基于进化计算的神经网络设计方法
摘要
神经网络是在现代神经科学研究成果的基础上提出的用来“模拟”人脑功能基本特征的网络模型，它具有很好的并行处理、学习、非线性映射和泛化能力，并在模式识别、信息处理、设计、规划、诊断和控制等许多领域都得到了研究人员的亲赖。近十年来，基于神经网络的控制方法的研究取得了很大的进展，相应的硬件产品也已经上市。随着应用研究的不断深入和扩展，人们也碰到了1系列急需解决的问题，例如网络类型、结构、参数集的选择，学习算法的选择，基于神经网络的控制系统稳定性、鲁棒性分析等等。本文主要研究的是如何选择网络结构和参数集这个问题。
第1章是绪论。首先简单地回顾了控制理论的发展，介绍了智能控制研究的主要内容。通过这些介绍，主要是为了说明控制理论研究和应用中面临的挑战和基于神经网络的控制方法具有的巨大潜力。接着比较详细地论述了神经网络在控制系统中所起的作用，给出了具体的控制系统结构，并且指出了神经网络研究中需要澄清的3个模糊认识和需要解决的5个典型问题。最后简单地介绍了神经网络硬件研究的现状。
第2章提出了1种基于进化算法的神经网络结构设计方法。首先阐述了神经网络结构设计的意义，然后总结了神经网络结构设计的常用方法。神经网络的结构设计可以看成是1个寻优过程，而基于进化思想的进化算法正是1类很好的优化方法，所以利用进化算法获得较佳的网络结构就成为我的研究方向。利用进化算法设计网络的结构，首先要确定网络结构的编码方式，然后根据编码方式来决定选用何种进化算法。按照我提出的网络结构的编码方式，只有使用进化规划的方法才能完成结构寻优的任务。结构寻优的过程是和网络训练同步进行的，由于网络结构不是很规则，所以无法使用“梯度法”等优化手段，为此，网络权值训练采用的是遗传算法。通过解异或问题和逼近1个非线性函数的仿真实验，证明了这种基于进化算法的神经网络结构设计方法的可行性。
第3章提出了1种利用遗传算法设计BP网络的方法。通过引入正交试验设计的思想，重新定义了遗传算法中的交叉操作。新的交叉操作产生的子代个体多于2个，这些个体通过内部竞争优选出2个作为交叉操作的最终结果进入遗传算法的下1个步骤。在精心安排下，双亲中适应性强的1个也自动参与了内部竞争，这就保证了子代个体中至少有1个个体的性能不差于父辈。故障诊断的仿真实验初步证明了该方法的有效性。神经网络的训练过程和网络结构的寻优过程都是十分耗费时间的，为了寻找解决这个难题的方法，我尝试利用DSP／PC机组成的典型的主从式系统来实现自己提出的网络设计方法。通过对CSTR系统中状态估计问题的仿真研究，一方面进1步证明了设计方法的可行性，另一方面也在寻找缩短寻优时间的途径上进行了1次成功的尝试。
Artificial neural networks try to mimic the nerve system in a mammalian brain into a mathematical model. Therefore, neural networks have some desirable characteristics and capabilities similar to the brain system, such as parallel processing, learning, non-linear mapping, and generalization. Many researchers have developed neural networks as new tools in many fields such as pattern recognition, information processing, design, planning, diagnosis, and control. The past decade have witnessed a great deal of progress in both the theory and the practice of control using neural networks. After a long period of experimentation and research, neural network-based controllers are now being realized in a wide variety of fields. The practice applications are also calling for a better understanding of the theoretical principles involved. There are some problems which always make users puzzle, such as deciding the suitable types, structures and parameters of neural networks, selecting a good method for training, and analyzing the stability and robust of neural network-based control systems. In this paper, I focus my effort on how to obtain the suitable structures and parameters of neural networks.
In Chapter One, I give the complete introduction of neural networks used in the field of control. Through the review of the development of control theory and the research directions of intelligent control, I point out the challenges which the control theory is facing, and I also point out the great potential of the control methods based on neural networks. After describing the structures of control systems based on neural networks carefully, I clarify some specious thoughts and summarize the problems needed to be solved urgently. In the end, I introduce the research situation of the hardware implementation of neural networks simply.
In Chapter Two, I put forward a structural design method based on evolutionary algorithms. At first, I elaborate the significance of structural design, and then set out all kinds of the structural design methods which are familiar to me. Designing suitable structures for neural networks belongs to a kind of optimization questions, so it is natural to look for good optimization techniques. In recent years, evolutionary algorithms are popularly used for their population-based optimization mechanism. Genetic algorithm is well-known among them, and evolutionary programming employs the same Darwinian evolutionary principles as genetic algorithm and is implemented by the interaction of individuals in a population. These two algorithms are somewhat similar, but genetic algorithm relies on genetic operators, while evolutionary programming emphasizes the performance change from the population level. Furthermore, when evolutionary programming is used for optimization, mutation is the unique recombination operator. After taking the encoding method into consideration, I think evolutionary programming is most suitable for my research work. In general, structural evolution is accompanied by the training of connection weights. For sake of the irregularity of structures, the optimization methods based on gradient-descent can't be used to optimize the connection weights in a fixed structure, so I select genetic algorithm to finish this task. Finally, simulation results are given to illustrate the efficiency of the proposed method.
第1章是绪论。首先简单地回顾了控制理论的发展，介绍了智能控制研究的主要内容。通过这些介绍，主要是为了说明控制理论研究和应用中面临的挑战和基于神经网络的控制方法具有的巨大潜力。接着比较详细地论述了神经网络在控制系统中所起的作用，给出了具体的控制系统结构，并且指出了神经网络研究中需要澄清的3个模糊认识和需要解决的5个典型问题。最后简单地介绍了神经网络硬件研究的现状。
第2章提出了1种基于进化算法的神经网络结构设计方法。首先阐述了神经网络结构设计的意义，然后总结了神经网络结构设计的常用方法。神经网络的结构设计可以看成是1个寻优过程，而基于进化思想的进化算法正是1类很好的优化方法，所以利用进化算法获得较佳的网络结构就成为我的研究方向。利用进化算法设计网络的结构，首先要确定网络结构的编码方式，然后根据编码方式来决定选用何种进化算法。按照我提出的网络结构的编码方式，只有使用进化规划的方法才能完成结构寻优的任务。结构寻优的过程是和网络训练同步进行的，由于网络结构不是很规则，所以无法使用“梯度法”等优化手段，为此，网络权值训练采用的是遗传算法。通过解异或问题和逼近1个非线性函数的仿真实验，证明了这种基于进化算法的神经网络结构设计方法的可行性。
第3章提出了1种利用遗传算法设计BP网络的方法。通过引入正交试验设计的思想，重新定义了遗传算法中的交叉操作。新的交叉操作产生的子代个体多于2个，这些个体通过内部竞争优选出2个作为交叉操作的最终结果进入遗传算法的下1个步骤。在精心安排下，双亲中适应性强的1个也自动参与了内部竞争，这就保证了子代个体中至少有1个个体的性能不差于父辈。故障诊断的仿真实验初步证明了该方法的有效性。神经网络的训练过程和网络结构的寻优过程都是十分耗费时间的，为了寻找解决这个难题的方法，我尝试利用DSP／PC机组成的典型的主从式系统来实现自己提出的网络设计方法。通过对CSTR系统中状态估计问题的仿真研究，一方面进1步证明了设计方法的可行性，另一方面也在寻找缩短寻优时间的途径上进行了1次成功的尝试。
Artificial neural networks try to mimic the nerve system in a mammalian brain into a mathematical model. Therefore, neural networks have some desirable characteristics and capabilities similar to the brain system, such as parallel processing, learning, non-linear mapping, and generalization. Many researchers have developed neural networks as new tools in many fields such as pattern recognition, information processing, design, planning, diagnosis, and control. The past decade have witnessed a great deal of progress in both the theory and the practice of control using neural networks. After a long period of experimentation and research, neural network-based controllers are now being realized in a wide variety of fields. The practice applications are also calling for a better understanding of the theoretical principles involved. There are some problems which always make users puzzle, such as deciding the suitable types, structures and parameters of neural networks, selecting a good method for training, and analyzing the stability and robust of neural network-based control systems. In this paper, I focus my effort on how to obtain the suitable structures and parameters of neural networks.
In Chapter One, I give the complete introduction of neural networks used in the field of control. Through the review of the development of control theory and the research directions of intelligent control, I point out the challenges which the control theory is facing, and I also point out the great potential of the control methods based on neural networks. After describing the structures of control systems based on neural networks carefully, I clarify some specious thoughts and summarize the problems needed to be solved urgently. In the end, I introduce the research situation of the hardware implementation of neural networks simply.
In Chapter Two, I put forward a structural design method based on evolutionary algorithms. At first, I elaborate the significance of structural design, and then set out all kinds of the structural design methods which are familiar to me. Designing suitable structures for neural networks belongs to a kind of optimization questions, so it is natural to look for good optimization techniques. In recent years, evolutionary algorithms are popularly used for their population-based optimization mechanism. Genetic algorithm is well-known among them, and evolutionary programming employs the same Darwinian evolutionary principles as genetic algorithm and is implemented by the interaction of individuals in a population. These two algorithms are somewhat similar, but genetic algorithm relies on genetic operators, while evolutionary programming emphasizes the performance change from the population level. Furthermore, when evolutionary programming is used for optimization, mutation is the unique recombination operator. After taking the encoding method into consideration, I think evolutionary programming is most suitable for my research work. In general, structural evolution is accompanied by the training of connection weights. For sake of the irregularity of structures, the optimization methods based on gradient-descent can't be used to optimize the connection weights in a fixed structure, so I select genetic algorithm to finish this task. Finally, simulation results are given to illustrate the efficiency of the proposed method.
