您的位置： 专家智库 > >

谢艳辉

作品数：3 被引量：3H指数：1
供职机构：北京工业大学电子信息与控制工程学院更多>>
发文基金：国家教育部博士点基金国家自然科学基金更多>>
相关领域：自动化与计算机技术更多>>

合作作者

文献类型

  • 2篇期刊文章
  • 1篇学位论文

领域

  • 3篇自动化与计算...

主题

  • 3篇自组织
  • 2篇倒立摆
  • 2篇神经网
  • 2篇神经网络
  • 2篇网络
  • 2篇网络研究
  • 1篇倒立摆控制
  • 1篇自组织神经网...
  • 1篇抗干扰
  • 1篇抗干扰能力

机构

  • 3篇北京工业大学

作者

  • 3篇谢艳辉
  • 2篇孙亮
  • 1篇于乃功

传媒

  • 1篇系统仿真学报
  • 1篇控制工程

年份

  • 3篇2007
共 3 条 记 录，以下是 1-3
全选 清除 导出
排序方式：
可生长结构自组织网络研究及其在倒立摆控制中的应用
自组织神经网络采用无监督学习方法，各神经元通过侧抑制作用，自组织学习输入模式的分布。其中，自组织特征映射神经网络或许是最接近人脑或生物神经系统的模型。可生长网络在自组织特征映射网络的基础上发展，不需要事先确定网络的结构和...
谢艳辉
关键词：自组织神经网络倒立摆抗干扰能力
文献传递
基于可生长结构的神经网络建模与仿真被引量：2
2007年
构建了用于倒立摆平衡控制的神经网络学习模型。该模型利用可生长结构神经网络的优势,不需要预先规定网络的结构和规模,便可以在学习过程中根据需要生长。基于可生长结构的神经网络将监督与无监督学习结合,能够快速学习刺激与响应之间的潜在关系。该神经网络离线进行监督学习,训练后作为控制器作用于倒立摆系统,构成基于可生长结构的倒立摆控制模型。以Matlab为开发工具进行了仿真实验。仿真结果表明,该模型能够完成一级倒立摆平衡控制任务,并验证了其有效性和抗干扰能力。
孙亮谢艳辉
关键词：倒立摆自组织
基于可生长结构的自组织神经网络研究
2007年
在可生长结构网络(Growing When Required Network,简称GWRN)的基础上,提出了有监督可生长结构网络(Supervised Growing When Required Network,简称SGWRN)模型。该模型引入线性输出层,将GWRN与径向基函数结合,构成有监督自组织神经网络学习模型。该模型能快速生长,可广泛用于监督学习。倒立摆平衡控制仿真实验结果表明该模型有效。
孙亮谢艳辉于乃功
关键词：自组织
全选 清除 导出
共1页<1>
聚类工具0