导读:本文包含了一般化学习网络论文开题报告文献综述及选题提纲参考文献，主要关键词:一般化学习网络,连续搅拌反应釜,时间延迟,神经网络内模控制
一般化学习网络论文文献综述
张伟,李大字[1]（2009）在《改进的一般化学习网络内模控制在CSTR中的应用》一文中研究指出以连续搅拌反应釜(CSTR)为例,通过对一般化学习网络(ULN)分支上时间延迟的优化训练,提高了CSTR这类具有滞后环节的复杂非线性系统的建模精度。将一般化学习网络和模糊理论相结合,提出了一种改进的神经网络内模控制方法(改进的ULN-IMC)。仿真结果表明,改进的ULN-IMC可有效的提高CSTR的跟踪和抗扰动定值控制过程。(本文来源于《北京化工大学学报(自然科学版)》期刊2009年04期）
张伟[2]（2009）在《基于一般化学习网络的非线性系统预测、辨识及内模控制方法研究》一文中研究指出人工神经网络由于具有非线性映射、自学习、自适应与函数逼近、大规模并行分布处理等功能,被广泛应用到时间序列预测,非线性系统建模及智能控制中。与传统的神经网络相比,一般化学习网络(Universal Learning Network,ULN)具有简洁、紧凑、易操作的网络结构,网络各节点之间具有多重双向连接,各节点之间的分支数和分支上的延迟时间可以任意设置,是现有神经网络结构的一个超集。本文在前人研究的基础上,针对混沌时间序列预测、非线性多变量系统辨识、内模控制等,主要做了以下工作:1、结合基本粒子群算法(PSO)和梯度下降法,提出一种混合的粒子群算法,并将其应用到一般化学习网络的训练中,通过对典型Logistic混沌时间序列的成功预测,说明了这种优化算法的有效性。2、基于酿酒酵母发酵过程的非线性状态方程,充分利用一般化学习网络结构中节点和分支的特点,提出了一种基于状态方程的一般化学习网络辨识结构,仿真结果说明,这种新结构比传统的结构更具有目的性和物理含义、辨识精度更高。3、以连续搅拌反应釜(CSTR)为例,对现有一般化学习网络分支上的时间延迟进行优化训练,辨识结果表明,这种改进可以有效的提高CSTR这类具有滞后环节的复杂非线性系统的建模精度4、将一般化学习网络和模糊理论相结合,提出了一种改进的神经网络内模控制方法(改进的ULN-IMC)。仿真结果表明,改进的ULN-IMC可有效的提高CSTR的跟踪和抗扰动定值控制过程。(本文来源于《北京化工大学》期刊2009-05-29）
李大字,刘霞[3]（2008）在《一般化学习网络及其对化学反应器的建模应用(英文)》一文中研究指出本文研究了一般化学习网络(Universal Learning Network)在多变量连续釜式反应器(CSTR)系统的建模应用.一般化学习网络具有节点之间有多重分支、任意2个节点互连且节点之间可具有任意的时间延迟的特点,因此能够应用在高度非线性复杂系统的辨识中.分别用一般化学习网络和常规的递归神经网络对多变量连续釜式反应器(CSTR)进行系统辨识比较,仿真结果验证了一般化学习网络结构比递归神经网络Elman的辨识精度更高,且网络结构更简洁紧凑的特点.(本文来源于《计算机与应用化学》期刊2008年06期）
刘霞[4]（2008）在《一般化学习网络在非线性系统辨识及预测控制中的应用研究》一文中研究指出智能预测控制是针对复杂的受控系统,采用某种智能模型与典型的预测控制算法相结合构成的一类智能型预测控制系统,它弥补了传统预测控制算法精度不高、仅适用于线性系统、缺乏自学习和自组织功能、鲁棒性不强的缺陷。智能预测控制可以处理非线性、多目标、约束条件等异常情况。因此,智能预测控制是当前预测控制研究的热点之一。本文主要研究一种新型神经网络即一般化学习网络(Universal Learning Network)在非线性系统辨识以及预测控制中的应用。一般化学习网络具有节点之间有多重分支、任意两个节点互连且节点之间可具有任意的时间延迟的特点,因此能够应用在高度非线性复杂系统的辨识中。本文首先详细介绍了一般化学习网络的结构以及学习算法后,将该网络应用于对机器人手臂的实测信号进行系统辨识,通过系统仿真验证了具有多重分支的一般化学习网络优于单分支的神经网络。然后分别用一般化学习网络和常规的递归神经网络Elman对多变量连续釜式反应器(CSTR)进行系统辨识比较,仿真结果进一步验证了一般化学习网络结构比递归神经网络Elman的辨识精度更高,且网络结构更简洁紧凑。基于一般化学习网络对复杂系统良好的辨识能力,本文提出了将一般化学习网络应用于非线性系统预测控制中,利用一般化学习网络构建一个一般化学习网络预测模型(ULNP)来预测模型未来时刻的输出值,然后利用BP神经网络控制器(NNC)实现基于模型的预测控制。本文详细描述了一般化学习网络预测模型和神经网络预测控制器模型及其在线学习的推导过程。仿真结果证实了所提出算法能够提供满意的跟踪性能。(本文来源于《北京化工大学》期刊2008-04-15）
一般化学习网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
人工神经网络由于具有非线性映射、自学习、自适应与函数逼近、大规模并行分布处理等功能,被广泛应用到时间序列预测,非线性系统建模及智能控制中。与传统的神经网络相比,一般化学习网络(Universal Learning Network,ULN)具有简洁、紧凑、易操作的网络结构,网络各节点之间具有多重双向连接,各节点之间的分支数和分支上的延迟时间可以任意设置,是现有神经网络结构的一个超集。本文在前人研究的基础上,针对混沌时间序列预测、非线性多变量系统辨识、内模控制等,主要做了以下工作:1、结合基本粒子群算法(PSO)和梯度下降法,提出一种混合的粒子群算法,并将其应用到一般化学习网络的训练中,通过对典型Logistic混沌时间序列的成功预测,说明了这种优化算法的有效性。2、基于酿酒酵母发酵过程的非线性状态方程,充分利用一般化学习网络结构中节点和分支的特点,提出了一种基于状态方程的一般化学习网络辨识结构,仿真结果说明,这种新结构比传统的结构更具有目的性和物理含义、辨识精度更高。3、以连续搅拌反应釜(CSTR)为例,对现有一般化学习网络分支上的时间延迟进行优化训练,辨识结果表明,这种改进可以有效的提高CSTR这类具有滞后环节的复杂非线性系统的建模精度4、将一般化学习网络和模糊理论相结合,提出了一种改进的神经网络内模控制方法(改进的ULN-IMC)。仿真结果表明,改进的ULN-IMC可有效的提高CSTR的跟踪和抗扰动定值控制过程。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
一般化学习网络论文参考文献
[1].张伟,李大字.改进的一般化学习网络内模控制在CSTR中的应用[J].北京化工大学学报(自然科学版).2009
[2].张伟.基于一般化学习网络的非线性系统预测、辨识及内模控制方法研究[D].北京化工大学.2009
[3].李大字,刘霞.一般化学习网络及其对化学反应器的建模应用(英文)[J].计算机与应用化学.2008
[4].刘霞.一般化学习网络在非线性系统辨识及预测控制中的应用研究[D].北京化工大学.2008