2) nonlinear system identification
非线性系统辨识
1.
Efficient approach to nonlinear system identification;
更有效的非线性系统辨识新方法
2.
The Study on the Application of DFNN in Stock Index Prediction and Financial Nonlinear System Identification
基于DFNN的金融股指预测及金融非线性系统辨识研究
3.
Wavelet networks provide solid foundation for nonlinear system identification.
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。
3) Nonlinear dynamic system
非线性动态系统
1.
Identification method for nonlinear dynamic system using Wiener neural network
非线性动态系统的Wiener神经网络辨识法
2.
H_∞ robust adaptive control of a fuzzy neural network based nonlinear dynamic system
非线性动态系统的模糊神经网络自适应H_∞鲁棒控制
3.
Study on modeling method of nonlinear dynamic system
非线性动态系统建模方法研究
4) dynamic nonlinear system
动态非线性系统
1.
The modified Elman network can approximate any dynamic nonlinear system.
Elman神经网络把隐层输出反馈回输入层,是一种动态递归神经网络,改进的Elman网络能逼近任意动态非线性系统。
5) nonlinear dynamical system
非线性动态系统
1.
The theory of nonlinear dynamical system was used to describe the phenomenon of neural rest and spikes.
用非线性动态系统的观点看待神经元的静息和周期放电现象 。
2.
The RWNN could be used in the nonlinear dynamical system simulation successfully.
为提高动态递归神经网络的动态系统仿真能力,在Elman神经网络的基础上,提出动态递归小波神经网络(RWNN),给出了其动态梯度下降算法,并将其成功应用于非线性动态系统仿真。
3.
From the point of view of nonlinear dynamical system, the structures and functions of recurrent dynamical networks were summarized.
从非线性动态系统的角度出发 ,对递归动态网络结构及其功能进行详尽的综述。
6) Nonlinear dynamical systems
非线性动态系统
1.
The LS-WSVM was then applied to adaptive control of nonlinear dynamical systems.
所提出的用于非线性动态系统自适应控制的最小二乘小波支持向量机方法具有效性和实用性。
补充资料：非线性系统辨识
通过输入输出数据确定非线性系统的数学模型。非线性是在研究、分析系统时常常遇到的现象。非线性系统的行为可以表现为阶跃、滞后、极限环、分岔、突变和混沌等现象。
非线性现象从整体上看是复杂的。在研究具体问题时，为了简化起见，常常把研究的范围限制在系统的局部性质上，这样就可以用泰勒展式的一次项来近似地描述系统的运动。这就是线性化的方法。但是系统的非线性性质包含在高次项中，所以为了研究非线性系统的整体行为就必须建立非线性数学模型。
非线性系统辨识中最重要问题之一是确定模型的结构。如果对系统的运动有足够的知识，则可以按照系统的运动规律（或作适当的近似）给出它的数学模型。一般说来，这样的模型是由非线性微分方程或非线性差分方程给出的。对这类模型的辨识可以采用线性化、展开成特殊函数等方法。如果对系统了解得尚不充分，则选择模型就很困难。例如对处于大冲角的飞机的动态，电力系统的暂态,气候和水文现象,各种生理反应过程等就很难给出一个数学模型。人们对非线性系统的定量性质尚缺乏完全的了解，因此就产生了根据观测到的现象决定一个非线性系统的模型是否唯一的问题。然而在各种应用中只要对系统的输入输出行为的描述是合适的，模型是否唯一便不是本质的问题。往往可以有许多非线性模型用来描述系统的行为。模型的选择取决于模型的可辨识性、参数估计的难易程度和模型适用性检验等。
非线性系统辨识的另一个途径是不管系统本身的真实结构，而着力去找出能达到要求精度的系统输入输出关系的近似模型。常见而有效的近似方法有两种，一种是利用泛函级数展开，另一种是用多项式逼近，其中最重要的是用启发式自组织原理建立的数据处理的分组方法。此外，针对各种特殊的非线性系统还可以提出许多特殊的方法。应用突变论来选择非线性模型的结构也是一种途径。
非线性系统辨识是系统辨识的一个重要的发展方向。
参考书目
夏天长著，熊光楞、李芳芸译：《系统辨识》，清华大学出版社，北京，1983。(T.C.Hsia, System Identi-fication：Least-Squeres Methods， Lexington books,Lexington, Mass., 1977.)
非线性现象从整体上看是复杂的。在研究具体问题时，为了简化起见，常常把研究的范围限制在系统的局部性质上，这样就可以用泰勒展式的一次项来近似地描述系统的运动。这就是线性化的方法。但是系统的非线性性质包含在高次项中，所以为了研究非线性系统的整体行为就必须建立非线性数学模型。
非线性系统辨识中最重要问题之一是确定模型的结构。如果对系统的运动有足够的知识，则可以按照系统的运动规律（或作适当的近似）给出它的数学模型。一般说来，这样的模型是由非线性微分方程或非线性差分方程给出的。对这类模型的辨识可以采用线性化、展开成特殊函数等方法。如果对系统了解得尚不充分，则选择模型就很困难。例如对处于大冲角的飞机的动态，电力系统的暂态,气候和水文现象,各种生理反应过程等就很难给出一个数学模型。人们对非线性系统的定量性质尚缺乏完全的了解，因此就产生了根据观测到的现象决定一个非线性系统的模型是否唯一的问题。然而在各种应用中只要对系统的输入输出行为的描述是合适的，模型是否唯一便不是本质的问题。往往可以有许多非线性模型用来描述系统的行为。模型的选择取决于模型的可辨识性、参数估计的难易程度和模型适用性检验等。
非线性系统辨识的另一个途径是不管系统本身的真实结构，而着力去找出能达到要求精度的系统输入输出关系的近似模型。常见而有效的近似方法有两种，一种是利用泛函级数展开，另一种是用多项式逼近，其中最重要的是用启发式自组织原理建立的数据处理的分组方法。此外，针对各种特殊的非线性系统还可以提出许多特殊的方法。应用突变论来选择非线性模型的结构也是一种途径。
非线性系统辨识是系统辨识的一个重要的发展方向。
参考书目
夏天长著，熊光楞、李芳芸译：《系统辨识》，清华大学出版社，北京，1983。(T.C.Hsia, System Identi-fication：Least-Squeres Methods， Lexington books,Lexington, Mass., 1977.)
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条