1) Adaline neural networks control
Adaline神经网络控制
2) Adaline neural network
Adaline神经网络
1.
Aiming at the phase delay phenomenon occurs in electro-hydraulic servo system corresponding to a sinusoidal input,based on Adaline neural network,adaptive phase corrector was designed for eliminating phase delay using LMS adaptive filtering algorithm.
针对电液伺服系统正弦响应中存在相位滞后的现象,基于Adaline神经网络,使用LMS自适应滤波算法设计了自适应相位纠偏器(APC)。
2.
This paper puts forward a adaptive modeling method for time-varying linear system adopting the ADALINE neural network with time-delay.
本文提出了带时滞的ADALINE神经网络对时变复杂线性系统的自适应建模方法,通过对性能函数是权系数二次型的神经网络的算法改进,以梯度变化的共轭向量为搜索方向,以解析式确定最优步长,理论分析和仿真实验证明了此算法的快速性和高精度逼近能力,也证明了基于这种快速算法的带时滞的ADALINE网络实现复杂时变线性系统高精度动态自适应建模的有效性。
3.
The Adaline neural network was employed to identify the gain of system, and apply the gain to the IMC to achieve the objective of gain adaptive control.
引入1/1Pade逼近处理纯滞后环节,利用二步法设计内模控制器,运用单层Adaline神经网络参数辨识算法得到被控对象的稳态增益,并用于内模控制算法中,以此来自动调整被控对象模型增益,实现增益自适应控制。
3) neural network control
神经网络控制
1.
Adaptive neural network control with unknown control direction;
具有未知控制方向的自适应神经网络控制
2.
Iterative learning neural network control for robot learning from demonstration;
迭代学习神经网络控制在机器人示教学习中的应用(英文)
3.
Adaptive neural network control with unknown dead-zone and gain sign;
具有未知死区和增益符号的自适应神经网络控制
5) neural network PID control
神经网络PID控制
1.
In this thesis,based on the feed-forward compensation with structural invariance principle,the adaptive neural network PID controller was designed to improve the system loading performance.
针对位置扰动型被动式电液加载系统的多余力矩和参数变化问题,文章在利用结构不变性原理进行前馈补偿的基础上,采用具有自适应能力的神经网络PID控制器来提高系统的加载性能。
6) neural network controller(NNC)
神经网络控制器
1.
To correct the power factor,the controlling effect of both neural network controller(NNC) and current mode controller(CMC) is researched in this paper.
为改善功率因数,对神经网络控制器(NNC)与电流模式控制器(CMC)的控制效果进行了仿真比较研究。
2.
To correct the power factor,this paper researches the controlling effects of neural network controller(NNC).
为改善功率因数,研究了使用神经网络控制器(NNC)对AC/DC开关变换器进行控制,并与传统的电流模式控制器(CMC)的控制效果进行了仿真比较。
补充资料：Hopfield神经网络模型
Hopfield神经网络模型
Hopfield neural network model
收敛于稳定状态或Han加Ing距离小于2的极限环。 上述结论保证了神经网络并行计算的收敛性。 连续氏pfield神经网络中，各个神经元状态取值是连续的，由于离散H6pfield神经网络中的神经元与生物神经元的主要差异是:①生物神经元的I/O关系是连续的;②生物神经元由于存在时延，因此其动力学行为必须由非线性微分方程来描述。为此，在1984年J.J.H叩fi酗提出了连续氏pfield神经网络，它可用图1所示的电路实现，其动态方程┌───┐│·T叮 │└───┘图1连续F砧pfield神经网络 (a)Sigmoid非线性;(b)神经元模型可由下述微分方程式描述: 、，产 门J /r、l、1.。瓮一客、一佘Ii认=f(u￡)￡=l，2，…，n式中f(·)为连续可微的Sign101d函数;T，j=兀、i，j=1，2，“’，n几=0]=i1~.吞~·‘八文一Q*+，戮T，j‘一‘，2，”一”连续时间氏pfield神经网络式的计算能量函数定义为:一告客客几从砚 石l「Vi_1，、，合，，， +乞古!‘厂‘(x)dx一乙I，从(4) ’月R‘Jo“‘、一’一月一，” 对于式(3)，若f一‘为单调增且连续，C>0，T，j=几(i，j=1，2，一，n)，则沿系统的运动轨道有dE一。-丁丁足之Uat当且仅当贷一。时 箭一。式(3)的稳定平衡点就是能量函数E〔式(4)」的极小点，反之亦然。同时，连续氏pfield神经网络式(3)以大规模非线性连续时间并行方式处理信息。网络的稳定平衡点对应于其计算能量函数E的极小点，网络的计算时间就是它到达稳定的时间，网络的计算在系统趋于稳态的过程中也就完成了。这也是式(3)用于神经计算及联想记忆的基本原理，也即神经计算机的基本原理。HoPfield shenling wangluo moxingHopfield神经网络模型(Hopfieldne，Ine幻即0比m侧触l)一种单层全反馈的人工神经网络模型(后称之为氏p玉idd模型)，它对推动人工神经网络研究的复苏起了很重要的作用。 且，lield对人工神经网络研究的贡献主要有: (l)把有反馈的神经网络看作一个非线性动力系统，提出了系统的全局Lyap阴lov函数(或称能量函数)的概念，用于系统稳定性的分析; (2)利用上述分析方法解决人工智能中的组合优化问题，如15护;(3)给出了利用模拟电子线路实现的连续Hopfidd网络的电路模型，为进一步研究神经计算机创造了条件。
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