引文
[1] 黄琳，秦化淑，郑应平，郑大钟．复杂控制系统理论：构想与前景．自动化学报，1993；2：129-136
[2] 吴宏鑫．自适应控制技术的应用和发展．控制理论与应用，1992；2：105-114
[3] C．C．Hank T．H．Lee．适应控制综述．自动化学报，1992；3：257-264
[4] 高为炳，程勉，夏小华．非线性控制系统的发展．自动化学报，1991；5：513-523
[5] 高为炳．变结构控制研究的发展与现状．控制与决策，1993；4：241-248
[6] 王礼全，施颂椒，张钟俊．结构不确定性线性多变量系统鲁棒控制．控制理论与应用，1991；2：119-125
[7] K.J.Astrom, C.C.Hang, P.Perssson, W.K.Ho. Towards Intelligent PID Control. Automatica, Vol. 28, No. 1, 1991, 1-9
[8] Kathryn Blackmond Laskey. Model Uncertainty: Theory and Practical Implications. IEEE Trans. On Systems, Man and Cybernetics, Vol. 26, No. 3, May 1996; 340-348
[9] 田华，蒋慰孙．智能控制系统的若干新近发展．信息与控制，1992；2：95-100
[10] 张钟俊，蔡自兴．智能控制与智能控制系统．信息与控制，1989；5：30-39
[11] 黄苏南，邵惠鹤，张钟俊．智能控制的理论和方法．控制理论与应用，1994；4：386-395
[12] 罗公亮，卢强．智能控制与常规控制．自动化学报，1994；3：324-332
[13] 秦世引，罗公亮．智能控制研究中的几个问题．信息与控制，1996；3：137-142
[14] 孙增圻，张再兴．智能控制的理论与技术．控制与决策，1996；1：1-8
[15] 李衍达，汤跃忠．智能控制和智能自动化．微计算机信息，1995；5：14-17
[16] 田华，吴启迪，张钟俊．走向智能控制系统．微计算机信息，1996；2：3-7
[17] 李少远，杨鹏，王群仙．智能控制的新进展．信息-电子与自动化仪表，1997；4：1-10
[18] 李永正．专家控制技术与智能控制理论的发展．自动化仪表，1997；7：1-7
[19] 费敏锐，陈伯时，郎文鹏．智能控制方法的交叉综合及其应用，控制理论与应用，1996；3：273-280
[20] 戴汝为，王珏．巨型智能系统的探讨．自动化学报，1993；6：645-656
[21] 张再兴，孙增圻．关于专家控制．信息与控制，1995；3：167-172
[22] 邓志东，张再兴，孙增圻．学习控制系统．信息与控制，1996；2：94-102
[23] 郑应平．从IFAC'96世界大会看自动控制发展的若干动向．自动化学报，1997；3：428-431
[24] 胡上序，程翼宇．人工神经元计算导论．科学出版社，1994
[25] 焦李成．神经网络系统理论．西安电子科技大学出版社，1992
[26] 焦李成．神经网络计算．西安电子科技大学出版社，1995
[27] 焦李成．神经网络的应用与实现．西安电子科技大学出版社，1995
[28] 黄战，戴冠中．神经网络控制器的研究．信息与控制，1991；6：27-32
[29] 田明，戴汝为．神经元控制系统．信息与控制，1992；3：157-161
[30] 周其节，徐建闽．神经网络控制系统的研究与展望．控制理论与应用，1992；6：570-577
[31] 王科俊，李殿璞，李国斌．人工神经元网络在控制中的应用．黑龙江自动化技术与应用，1992：3：1-12
[32] 冯纯伯，刘延年．神经网络控制的现状及问题．控制理论与应用，1994；1：103-106
[33] Behnam, Bavarian. Introduction to Neural Nerworks for Intelligent Control. IEEE Control System Magazine, Vol. 8, No. 2, 1988: 3-7
[34] Demetri Psaltis, Athanasios Sideris, Alan A. Yamamura. A Multilayered Neural Network Controller. IEEE Control System Magazine, Vol. 8, No. 2, 1988; 17-21
[35] Allon Guez. James L. Eilbert, Moshe Kam. Neural Network Architecture for Control. IEEE Control System Magazine, Vol. 8, No. 2, 1988: 22-25
[36] K. J. Hunt. D. Sbarbaro, R.Zbikowski, P.J. Gawthrop. Neural Networks for Control Systems—A Survey. Automatica, Vol. 28, No. 6, 1992; 1083-1112
[37] Tetsuro Yabuta, Takayuki Yamada Neural Network Controller Characteristics with Regard to Adaptive Control. IEEE Trans. On Systems, Man and Cybernetics, Vol. 22, No. 1, Jan. Feb., 1992; 170-177
[38] Toshio Fukuda, Takanori Shibata. Theory and Applications of Neural Networks for Industrial Control Systems. IEEE Trans. On Industrial Electronics, Vol. 39, No. 6, December 1992; 472-489
[39] Kevin M. Passino, Michael A. Sartori, Panos J. Antsaklis. Neural Computing for Numeric-to-Symabolic Conversion in Control Systems. IEEE Control System Magazine, 1989; 44-51
[40] 杨自厚．神经网络技术及其在钢铁工业中的应用．冶金工业自动化，1996；4：48-51
[41] 王旭东，邵惠鹤．RBF神经网络理论及其在控制中的应用．信息与控制，1997；4：272-283
[42] 陈卫田，施颂椒，张钟俊．基于神经网络的非线性自适应控制．控制理论与应用，1996；5：545-552
[43] 倪先峰，陈宗基，周绥平．非线性系统的神经网络学习控制．控制与决策，1992；5：377-381
[44] 邓志东，孙增圻，刘建伟．神经网络异步自学习控制系统．自动化学报，1995；5：629-633
[45] 黄苏南，邵惠鹤，钱积新．一种智能控制器．自动化学报，1997；1：116-120
[46] 刘宝坤，石红瑞，王慧，赵丛．基于遗传算法的神经网络自适应控制器的研究．信息与控制，1997；4：311-314
[47] Kumpati S. Narendra. Neural Networks for Control: Theory and Practice. Proceedings of the IEEE, Vol. 84, No. 10, 1996; 1385-1406
[48] 张承福，赵刚．联想记忆神经网络的若干问题．自动化学报，1994，5：513-521
[49] 刘晓鸿，戴汝为．建立Hopfield网络的一般方法．自动化学报，1996；3：301-307
[50] 阎平凡．对多层前向神经网络研究的几点看法．自动化学报，1997；1：129-135
[51] 李晓钟．神经网络与模糊控制．模糊系统与数学，1990；2：53-70
[52] Chuen Chien Lee. Fuzzy Logic in Control Systems: Fuzzy Logic Controller. IEEE Trans. On Systems, Man and Cyberneties, Vol. 20, No. 2, March/April 1990; 404-434
[53] J. L. Castro. Fuzzy Logic Controllers Are Umversal Approximators. IEEE Trans. On Systems, Man and Cybernetics, Vol. 25, No. 4, April 1995; 629-635
[54] Tang-Kai Yin, C. S. George Lee. Fuzzy, Model-Reference Adaptive Control. IEEE Trans. On Systems, Man and Cybernetics, Vol. 25, No. 12, December 1995; 1606-1605
[55] 沈建强，李平．神经模糊技术的研究现状与展望．控制与决策，1996；5：527-532
[56] 张良杰，李衍达．模糊神经网络技术的新近发展．信息与控制，1995；1：39-45
[57] 张良杰，李衍达．基于模糊逻辑与神经网络技术的智能控制器自动设计系统的研究．信息与控制，1996；3：129-136
[58] 候卫兵，冯冠平．自适应神经元模糊控制系统的研究．控制与决策，1997；3：269-273
[59] 胡建元，吴隆安，黄心汉，陈锦江．单个神经元的自适应控制．控制理论与应用，1991；1：19-21
[60] Satoshi Yanagawa, Ichiro Miki. PID Auto-Tuning Controller Using a Single Neuron for DC Servomotor, Proceeding of the IEEE International Symposium on Industrial Electronics, 1992; 1: 277-280
[61] 胡建元，黄心汉，袁军，陈锦江．采用单个神经元的PID学习控制．控制与决策，1993；2：135-138
[62] 袁军，黄心汉，陈锦江．基于单个神经元的机器人自适应控制．控制理论与应用，1994；1：89-93
[63] 王永骥，陈捷，徐桂英，涂健．水轮机组调速系统的自适应神经元控制．自动化学报，1994；1：117-120
[64] 王耀南，童调生，蔡自兴．基于神经元网络的智能PID控制及应用．信息与控制，1994；3：185-189
[65] Hornnik, K.,et al.. Mlultilayer Feedforward Networks Are Universal Approximators. Neural Networks, 1989; 2: 359-366
[66] Girosi, F. and Poggio, T.. Networks and Best Approximation Property. Biological Cybernetics, 1990; 6: 169-176
[67] Chen T, Chen H, Liu R W. Approximation Capacity in C(R~n) by Multilayer Feedforward Networks and Related Problems. IEEE Trans On Neraul Networks, 1995; 6(1)
[68] Moshe Leshno, et al. Multilayer Feedforward Networks with a Nonpolynomial Activation Function Can Approximate Any Function. Neural Networks, 1993; 6
[69] Chen Tianpmg et al. Approximation of continuous functions by NN with application to dynamic systems, IEEE Trans. On Neural Networks, 1993; 4(6): 910-918
[70] Piggio T, Girosi F. A Theory of Networks for Approximation and Learning. Artificial Intelligence Laboratory, MIT, Cambridge Mass, 1989.
