题 ,采用内模控制结构来引入模型的误差反馈 ,以消除稳态误差。文中给出了仿真实例。

摘要：针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样复杂的动态特性,其对非线性系统具有很好的建模能力.

摘要：为了实现模糊神经网络结构和参数的同时调整,提出一种基于无迹卡尔曼滤波(UKF)的增长型模糊神经网络(UKF-GFNN).首先,利用UKF对模糊神经网络的参数进行调整;然后,设计一种基于隐含层神经元输出强度的模糊规则增长机制,实现模糊神经网络的结构增长;最后,将所提出的增长型模糊神经网络应用于非线性系统建模.实验结果显示,基于UKF的增长型模糊神经网络能够实现结构和参数的自校正,并且具有较高的建模精度.

摘要：为了提高模糊神经网络(FNN)的收敛速度和泛化能力,提出一种基于混合梯度下降算法(HG)的模糊神经网络(HG-FNN).HG-FNN通过设计FNN参数调整过程的自适应学习率,利用链式法则获取FNN参数学习过程的梯度,在实现FNN参数自校正的同时,给出HG-FNN的收敛性证明,保证HG-FNN的收敛速度和泛化能力.最后,将所设计的HG-FNN应用于非线性系统建模与污水处理过程关键水质参数预测,实验比较结果显示,HG-FNN不仅具有较快的收敛速度,而且具有较好的泛化能力.

摘要：针对径向基神经函数(RBF)网络隐层结构难以确定的问题,本文介绍了一种基于神经元特性的RBF神经网络自组织设计方法,该方法将神经元的激活活性、显著性、相关性相结合设计RBF(ASC–RBF)神经网络.首先利用神经元的激活活性,实现隐含层神经元的自适应增加,结合神经元的显著性以及神经元之间的相关性,实现神经元的自适应替换和合并,完成网络自组织设计并提高网络的紧凑性,然后利用二阶梯度算法对网络参数进行修正学习,保证了RBF网络的精度;另外,针对网络结构自组织机制给出了稳定性分析;最后通过两个基准非线性系统建模仿真实验以及实际污水处理过程水质参数预测实验验证,证明该算法的有效性.对比实验结果表明, ASC–RBF神经网络与现有的自组织网络相比,在保证泛化性能的同时,该网络的训练速度更快,而且有更紧凑的网络结构.

摘要：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。

摘要：针对化工工程中连续搅拌釜式反应器难以稳定控制的问题,提出一种基于自适应积分滑模控制的方法;根据连续搅拌釜式反应器系统结构建立的被控系统模型分别设计有限时间状态观测器和扰动观测器,通过观测器的估计结果对未知扰动信号进行补偿;基于系统的跟踪误差,引入积分滑模面,设计自适应变比例增益趋近律来消除系统抖振;利用Lyapunov函数证明控制系统的稳定性。仿真结果表明,该控制方法具有良好的抗干扰性能,能够实现对连续搅拌釜式反应器系统的稳定控制。

摘要：针对质子交换膜燃料电池(PEMFC)系统过于复杂,难以建模,而已建立的模型难以满足PEMFC控制系统设计和应用的要求。本文利用神经网络具有逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到PEMFC强非线性系统的建模中,避开了PEMFC系统内部的复杂性。模型以电池工作温度为神经网络辨识模型的输入量,电池电压、电流密度为输出量,利用500组实验数据作为训练样本,采用改进型BP算法,建立了不同温度下电池电压-电流密度动态响应模型。仿真结果表明,方法可行,建立的模型精度较高,从而为设计PEMFC实时控制系统奠定了基础。

摘要：基于非线性函数逼近问题的相关问题一直是工程应用领域研究的热点问题,如传感器修正、产品设计仿真及机器人控制等,要求模型能够有效处理大样本高维非线性数据而且能够达到高精度、高鲁棒性及强泛化能力等性能表现,而目前的传统浅层模型均难以满足这些具体要求,在充分分析并研究现有典型深度学习模型后,得出深度学习模型能够实现对任意高维非线性复杂函数进行逼近的可行性,并提出相对传统浅层模型具有更优异性能表现的深度学习模型的设计方法。