China S&T Journals

Relevance

Relevance
Publication time

10 per page

10 per page
20 per page
30 items are displayed on each page

34 Articles

利用混合神经网络辨识Hammerstein模型的方法
Authors：李世华李奇李捷
《东南大学学报（英文版）》 Issue 1,2001
Keywords：神经网络非线性系统辨识Hammerstein模型
Abstract：研究了Hammerstein模型的辨识问题,并考虑了多输入多输出(MIMO)情况.提出一种混合神经网络辨识模型,该模型由一个多层前馈神经网络(MFNN)与一个线性神经网络(LNN)串联而成.给出了一个反向传播(BP)算法同步训练该混合神经网络的权值和阈值.仿真结果表明了该方法的有效性.
基于小波网络的非线性系统辨识研究北大核心CSTPCD
Authors：代礼前
《火力与指挥控制》 2006年6期《火力与指挥控制》 Issue 6,2006
Keywords：小波网络免疫算法非线性系统辨识
Abstract：小波网络为非线性系统辨识研究提供了一种有效的方法,但目前用于小波网络学习的进化算法易陷入局部极小等缺陷.结合生物免疫系统的概念和理论,在非线性系统辨识中引入基于免疫算法的小波网络.该算法中抗体通过浓度相互作用的机制来促进或抑制抗体的生成,借此保持抗体的多样性,并产生了高亲和力的抗体对种群进行不断的更新,提高了算法的全局搜索能力和收敛速度.最后,把基于免疫算法的小波网络用于一个非线性系统辨识的标准实例中,仿真结果验证了该算法的有效性.
基于免疫遗传算法的递归模糊神经网络
Authors：徐炜贺占庄黄士坦杨靓
《吉林大学学报（信息科学版）》 Issue 2,2005
Keywords：模糊神经网络免疫遗传算法非线性系统辨识
Abstract：为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性…Download
离散混沌系统的小波模型和定量分析北大核心CSCDCSTPCD
Authors：魏荣李军王执铨卢俊国
《电子学报》 2002年1期《电子学报》 Issue 1,2002
Keywords：混沌系统非线性系统辨识小波模型多分辨分析降维分解
Abstract：本文对一类离散混沌系统提出一种新的多分辨小波模型.利用小波时频局域化特性确定最初的小波模型,根据匹配寻优准则选择最小的模型结构.模型的降维分解结构消除了张量积构造多维小波基在高维空间中的"维数灾"问题.仿真研究不仅表明了该方法辨识混沌系统的有效性,还计算了模型的动态不变量,并与原系统进行了比较.
基于对角递归神经网络的建模及应用北大核心CSCDCSTPCD
Authors：段慧达郑德玲刘聪
《北京科技大学学报》 Issue 1,2004
Keywords：对角递归神经网络非线性系统辨识磷化递推预报误差
Abstract：介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性.
基于支持向量回归的非线性系统辨识北大核心CSCDCSTPCD
Authors：张元林郑南宁贾新春
《信息与控制》 2003年5期《信息与控制》 Issue 5,2003
Keywords：支持向量回归非线性系统辨识贝叶斯证据框架
Abstract：本文将支持向量回归方法应用于非线性系统辨识问题.基于高斯支持向量回归及ε不敏感损失函数的基本思想,本文提出一个非线性系统辨识的新算法,并将其与用于系统辨识的径向基函数神经网络进行了比较.模拟实验表明,支持向量回归方法可以成为非线性系统辨识的有力工具.
自适应GA-SVM参数选择算法研究北大核心CSCDCSTPCD
Authors：刘胜李妍妍
《哈尔滨工程大学学报》 Issue 4,2007
Keywords：机器学习支持向量机支持向量机回归自适应遗传算法非线性系统辨识
Abstract：支持向量机是一种非常有前景的学习机器,它的回归算法已经成功地用于解决非线性函数的逼近问题.但是,SVM参数的选择大多数是凭经验选取,这种方法依赖于使用者的水平,这样不仅不能获得最佳的函数逼近效果,而且采用人工的方法选择SVM参数比较浪费时间,这在很大程度上限制了它的应用.为了能够自动地获得最佳的SVM参数,提出了基于自适应遗传算法的SVM参数选取方法.该方法根据适应度值自动调整交叉概率和变异概率,减少了遗传算法的收敛时间并且提高…Download
混沌时间序列的遗传演化建模北大核心CSCD
Authors：张伟吴智铭杨根科
《电子学报》 2005年4期《电子学报》 Issue 4,2005
Keywords：混沌时间序列分析遗传演化建模非线性参数估计粒子群算法非线性系统辨识
Abstract：从实测时间序列中构造混沌系统的模型是非线性时间序列分析中的一个重要议题,本文利用遗传编程方法(GP),在尽可能大的函数空间内搜索合适的模型结构,并引入粒子群算法(PSO)在动态模型结构情况下进行非线性参数估计,取得了较好效果.此外,演化建模的实现结合了非线性时间序列分析(NTSA)的结果,以NTSA的结果指导演化建模参数的选取并作为模型优劣的评判标准,改进了经典GP算法对混沌系统建模的应用效果.
基于带近邻因子的粒子群算法的非线性系统辨识
Authors：田谦益李莉
《计算机与现代化》 2007年7期《计算机与现代化》 Issue 7,2007
Keywords：近邻因子粒子群优化算法非线性系统辨识
Abstract：针对非线性系统辨识的问题,提出了一种改进的粒子群算法.该算法引入近邻因子,增加了当前粒子的社会学习功能,可有效克服基本粒子群算法易陷于局部最优解的常见弊病.算法对未知非线性系统具有充分的逼近能力,对噪声不敏感,实现了对一类非线性系统的有效辨识.
基于Elman神经网络的非线性动态系统辨识北大核心CSCDCSTPCD
Authors：高钦和王孙安
《计算机工程与应用》 Issue 31,2007
Keywords：非线性系统辨识动态系统动态递归神经网络Elman网络
Abstract：研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识.仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识.

12 3 4 >