[71] Modha D S. et al. Multilayer functionals, in Mathematical Approach to NN, Taylor J G ed. Amsterdam Elsevier Science Publishers. 1993; 235-260
[72] N.V.Bhat, P.A.Minderman, Jr.T. McAvoy, Et al. Modeling Chemical Process Systems via Neural Computation. IEEE Control Systems Magazine. 1990; 10(3): 24-30
[73] 吕强，郝继红，段运波，等．利用动态RBF网络的非线性系统辨识，中国控制与决策学术年会论文集，1994；695-699
[74] S.R.Chu, R.Shoureshi, M.Tenorio. Neural Networks for System Identification. IEEE Control Systems Magazine. 1990; 10(3): 31-35
[75] N.Bath, T.J.McAvoy. Use of Neural Net for Dynamic Modeling and Control of Chemical Process Systems. Computer Chem. Eng.. 1990; 14(4/5): 573-583
[76] M. Khalid, S.Omatu. A Neural Network Controller for a Temperature Control System. IEEE Control Systems Magazine. 1992; 12(3): 58-64
[77] F.C.Chen. Back-Propagation Neural Networks for Nonlinear Self-Tuning Adaptive Control.IEEE Control Systems Magazine. 1990; 10(3): 44-48
[78] 许力，蒋静坪．CSTR系统的基于CMAC神经网络的学习控制研究．控制与决策，1992；7(2)：131-136
[79] D.C.Psichogios, L.H.Ungar. Nonlinear Internal Model Control and Model Predictive Control using Neural Networks. Proc. 5th IEEE Int. Symp. Intelligent Control. 1990; 2: 1082-1087
[80] 李春涛，舒迪前，尹怡欣．神经网络内模控制及其在电加热炉上的应用．冶金自动化，1995；19(4)：36-40
[81] D. Sharbaro-Hofer, D. Neumerkel. K. Hunt. Neural Control of a Steel Mill. IEEE Control Systems Magazine. 1993; 13(3): 69-75
[82] Kawato, M., et al. A Hierarchical Model for Voluntary Movement and its Application to Robotics. Proc. of 1987 IEEE Int. Cord. On Neural Networks. 1987; 573-582
[83] Gomi, H. and Kawato, M.. Learning Control for A Closed Loop System Using Feedback-Error-Learning. 29th CDC. 1990; 3284-3295
[84] Narendra, K. S. et al.. Identification and Control of Dynamical Systems Using Neural Networks. IEEE Trans. On Neural Networks. 1990; 1(1): 4-27
[85] Narendra, K. S. and Mukhopadhydy, S.. Adaptive Control of Nonliear Multivariable Systems Using Neural Networks. Neural Networks. 1994; 7: 737-752
[86] Wang L. X, Mendel J. M. Matrix Computations and Equation Solving Using Structured Networks. and Training. Proc. 29th Conf. Decision and Control. 1990; 475-483
[87] Kumar, S. S., Guez, A.. ART Based Adaptive Pole Placement for Neurocontrollers. Neural Networks, 1991; 4: 319-335
[88] K.C.Chan, S.S.Leong. A neural network PI controller tuner. Artificial Intelligence in Engineering, 1995; 9: 167-176
[89] Kung, S. Y. Hwang J. N. . Neural Network Architectures for Robotic Applications. IEEE Trans., on Robotics and Automation, 1989; 5: 641-657
[90] Handelman D A et al. Integrating Neural Networks and Knowledge-Based Systems for Intelligent Robotic Control. IEEECntrol System Magazine, Vol. 10, No. 3, 1990; 34-56
[91] Fukuda, T. and Shibata, T.. Theory and Applications of Neural networks for Industrial Control Systems. IEEE Trans. On Industrial Electronics, Vol. 39, No. 6, 1992; 278-282
[92] 袁曾任，姜莉楠．基于人工神经元的控制系统模型简化的专家系统．信息与控制，1992；5：278-282
[93] Jang J S. Self-Lernming Fuzzy Logic Controller Based on Temporal Back Propagation. IEEE Trans. On Neural Networks, 1992; 3(5): 714-723
[94] Nie J, H, Linkens D. A. Fast Self-Learning Multivaraiable Fuzzy Controllers Constructed from a Modified CPN Network. Int J. Control 1994; 60(3): 369-393
[95] Kosko Bart, Kong Seong Gon.. Adaptive Fuzzy Systems for Backing up a Truck-and-Trailer. IEEE Trans. On Neural Networks, 1992; 3(2): 211-223
[96] Berenji H. R, Khedkar P.. Learning and Tuning Fuzzy Logic Controller Througth Reinforcement. IEEE Trans. On Neural Networks, 1992; 3(5): 724-740
[97] C. T. Chao, Y. J. Chen, C. C. Teng. Simplification of Fuzzy-Neural Systems Using Similarity Anylysis. IEEE Trans. On Systems, Man and Cybernetics. 1996; Vol. 26, No. 2: 344-354
[98] Toshio Fukuda, Hideyuki Ishigami. Auto Fuzzy Tuning having Minimum Structure by Using Genetic Algorithm and Delta Rule. IEEE. 1993; 86-94
[99] 王殿辉，柴天佑．自适应模糊神经网络控制器设计的线性化方法．控制与决策，1995；1： 21-27
[100] 王耀南. An Adaptive Control Using Fuzzy, Logic Neural Networks and Its Applicaton. 控制理论与应用, 1995; 4: 437-444
[101] Fei, M. R., et al.. Method of Neural Network Learning Fuzzy, Variable Structure Control for Industrial Furnace Applications. Proc. of the 1st ISICIMS, Seoul. 1994; 400-405
[102] Sanner, R. M. and Slotine, J. J. E.. Gaussian Neural Networks for Direct Adaptive Control. IEEE Trans. On Neural Networks, 1992; 3(6): 837-862
[103] Rovithakis, G. A. and Chistodoulou, M. A.. Adaptive Control of Unknown Plants. IEEE Trans. On Systems, Man and Cybernetics, 1994; 24: 400-412
[104] T.H.Lee, P.K.Yue, K.K.Tan. A Neural-network-based Model Reference PID-like Controller for Process Control. Engng Applic. Artif. Intell. Vol. 7, No. 6, 1994; 677-684
[105] A. R. Barron. Universal Approximation Bounds for Superpositions of a Sigmoidal Function. IEEE Trans. On Inform. Theory. Vol 39, No. 3, 1993; 930-945
[1] 王煦法．遗传算法及其应用．小型微型计算机系统，1995；2：59-64
[2] 张晓绩，戴冠中，徐乃平．一种新的优化搜索算法-遗传算法．控制理论与应用，1995；3：265-271
[3] 周金荣，黄道，蒋慰孙．遗传算法的改进及其应用研究．控制与决策，1995；3：261-264
[4] 孙艳丰，王众托．遗传算法在优化问题中的应用研究进展．控制与决策，1996；4：425-431
[5] 恽为民，席裕庚．遗传算法的运行机理分析．控制理论与应用，1996；3：297-304
[6] 席裕庚，柴天佑，恽为民．遗传算法综述．控制理论与应用，1996；6：697-708
[7] 丁承民，张传生，刘辉．遗传算法纵横谈．信息与控制，1997；1：40-47
[8] 张晓绩，方浩戴，冠中．遗传算法的编码机制研究．信息与控制，1997；2：134-139
[9] 孙艳丰，王众托．自然数编码遗传算法的最优群体规模．信息与控制，1996；5：317-320
[10] 孟祥武．遗传算法及其发展．电脑与信息技术，1997；5：41-45
[11] 章珂，刘贵忠．交叉位置非等概率选取的遗传算法．信息与控制，1997；1：53-60
[12] 吴少岩，张青富，陈火旺．基于家族优生学的进化算法．软件学报，1997；2：137-143
[13] 焦李成．进化计算与进化神经网络-计算智能的新方向．电子科技，1995；1：9-19
[14] 姚新，陈国良，徐惠敏．进化算法研究进展．计算机学报，1995；9：694-706
[15] 谢金星．进化计算简要综述．控制与决策，1997；1：1-7
[16] 应行仁，曾南．多层神经网络的样本记忆能力．计算机学报，1992；7：534-540
[17] 阎平凡．人工神经网络的容量、学习与计算复杂性．电子学报，1995；5：63-67
[18] Youngjik Lee, Sang-Hoon Oh, Myung Won Kim. An Analysis of Premature Saturation in Back Propagation Learning. Neural Network. 1993, Vol. 6, No. 5: 719-728
[19] Bagrat Amirikian Hajime Nishimura. What Size Network Is Good for Generalizaiton of a Specific Task of Interest? Neural Networks. 1994, Vol. 7, No. 2: 321-329
[20] Christian Schittenkopf, Gustavo Deco, Wilfried Brauer. Two Strategies to Avoid Overfitting in Feedforward Networks. Neural Networks. 1997, Vol. 10, No. 3: 505-515
[21] Charles W.Lee. Training Feedforward Neural Networks: An Algorithm Giving Improved Generalization. Neural Networks. 1997, Vol. 10, No. 1: 61-68
[22] David B. Fogel. An Information Criterion for Optimal Neural Network Selection. IEEE Trans. On Neural Networks. 1991, Vol. 2, No. 5: 490-497
[23] William G. Baxt. Improving the Accuracy of an Artificial Neural Network Using Multiple Differently Trained networks. Neural Computation. 1992, 4: 772-780
[24] Steven J. Nowlan, Geoffrey E. Hinton. Simplifying Neural Networks by Soft Weight—Sharing. Neural Computation. 1992, 4:473-493
[25] Russell Reed. Pruning Algorithms—A Survey. IEEE Trans. On Neural Networks. 1993. Vol. 4, No. 5: 740-747
