1) recursion neural network modeling
递归神经网络建模
2) Recurrent fuzzy neural network
递归模糊神经网络
1.
Recurrent Fuzzy Neural Network Variable Structure Position Controller Based on Vector Control of PMLSM;
采用递归模糊神经网络的永磁直线同步电机变结构控制
2.
A kind of recurrent fuzzy neural network(RFNN) is constructed,in which,recurrent neural network is used to realize fuzzy inference and temporal relations are embedded in the network by adding feedback connections on the first layer of the network.
构造了一种递归模糊神经网络(RFNN),该RFNN利用递归神经网络实现模糊推理,并通过在网络的第一层添加了反馈连接,使网络具有了动态信息处理能力。
3.
A variable-structure control of a permanent magnet linear synchronous motor(PMLSM) servo-drive system using a recurrent fuzzy neural network was put forward to solve the problem of poor control precision in the servo system of packaging binding machine.
根据裹包机的驱动系统控制精度较差的问题,提出采用应用递归模糊神经网络变结构控制线性同步电动机伺服系统,经过仿真,结果表明,该控制系统克服了上述缺点。
3) recurrent compensatory fuzzy-neuro network
递归补偿模糊神经网络
4) recursion T-S fuzzy neural network
递归T-S模糊神经网络
5) dynamic recurrent fuzzy neural network
动态递归模糊神经网络
1.
A novel dynamic recurrent fuzzy neural network is presented in this paper, and its dynamic back propagation algorithm is formulated according its mathematic models.
提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导出其动态反向传播学习算法,仿真结果表明对于动态系统的辨识,动态递归模糊神经网络较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果。
6) TSK-type recurrent fuzzy neural network
TSK型递归模糊神经网络
1.
It uses TSK-type recurrent fuzzy neural network.
该方法中使用了一种TSK型递归模糊神经网络,可同时动态在线进行结构学习和参数学习,以提高位置控制静态精度和动态跟踪性能,仿真结果表明,所设计的TSK型模糊神经网络位置控制器响应速度快,跟踪性能好,输出精度高,动、静态特性优于传统PID。
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