神经网络辨识非线性系统

针对含有高阶不确定扰动项且不可参数线性化的一类非线性系统, 采用反步递推方法设计基于多层神经网 络的自适应控制器. 多层神经网络可较好地逼近非线性系统, 其权值能在系统先验知识不多的情况下在线调整.

针对传统模型参数辨识方法和遗传算法用于模型参数辨识时的缺点,提出了一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法强大的优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中

针对非均匀多采样率非线性系统辨识问题, 提出一种基于模糊模型的辨识方法. 首先, 分析了非线性系统在输入信号非均匀周期刷新, 输出信号周期采样的情况下, 非线性系统可以通过提升技术, 利用多个局部的线

利用Vo lter ra 泛函级数描述非线性系统, 将非线性系统辨识问题转化为标准的最小二乘问题, 并通过QR 分解进行求解。在对输入矩阵P 进行Househo lder 变换过程中, 提出利用输入向

探讨减少非线性系统广义脉冲响应函数( GIRF) 盲辨识所需计算量问题。基于线性 MIMO 模 型, 应用多项式矩阵理论和子空间盲辨识技术,研究使用部分噪声向量对非线性 Vo lter r a系统的

（1）不要求建立实际系统的辨识格式，即可以省去选择模型这一步，因为神经网络本质已作为一种辨识模型，其可调参数反映在网络内部的权值上。（2）可以对本质非线性系统进行辨识。而且是通过在网络外部拟合系统的输

人工神经网络具有并行处理能力、自学习能力、自适应能力和以任意精度逼 近任意非线性函数的特点，在模式识别、系统辨识、控制等领域都得到了广泛的 应用。本文就神经网络在模式识别与系统辨识方面的应用展开研究，

针对高阶正交幅度调制和大线宽相干光正交频分复用(CO-OFDM)系统,提出了一种基于广义回归神经网络(GRNN)的非线性均衡算法。将接收端进行相位噪声恢复之后的批量数据作为训练数据样本,通过训练学习得

针对一类非线性关联大系统在结构扩展时的跟踪控制问题, 提出一种采用自适应神经网络的控制方法. 该方法要求在不改变原结构系统控制律的前提下设计新加入子系统的控制律和自适应律, 使扩展后所有子系统都具有很

针对一类未知非线性时滞关联大系统,提出一种自适应神经网络分散跟踪控制方案.采用神经网络逼近各子系统内部的非线性函数和关联项中的时滞非线性函数;利用占有方法处理时滞项, 采用Backstepping技术