[26] Stevan V. Odri, Dusan P. Petrovacki, Gordana A. Krstonsic. Evolutional Development of a Multilevel Neural Network. Neural Networks. 1993, Vol. 6, No. 4: 583-595
[27] N.K.Bose, Amulya K. Crarga. Neural Network Design Using Voronoi Diagrams. IEEE Trans. On Neural Networks. 1993, Vol. 4, No. 5: 778-787
[28] Mahmood R. Azimi-Sadjadi, Sassan Sheedvash, Frank O.Trujillo. Recursive Dynamic Node Creation in Multilayer Neural Networks. IEEE Trans. On Neural Networks. 1993, Vol. 4 No. 2: 242-256
[29] C. Lee Giles, Christian W. Omlin. Pruning Recurrent Neural Networks for Improved Generalization Performance. IEEE Trans. On Neural Networks. 1994, Vol. 5, No. 5: 848-851
[30] Nico Weymaere, Jean-Pierre Martens. On the Initialization and Optimization of Multilayer Perceptrons. IEEE Trans. On Neural Networks. 1994, Vol. 5, No. 5:738-751
[31] Bart L. M. Happel, Jacob M.J.Murre. Design and Evolution of Modular Neural Network Architectures. Neural Networks. 1994, Vol. 7, No. 6/7: 985-1004
[32] Eric B. Bartlett. Dynamic Node Architecture Learning: An Information Theoretic Approach. Neural Networks. 1994, Vol. 7, No. 1: 129-140
[33] Tarek M.Nabhan Albert Y.Zomaya. Toward Generating Neural Network Structures for Function Approximation. Neural Networks. 1994, Vol. 7, No. 1: 89-99
[34] Zhenni Wang, Christine Di Massimo, Ming T. Tham, A. Julian Morns. A Procedure for Determining the Topology of Multilayer Feedforward Neural Networks. Neural Networks. 1994, Vol. 7, No. 2: 291-300
[35] Noboru Murata, Shuji Yoshizawa, Shun-ichi Amari. Network Information Criterion-Determining the Number of Hidden Units for an Artificial Neural Network Model. IEEE Trans. On Neural Networks. 1994, Vol. 5, No. 6: 865-871
[36] Peter J. Angeline, Gregory M. Saunders, Jordan B. Pollack. An Evolutionary Algorithm that Constructs Recurrent Neural Networks. IEEE Trans. On Nettral Networks. 1994, Vol. 5 No. 1: 54-65
[37] J. R. McDonnell, D. Waagen. Evolving Recurrent Perceptrons for Time-Series Modeling. IEEE Trans. On Neural Networks. 1994, Vol. 5, No. 1: 24-38
[38] Dimitris C. Psichogios, Lyte H. Ungar. SVD-NET: An Algorithm that Automatically Selects Network Structure. IEEE Trans. On Neural Networks. 1994, Vol. 5, No. 3: 513-515
[39] W. Weng K. Khorasani. An Adaptive Structure Neural Networks with Application to EEG Automatic Seizure Detection. Neural Networks. 1996, Vol. 9, No. 7: 1223-1240
[40] Masumi Ishikawa. Structural Learning with Forgetting. Neural Networks. 1996. Vol. 9, No. 3 509: 521
[41] Vittorio Maniezzo. Genetic Evolution of the Topology and Weight Distribution of Neural Networks. IEEE Trans. On Neural Networks. 1994, Vol. 5, No. 1: 39-53
[42] Jian Fang& Yugeng Xi. Neural Network Design Based on Evolutionary Programming. Artificial Intelligence in Engineering. 1997, Vol. 10, No. 2, 155-161
[43] Behnam S.Arad, Ahmed El-Amawy. On Fault Tolerant Training of Feedforward Neural Networks. Neural Networks. 1997, Vol. 10, No. 3: 539-553
[44] Steve A.Billings, Guang L. Zheng. Radial Basis Function Network Configuration Using Genetic Algorithms. Neural Networks. 1995, Vol. 8, No. 6: 877-890
[45] Jun Han, Claudio Moraga, Stefan Stone. Optimization of Feedforward Neural Networks. Artificial Intelligence in Engineering. 1996, Vol. 9, No. 2: 109-119
[46] Yun Li, Alexander, Haubler. Artificial Evolution of Neural Networks and its Application to feedback Control. Artificial Intelligence in Engineering. 1996, Vol. 9, No. 10: 143-152
[47] Rudy Setiono. A Penalty-Function Approach for Pruning Feedforward Neural Networks, Neural Computation. 1997, No, 9: 185-203
[48] 汪涛，刑小良．感知器的动态稀疏化学习．自动化学报，1995；1：93-97
[49] 方剑，席裕庚．神经网络结构设计的准则和方法．信息与控制，1996；3：156-164
[50] 张友民，李庆国，戴冠中，张洪才．一种RBF网络结构优化方法．控制与决策，1996；6：667-671
[51] 王继成，蔡义发，吕维雪．一种自动生成神经网络结构的新方法．自动化学报，1996；1：19-25
[52] 陈荣，徐用懋，兰鸿森．多层前向神经网络的研究-遗传BP算法和结构优化策略．自动化学报，1997；1：43-49
[53] 陆系群，余英林．前馈神经网络隐层节点的动态删除法．控制理论与应用，1997；1：101-104
[54] 袁曾任，卢振中．由神经网络提取规则的一种方法及其应用．信息与控制，1997；1：61-65
[55] 鲍晓红，贾英民．由神经元网络辨识非线性系统中的网络结构选择，控制理论与应用，1997；4：489-494
[56] 韦柳涛，钱治航，夏金安，虞锦江，刘育骐，管家宝．基于遗传交换操作的多层神经网络算法．计算机工程，1993；6：22-25
[57] 晏建军，何永保．利用遗传算法简化神经网络结构．计算机工程，1995；5：56-61
[58] 冯旭东，陈方．遗传算法在辅助设计神经网络中的应用．电脑与信息技术，1997；4：13-16
[59] 张铃，张鏺．神经网络中BP算法的分沂．模式识别与人工智能，1994；3：191-195
[60] 孙德保，高超．一种实用的克服局部极小的BP算法研究．信息与控制，1995；5：283-287
[61] 许力．一种局部化的反向传播网络．控制与决策，1995；2：148-152
[62] M. Teshnehlab, K. Watanabe. Self Tuning of Computed Torque Cains by Using Neural networks with Flexible Structures. IEE Proc. Control Theory, Application. 1994, Vol. 141, No. 4: 235-242
[63] D. H. Rao, M.M.Gupta. Neuro-Fuzzy controller for Control and Robotics applications. Artificial Intelligence in Engineering. 1994, Vol. 7, No. 5: 479-491
[64] Ramana Vitthal, P. Sunthar, Ch. Durgaprasada Rao. The Generalized Proportional-Integral-Derivative(PID)Gradient Descent Back Propagation Algorithm. Neural Networks. 1995, Vol. 8, No. 4: 563-569
[65] Theodore B. Trafalis, Nicolas P. Couellan. Neural Network Training via an Aftine Scaling Quadratic Optimization Algorithm. Neural Networks. 1996, Vol. 9, No. 3:475-481
[66] Lutz Prechelt. A Quantitative Study of Experimental Evaluations of Neural Network Learning Algorithms: Current Research Practice. Neural Networks. 1996, Vol. 9, No. 3: 457-462
[67] Stavros J. Perantonis, Dimitris A.Karras. An Efficient Constrained Learning Algorithm with Momentum Acceleration. Neural Networks. 1995, Vol. 8, No. 2: 237-249
[68] Chyi-Tsong Chen, Wei-Der Chang. A Feedforward Neural Network with Function Shape Autotuning. Neural Networks. 1996, Vol. 9, No. 4: 627-641
[69] Ralf Salomon, Leo Van Hemmen. Accelerating Backpropagation through Dynamic Self-Adaption. Neural Networks. 1996, Vol. 9, No. 4: 589-601
[70] Regis Lengelle, Thierry Denceux. Training MLPs Layer by Layer Using an Objective Function for Internal Representations. Neural Networks. 1996, Vol. 9, No. 1: 83-97
[71] Xiao-Hu Yu, Guo-An Chen. Efficient Backpropagation Learning Using Optimal Learning Rate and Momentum. Neural Networks. 1997, Vol. 10, No. 3: 517-527
[72] George D. Magoulas, Michael N.Vrahatis, George S. Androulakis. Effictive Bachpagation Training with Variable Stepsize. Neural Networks. 1997, Vol. 10, No. 1: 69-82
[73] Tomochika Ozaki, Tatsuya Suzuki, Takeshi Furuhashi, Shigeru Okuma, Yoshiki Uchikawa. Trajectory Control of Robotic Manipulators Using Neural Networks. IEEE Trans. On Industrial Electronics. 1991, Vol. 38, No. 3: 195-202
[74] M. Teshnehlab, K. Watanabe. Self tuning of computed torque gains by using neural networks with flexible structures. IEE Proc. Control Theory. 1994, Vol. 141, No. 4: 235-242
[75] 李伟．一种高效能的机器人模糊控制方案．自动化学报，1995，4：401-408
[76] Neti C, Schneider M. H, Young E.D. Maximally Fault Tolerant Neural Network. IEEE Trans on Neural Networks. 1992, Vol. 3, No. 1: 14-23
[77] Cios K. J, Liu N. A Machine Learning Method for Generation of a Neural Network Architectures: A Continuous ID3 Algorithm. IEEE Trans. on Neural Networks. 1992, Vol. 3, No. 2: 280-291
