广义回归神经网络的改进及在预测控制中的应用 the generalized regression neural network and its application to predictive control.pdfVIP

下载本文档

4
0
约1.18万字
约 4页
2017-08-25 发布于上海
举报
版权申诉

广义回归神经网络的改进及在预测控制中的应用 the generalized regression neural network and its application to predictive control.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

广义回归神经网络的改进及在预测控制中的应用 the generalized regression neural network and its application to predictive control

26卷第6期微电子学与计算机 Vd．26No．6 2009 2009年6月 MICROELECTRONICSCOMPUTERJune 广义回归神经网络的改进及在预测控制中的应用王少福1，张金磊2，赵仕俊1，杨卫东1 (1北京科技大学信息工程学院，北京100083；2中国石油大学计算机与通信工程学院，山东东营257061) 摘要：针对广义回归网络的模式层单元数目与样本数量成正比的问题，提出了基于相似度衡量的模糊均值聚类的样本精简方法．针对广义回归网络在时变环境下难以确定平滑因子，自适应能力弱的缺点，提出了一种基于贡馘率的选择优化方案．仿真结果表明，改进后的GRNN有较快的处理速度和较强的自适应能力，能够在实际应用中很好地辨识较为复杂的非线性时变系统．关键词：广义回归神经网络；模糊均值聚类；平滑因子；系统辨识；预测控制中图分类号：TPl83 文献标识码：A 文章编号：1000—71踟(2009)06—0032—04 TheGeneralized NeuralNetworkand Regression Its toPredictiveControl Application WANG O Shao-ful，ZHANGJin—lei2，ZH Shi-junl，YANGWei—don91 Schooloflnfommtion ofScienceand (1 Engineering，BeijingUniversity Technology，Beijing100083，China； 2Sckd0f and㈣cation of 257061，China) ComptltelScience El=lg．m艘吨，alimUniversityPetroletan，Dongying thedefectthat noal-onsare tOthenumberofthe methodof Abstract：For patternlayer proportional trainingsamples，the tOdecrease is the ishard mefln8 basedon index defectthatit todetermine fuzzy clustering similarity samplesproposed．For the in basedon ratiois smoothingpara／netertime-varyingoonditions，theadaptiveoptimizingstrategy contributingpro- simulationresultsshowthatthe GRNNhasfast and can posed．The improved solvingspeedgoodadaptability．Itapproach nonlinear well． complex time-varyingsystems means