摘要：经典 NARX 回归神经网络在应用时需要确定输入和输出的延时阶数、隐层神经元数目等三个结构参数,给神经网络的设计造成了很大的困难。为了克服这一缺陷,根据生物神经元机能提出了一种新的动态神经元模型,并将其用于经典 NARX 回归神经网络中,形成了一种改进的 NARX 回归神经网络。新的神经网络在应用时只需确定隐层神经元数目,从而简化了神经网络的结构设计。本文还进一步从理论上分析了该神经网络与经典 NARX 回归神经网络的等效关系,并用李雅普诺夫(Lyapunov)稳定性原理证明了该网络的稳定性。仿真试验表明,新的神经网络不仅辨识能力优于经典 NARX 回归神经网络,而且泛化能力得到了明显提高。

摘要：针对航空发动机参数非线性动态特性,提出一种基于外部输入非线性自回归(NARX)神经网络的发动机参数动态辨识模型。主要思路是根据NARX网络的非线性时序预测特性,结合发动机参数的稳态和动态参数,提出一种基于偏稳态差值预测的NARX参数动态模型结构。设计了SP-P辨识结构,整定了模型内部结构参数并建立N1(低压转子转速)、N2(高压转子转速)、EGT(涡轮后排气温度)参数非线性差分预测模型。最后依据某发动机试车样本,对推杆加减速时N1、N2、EGT动态辨模型进行仿真。仿真结果表明,N2相对误差小于0.2%,N1相对误差小于0.3%,EGT相对误差小于1℃,满足发动机试车仿真需要。最后,将所建模型应用于某A320机务维修训练器的发动机仿真系统。

摘要：动态称重技术是目前产品定量包装领域十分关心的问题,如何提高称重的精度和速度是动态称重的难题之一。基于定量包装的动态组合秤实验数据,采用等效系统的方法对动态称重数据进行处理,提出了基于非线性系统辨识的滤波方法,并设计适合动态称重数据的尺度函数对快速性和稳定性进行评估。结果表明,该方法较之传统的平滑数据滤波方法,有效提高了测量的快速性。

摘要：研究非线性系统辨识的一种新方法-直接加权优化辨识,对于该方法中未知权重值求取,采用统计学习理论中的最小概率准则作为逼近的误差准则函数。最小概率策略选择为最小化估计误差边界应小于某指定门限值的概率,此估计误差边界来源于有限个数的数据点。将最小概率准则转化为一个最大化问题,对于此最大优化问题,通过代数运算来求解此最大化问题以得到未知权重值的显式表达式。权重估计值有类似核估计的渐近收敛特性,且为独立未知噪声方差值的显式形式。最后用仿真算例验证本文方法的有效性。

摘要：该文提出了一种基于模糊逻辑的电路动态特性行为建模方法。该方法基于非线性动态系统辨识理论,以精心设计的激励信号下的瞬态响应的抽样值为样本,利用模糊逻辑系统的万能函数逼近能力来逼近电路外部端口的动态特性。介绍了建模的原理与过程,给出了一个具体电路的例子,证明方法是可行的。