[78] E. D. Karnin. A Simple Procedure for Priming Back-Propagation Trained Neural Networks. IEEE Trans. on Neural Networks. 1990, Vol. 1, No. 2: 239-242
[79] 杨晓红，刘乐善．用遗传算法优化神经网络结构．计算机工程，1996，4：59-65
[80] 周春光，周国芹，程彦峰，常迪，梁艳春．一种克服遗传算法收敛于局部投小的方法．小型微型计算机系统，1997；3：46-49
[1] 曹洪，王作英．数宇信号处理单片机的发展及其在数字信号处理中的应用．信号处理，1988；3：148-156
[2] 高志伟．单片数字处理集成电路器件的现状与展望．信号处理，1988；1：118-126
[3] 韩纪庆，杨子云，王承发．DSP应用于计算机领域的回顾与展望．微处理机，1994；2：1-5
[4] 邬江兴，何红水，张国杰．现代通信中的DSP：面临的挑战及未来发展趋势．电信科学，1996；12：42-46
[5] DSP技术及其应用讲座．电子技术，1997；10-12；1998；1
[6] 关铁梁．信息数字化的技术前景和数字信号处理器．数字通信，1995；25-28
[7] 邓圻贵．数字信号处理器的应用前景．电子天府，1996；4：89-92
[8] 郭庆鼎，付强，王正．DSP在高性能电气传动中的优势、限制及应用．电气传动，1991；5：34-41
[9] 刘军，戴先中．DSP单片微机及其在高性能控制中的应用．电气传动自动化，1995；4：10-15
[10] 孙玉望．通信系统中的数字信号处理器．电声技术，1996；3：6-10
[11] 安刚，蒋喜华．数字信号处理器在机器人控制器中的应用．机器人，1993；2：51-54
[12] 邓新杰，卢桂章．TMS32020在机器人动力学控制中的应用．机器人，1994；3：135-139
[13] 李昌立，陈希清．DSP的发展及其在通信工程中的应用．电子学报，1992；1：67-73
[14] 傅世友．DSP技术在卫星通信中的应用．通信与广播电视，1995；4：7-15
[15] 韩纪庆，王承发，马小强．RISC与DSP的结构比较及在嵌入式应用中的方案选择．微电子学与计算机，1994；5：19-22
[16] 中国计算机报—DSP技术专题．1996．8．26．
[17] 晓云．未来属于DSP．PC WEEK．1997．9．15
[18] 徐书文．数字信号处理器件发展概况．电声技术，1997；7：38-41
[19] 龚向东．单片可编程通用DSP器件的发展及应用．电讯技术，1993；2：23-28
[20] 甘建繁．通用DSP芯片及其选用．电信技术研究，1995；1：9-13
[21] 宋万忠．常用信号处理芯片综述．电讯技术，1997；2：76-82
[22] 章锦文，马远良．32位浮点DSP综观．微处理器，1995；3：1-3
[23] 范云军．TMS320数字信号处理器综述．数字通信，1997；3：3-4
[24] 洪刚，俞高峰，高正．多主系统在高速信号处理中的应用．信号处理，1990；4：221-226
[25] 林君，S．Kabay，N．B．Jones．DSP与PC机通讯．信号处理，1991；4：246-253
[26] 覃景繁，李崎，李正根．一种基于信箱的双机系统．微型机与应用，1997；1：18-21
[27] 王吉春，金山，薛一波．用双端口存储器简化计算机系统的通信控制．计算机工程与设计，1997；2：22-26
[28] 韩纪庆，徐近霈．一种PC机与TMS320C25信息交换的方法．微计算机应用，1992；4：63-65
[29] 张亮．TMS320C50全局存储器在PC环境中的应用．计算机与数字工程，1995；5：24-28
[30] 郑涌，陈卫东，刘劲松，蔡鹤皋．高速数字信号处理系统的硬、软件接口技术．小型微型计算机系统，1995；8：19-23
[31] 雷丽文，丁国盛．PC386／486与DSP TMS320C30大容量双寻址RAM接口设计方法．计算机应用，1996：3：19-21
[32] 陈刚，樊志容．用TMS32020与微机构成并行系统的硬件设计．电脑开发与应用，1992；3：34-37
[33] 韩纪庆，王承发，杨子云．TMS320C40的结构特点及其构成并行处理结构的方案探讨．计算机工程与应用，1995；5：18-21
[34] 张晖，何松华，郭桂蓉．TMS320C40高速处理板和并行处理系统的设计．电子技术应用，1997；1：51-52
[35] 杨建东，潘龙法，祝文浪，苏晓梦，裴先登，徐端颐．一种高速PC-DSP控制系统．小型微型计算机系统，1997；4：50-55
[36] 杨建东，祝文浪，曹向英，裴先登．光盘机的DSP数字伺服系统设计．计算机工程，1997；4：65-68
[37] 陈益新，张桂林．介绍TMS32010处理机的一般设计方法．数据采集与处理，1990；2：53-57
[38] 蔡莲红．TMS32010外部存储器的扩充．信号处理，1989；1：39-42
[39] 王翔．TMS32010外扩64K×16位存储器接口电路设计．数据采集与处理，1992；4：316-320
[40] 王翔．用高速DSP构成图象识别专用系统的研究与设计．数据采集与处理，1993；4：290-298
[41] 涂永峰，周洁敏，陶云刚，何延伟．利用TMS320C25的高速数据采集与实时信号分析系统．数据采集与处理，1996；4：295-299
[42] 毕常青，徐子兴，谢锦辉．基于TMS320C25的语音编码系统．计算机应用研究，1995；2：27-28
[43] 吉根林，奚抗生，宋建平．用TMS320C25与PC机构成的并行计算机系统．计算机应用研究，1995；3：73-74
[44] 王建新，贾筱洪．TMS32020实现的数字滤波器．数据采集与处理，1994；1：66-70
[45] 李敬华．数字信号处理器TMS320C25之等待电路设计．数据通信，1996；2：43-46
[46] 张燕武，肖国有，史新华，马远良．TMS320C25双芯片信号处理模块的硬件设计．数据采集与处理，1992；4：274-277
[47] 李昌立，莫福源，王天祥．信号处理器TMS32020(TMS320C25)软件和硬件开发技术．信号处理，1988；4：206-213
[48] 王文军．高速数字信号处理芯片TMS320C25仿真系统的设计．通信与广播电视，1993；2：72-78
[49] 贾平生．基于TMS320C25音频处理系统的C语言编程．电讯技术，1997；3：35-38
[50] 张春龙，谢上明，邱家林．用DSP实现数话兼容保密终端．通信技术，1991；4：44-49
[51] 沈同圣，周晓东．浮点运算在TMS320C25上的快速实现．微处理机，1992；20-23
[52] 洪一．利用查表法加快TMS32020对复数信号模值的计算．数据采集与处理，1990；3：46-50
[53] 博世友，翟春江．数字信号处理器TMS320文件格式的转换．通信与广播电视，1995；1：57-60
[54] 刘国霖．使用信号处理器TMS320C25的几个技巧．微处理机，1994；4：54-56
[55] 刘国霖．实现TMS320C25不等待工作模式的两种新方法．电子技术应用，1994；9：46-48
[56] 何宏彬．TMS320C25数宇信号处理器开发系统的设计和应用．电子技术应用，1994；6：5-6
[57] 叶兆青，阎欣元．一种TMS32020／C25实时开发系统．微计算机应用，1992；4：57-62
[58] 李勇．关于TMS320C30浮点数字信号处理器及在实时计算机系统中应用的分析．微处理机，1996．4：14-19
[59] 陈建平．TMS320C30上典型信号波形的产生．计算机应用研究，1996；72-73
[60] 丁国盛，雷丽文．PC386／486与DSPTMS320C30构成的高密度电磁环境视频模拟器．计算机工程与应用，1997；2：46-48
[61] 郭宇，朱之芹．TMS320C30在数据接收及数据处理方面的应用．电子技术应用，1997；1：40-42
[62] 刘英建，黄庆明，张田文．基于TMS320C30实现ALV目标识别中的实时卷积处理．微机发展，1994；1：23-27
[63] 李道远，全景才．TMS320C30单片机的原理和应用．电子技术应用，1997；12：18-19
[64] 刘进．用TMS320C30实现浮点MDFT算法．现代通信技术，1993；3：35-41
[65] 倪宏，何国健．TMS320C30开发系统监控软件的设计．微计算机应用，1995；3：19-24
[66] 袁延艺，林建域．TMS320C30仿真器及其在多片C30系统软硬件调试中的应用．电子技术应用，1996；12：10-12
[67] 宋彬，吴刚，李宗葛．用DSP芯片实现的指纹识别系统．计算机工程，1996；5：41-45
[68] 张文忠，沈兰荪．全数字接收机的DSP实现．电信科学，1995；10：26-30
[69] 韩纪庆，王承发．TMS320C30的典型函数运算．数据采集与处理，1993；3：208-211
[70] 李彤，沈兰荪．高可靠性TMS320C30专用信号处理硬件设计．数据采集与应用，1994；3：210-213
[71] 张世稳．TMS320C31数字信号处理器性能分析与电路设计．电子科技杂志，1994；4：44-59
[72] 张延平．高性价比数字信号处理器-TMS320C32．集成电路应用，1995；6：39-43
[73] 蒋桂清．TMS320C40 32位浮点DSP芯片．微处理机，1993；1：59-60
[74] 韩纪庆，王承发．TMS320C50结构特点．微处理机，1993；4：11-12
[75] 王建新，钱冬宁，张先萌．TMS320C5X信号处理器及其应用，微处理器，1993；2：14-18
[76] 范云军．TMS320C50数字信号处理器的特点及应用技巧．数字通信，1996；4：52-56
[77] 叶小玲．TMS320C50在特快编码中的应用．电子技术参考，1997；2：35-45
[78] 国澄明，刘军，李铁盘．TMS320C50图象处理系统．信号处理，1995；3：221-224
[79] 国澄明，李铁盘．用TMS320C50DSP实现图象的直接捕获与显示．信号处理，1996；
[80] 张旭东，关鸿杰，王德生．TMS320C80在图象通信中的应用．电子技术应用，1997；8：43-47
[81] 杨文琳，方志宏．多DSP芯片在雷达点迹凝聚处理中的应用．电子技术应用，1997；12：58-60
[82] 吴悦．语音信箱的DSP并行处理系统设计．计算机工程与设计，1996；2：43-47
[83] 郭敏，陈健．用DSP实现人工神经网络语音识别．电声技术，1996；8：2-6
[84] 沈寿金，江明，李刚民，陈伯时．采用高速数字信号处理器(DSP)的非线性解耦控制交流变频调速系统．电气传动，1994；3：6-11
[85] 陈芳．数字信号处理DSP芯片与快速傅里叶变换FFT．集成电路应用，1995；3：29-31
[86] 国澄明，苏晓红，王兆华．基于专用DSP的循环往复流水线实时图象处理研究．电子学报，1994；1：62-66
[87] 朱红卫，刘爱琴．基于高速DSP的动态视觉处理系统．小型微型计算机系统，1995；1：10-14
[88] 马霓．一种用DSP芯片实现的实时低码率语音编解码系统．电子技术应用，1996；12：46-48
[89] 王立贵，孙军，钱宝歧．采用高速数字信号处理器ADSP2100和PCM编解码器 MC145500构成的信号采集系统．电子技术应用，1996；1：44-48
[90] 柴晓冬，张德龙，郑国山．用DSP芯片ADSP21020实现语音信号的提取及处理．电子技术，1997；6：30-32
[91] 李传光，韩秀苓．ADSP-2100系列DSP开发平台．电声技术，1997；9：2-6
[92] 程汉湘，李树之，胡继武，姜曼松．一种新型的ADSP-2100系列敖字信号处理单片机仿真系统．微处理机，1993；4：13-17
[93] 江沛，程汉湘．ADSP-2105单片机开发系统的监控程序．微处理机，1994；2：6-12
[94] 吴芸，徐超．基于定点DSP芯片实现的极低码率实时语音编解码器．电子技术应用，1997；11：56-58
[95] 张亮，何松华．高速数字信号处理系统设计．微处理机，1996；1：42-43
[96] 陆生礼，李素珍，邵士文，孙大有．数字信号处理及其通信系统设计．电子器件，1996；4：262-266
[97] 陈发新．通用数字信号处理开发与应用板的设计．电信技术研究，1997；5：8-10
[98] 韩纪庆，王承发，杨平．在高级语言环境下实现快速DSP功能．信号处理，1994；1：19-22
[99] 韩纪庆，杨平，王承发．DSP函数库的设计与实现．微电子学与计算机，1994；2：31-32
[100] 高建臣，吴平东，用DSP实现复杂控制算法的途径．微计算机信息，1996；3：24-25
[101] Gwi-Tae Park, Jung-Keyng Choi, Sang-Lak Lee. Design of a Variable Structure Controller from Drum Motor in Home VCR, Proceeding of the IEEE. 1992; 138-142
[102] Nobuyuki Matsui, Masakane Shigyo. Brushless de Motor Control without Position and Speed Sensors. IEEE Trans. On Industry Application, 1992, Vol. 28, No, 1: 120-127
[103] T.H.Lee, T.S.Low, J.X.Xu, H.K.Lim. Offset-Free Combined Neural Network/Switching Control for Nonlinear Servomechanisms with DSP-Based Implementation. IEEE Trans. On Industry Electronics. 1995, Vol. 42, No. 1: 9-16
[104] L. A. Dessaint, Maarouf Saad, Bernard Hebert and Sylvain Robert. Real-Time Implementation of an Indirect Adaptive Robot Controller. Int. Journal of Adaptive Control and Signal Processing. 1995, Vol. 9: 369-381
[105] 郭树旭，赵蔚．用TMS32010DSP实现直方图统计的新算法．微处理器，1992；2：41-43
[106] 韩纪庆，杨子云，王承发．DSP开发工具综述．微处理机，1994；2：3-5
[107] 沈同圣，周晓东．DSP软件固化方法探讨．微处理机，1992；3：25-29
[108] 李刚民，沈寿金．单片机开发和调试DSP应用系统除探．单片微机控制系统，EACS’92，556-560
[109] TMS320C30-A型开发／高速处理多功能板用户指南．中科院声学所．
[110] TMS320第三代数字信号处理器用户指南．中科院声学所．
[111] TMS320C30库函数使用说明．中科院声学所．
[112] TMS320 Floating-Point DSP Assembly Language Tools User's Guide. Texas Instruments.
