反馈神经网络的结构设计学习算法及其应用研究控制理论与控制工程专业论文.docxVIP

国防科学技术大学研究生院学位论文摘要 国防科学技术大学研究生院学位论文 摘要 反馈穆经网络的理论研究和实际应用涉及人工智能、信号处理、非线性控制等众多 领域。目前国内外对反馈神经网络的研究集中在应用领域，而对反馈网络的理论问题研 究则相对欠缺。本文对反馈王络的若干理论问题进行了较为深入的研究，内容涉及反馈 网络的学习算法和网络结构设计，研究对象为反馈多层感知网络、反馈TSK网络和网络 群等。 本文的主要工作如下： (1)设计了一种简洁的局部反馈TSK网络。该网络能解释成简洁的If—Then规则，从 而保持了TSK网络的可理解性。这使该网络明显优于Chia—Feng Juang和 P．A．Mastorocostas所设计的反馈网络； (2)设计了一种基于二阶运算的局部反馈TSK网络。该网络同样能解释成简洁的 If-Then规则，从而保持了TSK网络的可理解性。仿真表明该网络有良好的动态系统处理 能力，说明设计TSK网络时采用二阶运算是可行的： (3)提出了一种基于GA的TSK网络结构优化算法。该算法利用了TSK网络的结构特点， 从而显著提高了算法的执行效率。仿真表明该算法能有效地简化TSK网络的结构： (4)提出了RMLP网络动态导数的快速计算公式。与G．V．Puskorius所给动态导数公式 相比，本文方法的计算复杂度显著降低。仿真时，本文方法的运算时间仅为前者的30％～ 60％，而存储量仅为前者的50％左右； (5)提出了UKF训练P珊ILP网络的快速算法，这是UKF在神经网络领域中的新工作。仿 真时，本文算法能节约80％的计算时问；对UKF(2N．+1)，本文算法能节约90％的存储空间； (6)关于网络群的负相关学习算法，本文证明了一个命题。该命题揭示出负相关算法 的实质是实现多目标优化，并在概念和实现两方面简化了负相关算法； (7)把DEKF算法用于训练模糊多层感知网络。这既为该网络找到了一种高效的学习算 法，又拓展了DEKF算法的应用范围； (8)改进了A．G．Parlos提出的自适应状态滤波方法。本文所作改进使滤波系统易于实 现，并增强了滤波系统的稳健性。 关键词：反馈rISK网络，反馈多层感知网络，模糊多层感知网络，网络群，扩展卡尔曼滤波 Unscented Kaltmn Filter(㈣，动态导敷，自适应状态滤波，负相关学习算法 第i页 ：—；=—：』塑至譬垄尘垒兰垒圣堂堑錾尘垒：—：———一Ah吼ra眦 ：—；=—：』塑至譬垄尘垒兰垒圣堂堑錾尘垒：—：———一 Ah吼ra眦 Recurrent neural networks tied up with human intelligence，signal processing， statistical physics and nonlinear control etc，while fewer efrorts made to their theory research comparing with their applicaftons now．This thesis deals with some theory aspects of recurrent neural networks，including structure design，structure selection and teaming algorithms，and has recurrent multilayer perceptron，TSK and network ensembles processing objects． The central work in the thesis is listed as following (1)A concise TSK network iS designed，The new TSK be interpreted into relatively simple fuzzy rules，SO keeps the plausible comprehensibility，that makes it superior to the networks presented by Chia-Feng Juang and P．A，Mastorocostas． (2)Another recurrent TSK iS designed that based the 2。order operations．and lt alSO keeps the plausible comprehensibility．Its identifying ability is proved by our simulations， which reveals that the 2-orde