[113] TMS320C30 Simulator. Texas Instruments.
[114] TMS320C30 C Compiler Reference Guide. Texas Instruments.
[115] DSP应用开发系统．北京合众电子技术有限公司，1995．
[116] 成曙，田新明．柴油机燃油系统故障诊断的神经网络方法．第二炮兵工程学院学报．1994，3．67-71．
[117] 陈申，蒋静坪，袁惠根．CSTR的非线性自适应控制．信息与控制．1992，4：124-128．
[118] 试验设计与数据处理．冶金工业出版社．
[2] 吴宏鑫．自适应控制技术的应用和发展．控制理论与应用，1992；2：105-114
[3] C．C．Hank T．H．Lee．适应控制综述．自动化学报，1992；3：257-264
[4] 高为炳，程勉，夏小华．非线性控制系统的发展．自动化学报，1991；5：513-523
[5] 高为炳．变结构控制研究的发展与现状．控制与决策，1993；4：241-248
[6] 王礼全，施颂椒，张钟俊．结构不确定性线性多变量系统鲁棒控制．控制理论与应用，1991；2：119-125
[7] K.J.Astrom, C.C.Hang, P.Perssson, W.K.Ho. Towards Intelligent PID Control. Automatica, Vol. 28, No. 1, 1991, 1-9
[8] Kathryn Blackmond Laskey. Model Uncertainty: Theory and Practical Implications. IEEE Trans. On Systems, Man and Cybernetics, Vol. 26, No. 3, May 1996; 340-348
[9] 田华，蒋慰孙．智能控制系统的若干新近发展．信息与控制，1992；2：95-100
[10] 张钟俊，蔡自兴．智能控制与智能控制系统．信息与控制，1989；5：30-39
[11] 黄苏南，邵惠鹤，张钟俊．智能控制的理论和方法．控制理论与应用，1994；4：386-395
[12] 罗公亮，卢强．智能控制与常规控制．自动化学报，1994；3：324-332
[13] 秦世引，罗公亮．智能控制研究中的几个问题．信息与控制，1996；3：137-142
[14] 孙增圻，张再兴．智能控制的理论与技术．控制与决策，1996；1：1-8
[15] 李衍达，汤跃忠．智能控制和智能自动化．微计算机信息，1995；5：14-17
[16] 田华，吴启迪，张钟俊．走向智能控制系统．微计算机信息，1996；2：3-7
[17] 李少远，杨鹏，王群仙．智能控制的新进展．信息-电子与自动化仪表，1997；4：1-10
[18] 李永正．专家控制技术与智能控制理论的发展．自动化仪表，1997；7：1-7
[19] 费敏锐，陈伯时，郎文鹏．智能控制方法的交叉综合及其应用，控制理论与应用，1996；3：273-280
[20] 戴汝为，王珏．巨型智能系统的探讨．自动化学报，1993；6：645-656
[21] 张再兴，孙增圻．关于专家控制．信息与控制，1995；3：167-172
[22] 邓志东，张再兴，孙增圻．学习控制系统．信息与控制，1996；2：94-102
[23] 郑应平．从IFAC'96世界大会看自动控制发展的若干动向．自动化学报，1997；3：428-431
[24] 胡上序，程翼宇．人工神经元计算导论．科学出版社，1994
[25] 焦李成．神经网络系统理论．西安电子科技大学出版社，1992
[26] 焦李成．神经网络计算．西安电子科技大学出版社，1995
[27] 焦李成．神经网络的应用与实现．西安电子科技大学出版社，1995
[28] 黄战，戴冠中．神经网络控制器的研究．信息与控制，1991；6：27-32
[29] 田明，戴汝为．神经元控制系统．信息与控制，1992；3：157-161
[30] 周其节，徐建闽．神经网络控制系统的研究与展望．控制理论与应用，1992；6：570-577
[31] 王科俊，李殿璞，李国斌．人工神经元网络在控制中的应用．黑龙江自动化技术与应用，1992：3：1-12
[32] 冯纯伯，刘延年．神经网络控制的现状及问题．控制理论与应用，1994；1：103-106
[33] Behnam, Bavarian. Introduction to Neural Nerworks for Intelligent Control. IEEE Control System Magazine, Vol. 8, No. 2, 1988: 3-7
[34] Demetri Psaltis, Athanasios Sideris, Alan A. Yamamura. A Multilayered Neural Network Controller. IEEE Control System Magazine, Vol. 8, No. 2, 1988; 17-21
[35] Allon Guez. James L. Eilbert, Moshe Kam. Neural Network Architecture for Control. IEEE Control System Magazine, Vol. 8, No. 2, 1988: 22-25
[36] K. J. Hunt. D. Sbarbaro, R.Zbikowski, P.J. Gawthrop. Neural Networks for Control Systems—A Survey. Automatica, Vol. 28, No. 6, 1992; 1083-1112
[37] Tetsuro Yabuta, Takayuki Yamada Neural Network Controller Characteristics with Regard to Adaptive Control. IEEE Trans. On Systems, Man and Cybernetics, Vol. 22, No. 1, Jan. Feb., 1992; 170-177
[38] Toshio Fukuda, Takanori Shibata. Theory and Applications of Neural Networks for Industrial Control Systems. IEEE Trans. On Industrial Electronics, Vol. 39, No. 6, December 1992; 472-489
[39] Kevin M. Passino, Michael A. Sartori, Panos J. Antsaklis. Neural Computing for Numeric-to-Symabolic Conversion in Control Systems. IEEE Control System Magazine, 1989; 44-51
[40] 杨自厚．神经网络技术及其在钢铁工业中的应用．冶金工业自动化，1996；4：48-51
[41] 王旭东，邵惠鹤．RBF神经网络理论及其在控制中的应用．信息与控制，1997；4：272-283
[42] 陈卫田，施颂椒，张钟俊．基于神经网络的非线性自适应控制．控制理论与应用，1996；5：545-552
[43] 倪先峰，陈宗基，周绥平．非线性系统的神经网络学习控制．控制与决策，1992；5：377-381
[44] 邓志东，孙增圻，刘建伟．神经网络异步自学习控制系统．自动化学报，1995；5：629-633
[45] 黄苏南，邵惠鹤，钱积新．一种智能控制器．自动化学报，1997；1：116-120
[46] 刘宝坤，石红瑞，王慧，赵丛．基于遗传算法的神经网络自适应控制器的研究．信息与控制，1997；4：311-314
[47] Kumpati S. Narendra. Neural Networks for Control: Theory and Practice. Proceedings of the IEEE, Vol. 84, No. 10, 1996; 1385-1406
[48] 张承福，赵刚．联想记忆神经网络的若干问题．自动化学报，1994，5：513-521
[49] 刘晓鸿，戴汝为．建立Hopfield网络的一般方法．自动化学报，1996；3：301-307
[50] 阎平凡．对多层前向神经网络研究的几点看法．自动化学报，1997；1：129-135
[51] 李晓钟．神经网络与模糊控制．模糊系统与数学，1990；2：53-70
[52] Chuen Chien Lee. Fuzzy Logic in Control Systems: Fuzzy Logic Controller. IEEE Trans. On Systems, Man and Cyberneties, Vol. 20, No. 2, March/April 1990; 404-434
[53] J. L. Castro. Fuzzy Logic Controllers Are Umversal Approximators. IEEE Trans. On Systems, Man and Cybernetics, Vol. 25, No. 4, April 1995; 629-635
[54] Tang-Kai Yin, C. S. George Lee. Fuzzy, Model-Reference Adaptive Control. IEEE Trans. On Systems, Man and Cybernetics, Vol. 25, No. 12, December 1995; 1606-1605
[55] 沈建强，李平．神经模糊技术的研究现状与展望．控制与决策，1996；5：527-532
[56] 张良杰，李衍达．模糊神经网络技术的新近发展．信息与控制，1995；1：39-45
[57] 张良杰，李衍达．基于模糊逻辑与神经网络技术的智能控制器自动设计系统的研究．信息与控制，1996；3：129-136
[58] 候卫兵，冯冠平．自适应神经元模糊控制系统的研究．控制与决策，1997；3：269-273
[59] 胡建元，吴隆安，黄心汉，陈锦江．单个神经元的自适应控制．控制理论与应用，1991；1：19-21
[60] Satoshi Yanagawa, Ichiro Miki. PID Auto-Tuning Controller Using a Single Neuron for DC Servomotor, Proceeding of the IEEE International Symposium on Industrial Electronics, 1992; 1: 277-280
[61] 胡建元，黄心汉，袁军，陈锦江．采用单个神经元的PID学习控制．控制与决策，1993；2：135-138
[62] 袁军，黄心汉，陈锦江．基于单个神经元的机器人自适应控制．控制理论与应用，1994；1：89-93
[63] 王永骥，陈捷，徐桂英，涂健．水轮机组调速系统的自适应神经元控制．自动化学报，1994；1：117-120
[64] 王耀南，童调生，蔡自兴．基于神经元网络的智能PID控制及应用．信息与控制，1994；3：185-189
[65] Hornnik, K.,et al.. Mlultilayer Feedforward Networks Are Universal Approximators. Neural Networks, 1989; 2: 359-366
[66] Girosi, F. and Poggio, T.. Networks and Best Approximation Property. Biological Cybernetics, 1990; 6: 169-176
[67] Chen T, Chen H, Liu R W. Approximation Capacity in C(R~n) by Multilayer Feedforward Networks and Related Problems. IEEE Trans On Neraul Networks, 1995; 6(1)
[68] Moshe Leshno, et al. Multilayer Feedforward Networks with a Nonpolynomial Activation Function Can Approximate Any Function. Neural Networks, 1993; 6
[69] Chen Tianpmg et al. Approximation of continuous functions by NN with application to dynamic systems, IEEE Trans. On Neural Networks, 1993; 4(6): 910-918
[70] Piggio T, Girosi F. A Theory of Networks for Approximation and Learning. Artificial Intelligence Laboratory, MIT, Cambridge Mass, 1989.
[71] Modha D S. et al. Multilayer functionals, in Mathematical Approach to NN, Taylor J G ed. Amsterdam Elsevier Science Publishers. 1993; 235-260
[72] N.V.Bhat, P.A.Minderman, Jr.T. McAvoy, Et al. Modeling Chemical Process Systems via Neural Computation. IEEE Control Systems Magazine. 1990; 10(3): 24-30
[73] 吕强，郝继红，段运波，等．利用动态RBF网络的非线性系统辨识，中国控制与决策学术年会论文集，1994；695-699
[74] S.R.Chu, R.Shoureshi, M.Tenorio. Neural Networks for System Identification. IEEE Control Systems Magazine. 1990; 10(3): 31-35
[75] N.Bath, T.J.McAvoy. Use of Neural Net for Dynamic Modeling and Control of Chemical Process Systems. Computer Chem. Eng.. 1990; 14(4/5): 573-583
[76] M. Khalid, S.Omatu. A Neural Network Controller for a Temperature Control System. IEEE Control Systems Magazine. 1992; 12(3): 58-64
[77] F.C.Chen. Back-Propagation Neural Networks for Nonlinear Self-Tuning Adaptive Control.IEEE Control Systems Magazine. 1990; 10(3): 44-48
[78] 许力，蒋静坪．CSTR系统的基于CMAC神经网络的学习控制研究．控制与决策，1992；7(2)：131-136
[79] D.C.Psichogios, L.H.Ungar. Nonlinear Internal Model Control and Model Predictive Control using Neural Networks. Proc. 5th IEEE Int. Symp. Intelligent Control. 1990; 2: 1082-1087
[80] 李春涛，舒迪前，尹怡欣．神经网络内模控制及其在电加热炉上的应用．冶金自动化，1995；19(4)：36-40
[81] D. Sharbaro-Hofer, D. Neumerkel. K. Hunt. Neural Control of a Steel Mill. IEEE Control Systems Magazine. 1993; 13(3): 69-75
[82] Kawato, M., et al. A Hierarchical Model for Voluntary Movement and its Application to Robotics. Proc. of 1987 IEEE Int. Cord. On Neural Networks. 1987; 573-582
[83] Gomi, H. and Kawato, M.. Learning Control for A Closed Loop System Using Feedback-Error-Learning. 29th CDC. 1990; 3284-3295
[84] Narendra, K. S. et al.. Identification and Control of Dynamical Systems Using Neural Networks. IEEE Trans. On Neural Networks. 1990; 1(1): 4-27
[85] Narendra, K. S. and Mukhopadhydy, S.. Adaptive Control of Nonliear Multivariable Systems Using Neural Networks. Neural Networks. 1994; 7: 737-752
[86] Wang L. X, Mendel J. M. Matrix Computations and Equation Solving Using Structured Networks. and Training. Proc. 29th Conf. Decision and Control. 1990; 475-483
[87] Kumar, S. S., Guez, A.. ART Based Adaptive Pole Placement for Neurocontrollers. Neural Networks, 1991; 4: 319-335
[88] K.C.Chan, S.S.Leong. A neural network PI controller tuner. Artificial Intelligence in Engineering, 1995; 9: 167-176
[89] Kung, S. Y. Hwang J. N. . Neural Network Architectures for Robotic Applications. IEEE Trans., on Robotics and Automation, 1989; 5: 641-657
[90] Handelman D A et al. Integrating Neural Networks and Knowledge-Based Systems for Intelligent Robotic Control. IEEECntrol System Magazine, Vol. 10, No. 3, 1990; 34-56
[91] Fukuda, T. and Shibata, T.. Theory and Applications of Neural networks for Industrial Control Systems. IEEE Trans. On Industrial Electronics, Vol. 39, No. 6, 1992; 278-282
[92] 袁曾任，姜莉楠．基于人工神经元的控制系统模型简化的专家系统．信息与控制，1992；5：278-282
[93] Jang J S. Self-Lernming Fuzzy Logic Controller Based on Temporal Back Propagation. IEEE Trans. On Neural Networks, 1992; 3(5): 714-723
[94] Nie J, H, Linkens D. A. Fast Self-Learning Multivaraiable Fuzzy Controllers Constructed from a Modified CPN Network. Int J. Control 1994; 60(3): 369-393
[95] Kosko Bart, Kong Seong Gon.. Adaptive Fuzzy Systems for Backing up a Truck-and-Trailer. IEEE Trans. On Neural Networks, 1992; 3(2): 211-223
[96] Berenji H. R, Khedkar P.. Learning and Tuning Fuzzy Logic Controller Througth Reinforcement. IEEE Trans. On Neural Networks, 1992; 3(5): 724-740
[97] C. T. Chao, Y. J. Chen, C. C. Teng. Simplification of Fuzzy-Neural Systems Using Similarity Anylysis. IEEE Trans. On Systems, Man and Cybernetics. 1996; Vol. 26, No. 2: 344-354
[98] Toshio Fukuda, Hideyuki Ishigami. Auto Fuzzy Tuning having Minimum Structure by Using Genetic Algorithm and Delta Rule. IEEE. 1993; 86-94
[99] 王殿辉，柴天佑．自适应模糊神经网络控制器设计的线性化方法．控制与决策，1995；1： 21-27
[100] 王耀南. An Adaptive Control Using Fuzzy, Logic Neural Networks and Its Applicaton. 控制理论与应用, 1995; 4: 437-444
[101] Fei, M. R., et al.. Method of Neural Network Learning Fuzzy, Variable Structure Control for Industrial Furnace Applications. Proc. of the 1st ISICIMS, Seoul. 1994; 400-405
[102] Sanner, R. M. and Slotine, J. J. E.. Gaussian Neural Networks for Direct Adaptive Control. IEEE Trans. On Neural Networks, 1992; 3(6): 837-862
[103] Rovithakis, G. A. and Chistodoulou, M. A.. Adaptive Control of Unknown Plants. IEEE Trans. On Systems, Man and Cybernetics, 1994; 24: 400-412
[104] T.H.Lee, P.K.Yue, K.K.Tan. A Neural-network-based Model Reference PID-like Controller for Process Control. Engng Applic. Artif. Intell. Vol. 7, No. 6, 1994; 677-684
[105] A. R. Barron. Universal Approximation Bounds for Superpositions of a Sigmoidal Function. IEEE Trans. On Inform. Theory. Vol 39, No. 3, 1993; 930-945
[1] 王煦法．遗传算法及其应用．小型微型计算机系统，1995；2：59-64
[2] 张晓绩，戴冠中，徐乃平．一种新的优化搜索算法-遗传算法．控制理论与应用，1995；3：265-271
[3] 周金荣，黄道，蒋慰孙．遗传算法的改进及其应用研究．控制与决策，1995；3：261-264
[4] 孙艳丰，王众托．遗传算法在优化问题中的应用研究进展．控制与决策，1996；4：425-431
[5] 恽为民，席裕庚．遗传算法的运行机理分析．控制理论与应用，1996；3：297-304
[6] 席裕庚，柴天佑，恽为民．遗传算法综述．控制理论与应用，1996；6：697-708
[7] 丁承民，张传生，刘辉．遗传算法纵横谈．信息与控制，1997；1：40-47
[8] 张晓绩，方浩戴，冠中．遗传算法的编码机制研究．信息与控制，1997；2：134-139
[9] 孙艳丰，王众托．自然数编码遗传算法的最优群体规模．信息与控制，1996；5：317-320
[10] 孟祥武．遗传算法及其发展．电脑与信息技术，1997；5：41-45
[11] 章珂，刘贵忠．交叉位置非等概率选取的遗传算法．信息与控制，1997；1：53-60
[12] 吴少岩，张青富，陈火旺．基于家族优生学的进化算法．软件学报，1997；2：137-143
[13] 焦李成．进化计算与进化神经网络-计算智能的新方向．电子科技，1995；1：9-19
[14] 姚新，陈国良，徐惠敏．进化算法研究进展．计算机学报，1995；9：694-706
[15] 谢金星．进化计算简要综述．控制与决策，1997；1：1-7
[16] 应行仁，曾南．多层神经网络的样本记忆能力．计算机学报，1992；7：534-540
[17] 阎平凡．人工神经网络的容量、学习与计算复杂性．电子学报，1995；5：63-67
[18] Youngjik Lee, Sang-Hoon Oh, Myung Won Kim. An Analysis of Premature Saturation in Back Propagation Learning. Neural Network. 1993, Vol. 6, No. 5: 719-728
[19] Bagrat Amirikian Hajime Nishimura. What Size Network Is Good for Generalizaiton of a Specific Task of Interest? Neural Networks. 1994, Vol. 7, No. 2: 321-329
[20] Christian Schittenkopf, Gustavo Deco, Wilfried Brauer. Two Strategies to Avoid Overfitting in Feedforward Networks. Neural Networks. 1997, Vol. 10, No. 3: 505-515
[21] Charles W.Lee. Training Feedforward Neural Networks: An Algorithm Giving Improved Generalization. Neural Networks. 1997, Vol. 10, No. 1: 61-68
[22] David B. Fogel. An Information Criterion for Optimal Neural Network Selection. IEEE Trans. On Neural Networks. 1991, Vol. 2, No. 5: 490-497
[23] William G. Baxt. Improving the Accuracy of an Artificial Neural Network Using Multiple Differently Trained networks. Neural Computation. 1992, 4: 772-780
[24] Steven J. Nowlan, Geoffrey E. Hinton. Simplifying Neural Networks by Soft Weight—Sharing. Neural Computation. 1992, 4:473-493
[25] Russell Reed. Pruning Algorithms—A Survey. IEEE Trans. On Neural Networks. 1993. Vol. 4, No. 5: 740-747
[26] Stevan V. Odri, Dusan P. Petrovacki, Gordana A. Krstonsic. Evolutional Development of a Multilevel Neural Network. Neural Networks. 1993, Vol. 6, No. 4: 583-595
[27] N.K.Bose, Amulya K. Crarga. Neural Network Design Using Voronoi Diagrams. IEEE Trans. On Neural Networks. 1993, Vol. 4, No. 5: 778-787
[28] Mahmood R. Azimi-Sadjadi, Sassan Sheedvash, Frank O.Trujillo. Recursive Dynamic Node Creation in Multilayer Neural Networks. IEEE Trans. On Neural Networks. 1993, Vol. 4 No. 2: 242-256
[29] C. Lee Giles, Christian W. Omlin. Pruning Recurrent Neural Networks for Improved Generalization Performance. IEEE Trans. On Neural Networks. 1994, Vol. 5, No. 5: 848-851
[30] Nico Weymaere, Jean-Pierre Martens. On the Initialization and Optimization of Multilayer Perceptrons. IEEE Trans. On Neural Networks. 1994, Vol. 5, No. 5:738-751
[31] Bart L. M. Happel, Jacob M.J.Murre. Design and Evolution of Modular Neural Network Architectures. Neural Networks. 1994, Vol. 7, No. 6/7: 985-1004
[32] Eric B. Bartlett. Dynamic Node Architecture Learning: An Information Theoretic Approach. Neural Networks. 1994, Vol. 7, No. 1: 129-140
[33] Tarek M.Nabhan Albert Y.Zomaya. Toward Generating Neural Network Structures for Function Approximation. Neural Networks. 1994, Vol. 7, No. 1: 89-99
[34] Zhenni Wang, Christine Di Massimo, Ming T. Tham, A. Julian Morns. A Procedure for Determining the Topology of Multilayer Feedforward Neural Networks. Neural Networks. 1994, Vol. 7, No. 2: 291-300
[35] Noboru Murata, Shuji Yoshizawa, Shun-ichi Amari. Network Information Criterion-Determining the Number of Hidden Units for an Artificial Neural Network Model. IEEE Trans. On Neural Networks. 1994, Vol. 5, No. 6: 865-871
[36] Peter J. Angeline, Gregory M. Saunders, Jordan B. Pollack. An Evolutionary Algorithm that Constructs Recurrent Neural Networks. IEEE Trans. On Nettral Networks. 1994, Vol. 5 No. 1: 54-65
[37] J. R. McDonnell, D. Waagen. Evolving Recurrent Perceptrons for Time-Series Modeling. IEEE Trans. On Neural Networks. 1994, Vol. 5, No. 1: 24-38
[38] Dimitris C. Psichogios, Lyte H. Ungar. SVD-NET: An Algorithm that Automatically Selects Network Structure. IEEE Trans. On Neural Networks. 1994, Vol. 5, No. 3: 513-515
[39] W. Weng K. Khorasani. An Adaptive Structure Neural Networks with Application to EEG Automatic Seizure Detection. Neural Networks. 1996, Vol. 9, No. 7: 1223-1240
[40] Masumi Ishikawa. Structural Learning with Forgetting. Neural Networks. 1996. Vol. 9, No. 3 509: 521
[41] Vittorio Maniezzo. Genetic Evolution of the Topology and Weight Distribution of Neural Networks. IEEE Trans. On Neural Networks. 1994, Vol. 5, No. 1: 39-53
[42] Jian Fang& Yugeng Xi. Neural Network Design Based on Evolutionary Programming. Artificial Intelligence in Engineering. 1997, Vol. 10, No. 2, 155-161
[43] Behnam S.Arad, Ahmed El-Amawy. On Fault Tolerant Training of Feedforward Neural Networks. Neural Networks. 1997, Vol. 10, No. 3: 539-553
[44] Steve A.Billings, Guang L. Zheng. Radial Basis Function Network Configuration Using Genetic Algorithms. Neural Networks. 1995, Vol. 8, No. 6: 877-890
[45] Jun Han, Claudio Moraga, Stefan Stone. Optimization of Feedforward Neural Networks. Artificial Intelligence in Engineering. 1996, Vol. 9, No. 2: 109-119
[46] Yun Li, Alexander, Haubler. Artificial Evolution of Neural Networks and its Application to feedback Control. Artificial Intelligence in Engineering. 1996, Vol. 9, No. 10: 143-152
[47] Rudy Setiono. A Penalty-Function Approach for Pruning Feedforward Neural Networks, Neural Computation. 1997, No, 9: 185-203
[48] 汪涛，刑小良．感知器的动态稀疏化学习．自动化学报，1995；1：93-97
[49] 方剑，席裕庚．神经网络结构设计的准则和方法．信息与控制，1996；3：156-164
[50] 张友民，李庆国，戴冠中，张洪才．一种RBF网络结构优化方法．控制与决策，1996；6：667-671
[51] 王继成，蔡义发，吕维雪．一种自动生成神经网络结构的新方法．自动化学报，1996；1：19-25
[52] 陈荣，徐用懋，兰鸿森．多层前向神经网络的研究-遗传BP算法和结构优化策略．自动化学报，1997；1：43-49
[53] 陆系群，余英林．前馈神经网络隐层节点的动态删除法．控制理论与应用，1997；1：101-104
[54] 袁曾任，卢振中．由神经网络提取规则的一种方法及其应用．信息与控制，1997；1：61-65
[55] 鲍晓红，贾英民．由神经元网络辨识非线性系统中的网络结构选择，控制理论与应用，1997；4：489-494
[56] 韦柳涛，钱治航，夏金安，虞锦江，刘育骐，管家宝．基于遗传交换操作的多层神经网络算法．计算机工程，1993；6：22-25
[57] 晏建军，何永保．利用遗传算法简化神经网络结构．计算机工程，1995；5：56-61
[58] 冯旭东，陈方．遗传算法在辅助设计神经网络中的应用．电脑与信息技术，1997；4：13-16
[59] 张铃，张鏺．神经网络中BP算法的分沂．模式识别与人工智能，1994；3：191-195
[60] 孙德保，高超．一种实用的克服局部极小的BP算法研究．信息与控制，1995；5：283-287
[61] 许力．一种局部化的反向传播网络．控制与决策，1995；2：148-152
[62] M. Teshnehlab, K. Watanabe. Self Tuning of Computed Torque Cains by Using Neural networks with Flexible Structures. IEE Proc. Control Theory, Application. 1994, Vol. 141, No. 4: 235-242
[63] D. H. Rao, M.M.Gupta. Neuro-Fuzzy controller for Control and Robotics applications. Artificial Intelligence in Engineering. 1994, Vol. 7, No. 5: 479-491
[64] Ramana Vitthal, P. Sunthar, Ch. Durgaprasada Rao. The Generalized Proportional-Integral-Derivative(PID)Gradient Descent Back Propagation Algorithm. Neural Networks. 1995, Vol. 8, No. 4: 563-569
[65] Theodore B. Trafalis, Nicolas P. Couellan. Neural Network Training via an Aftine Scaling Quadratic Optimization Algorithm. Neural Networks. 1996, Vol. 9, No. 3:475-481
[66] Lutz Prechelt. A Quantitative Study of Experimental Evaluations of Neural Network Learning Algorithms: Current Research Practice. Neural Networks. 1996, Vol. 9, No. 3: 457-462
[67] Stavros J. Perantonis, Dimitris A.Karras. An Efficient Constrained Learning Algorithm with Momentum Acceleration. Neural Networks. 1995, Vol. 8, No. 2: 237-249
[68] Chyi-Tsong Chen, Wei-Der Chang. A Feedforward Neural Network with Function Shape Autotuning. Neural Networks. 1996, Vol. 9, No. 4: 627-641
[69] Ralf Salomon, Leo Van Hemmen. Accelerating Backpropagation through Dynamic Self-Adaption. Neural Networks. 1996, Vol. 9, No. 4: 589-601
[70] Regis Lengelle, Thierry Denceux. Training MLPs Layer by Layer Using an Objective Function for Internal Representations. Neural Networks. 1996, Vol. 9, No. 1: 83-97
[71] Xiao-Hu Yu, Guo-An Chen. Efficient Backpropagation Learning Using Optimal Learning Rate and Momentum. Neural Networks. 1997, Vol. 10, No. 3: 517-527
[72] George D. Magoulas, Michael N.Vrahatis, George S. Androulakis. Effictive Bachpagation Training with Variable Stepsize. Neural Networks. 1997, Vol. 10, No. 1: 69-82
[73] Tomochika Ozaki, Tatsuya Suzuki, Takeshi Furuhashi, Shigeru Okuma, Yoshiki Uchikawa. Trajectory Control of Robotic Manipulators Using Neural Networks. IEEE Trans. On Industrial Electronics. 1991, Vol. 38, No. 3: 195-202
[74] M. Teshnehlab, K. Watanabe. Self tuning of computed torque gains by using neural networks with flexible structures. IEE Proc. Control Theory. 1994, Vol. 141, No. 4: 235-242
[75] 李伟．一种高效能的机器人模糊控制方案．自动化学报，1995，4：401-408
[76] Neti C, Schneider M. H, Young E.D. Maximally Fault Tolerant Neural Network. IEEE Trans on Neural Networks. 1992, Vol. 3, No. 1: 14-23
[77] Cios K. J, Liu N. A Machine Learning Method for Generation of a Neural Network Architectures: A Continuous ID3 Algorithm. IEEE Trans. on Neural Networks. 1992, Vol. 3, No. 2: 280-291
[78] E. D. Karnin. A Simple Procedure for Priming Back-Propagation Trained Neural Networks. IEEE Trans. on Neural Networks. 1990, Vol. 1, No. 2: 239-242
[79] 杨晓红，刘乐善．用遗传算法优化神经网络结构．计算机工程，1996，4：59-65
[80] 周春光，周国芹，程彦峰，常迪，梁艳春．一种克服遗传算法收敛于局部投小的方法．小型微型计算机系统，1997；3：46-49
[1] 曹洪，王作英．数宇信号处理单片机的发展及其在数字信号处理中的应用．信号处理，1988；3：148-156
[2] 高志伟．单片数字处理集成电路器件的现状与展望．信号处理，1988；1：118-126
[3] 韩纪庆，杨子云，王承发．DSP应用于计算机领域的回顾与展望．微处理机，1994；2：1-5
[4] 邬江兴，何红水，张国杰．现代通信中的DSP：面临的挑战及未来发展趋势．电信科学，1996；12：42-46
[5] DSP技术及其应用讲座．电子技术，1997；10-12；1998；1
[6] 关铁梁．信息数字化的技术前景和数字信号处理器．数字通信，1995；25-28
[7] 邓圻贵．数字信号处理器的应用前景．电子天府，1996；4：89-92
[8] 郭庆鼎，付强，王正．DSP在高性能电气传动中的优势、限制及应用．电气传动，1991；5：34-41
[9] 刘军，戴先中．DSP单片微机及其在高性能控制中的应用．电气传动自动化，1995；4：10-15
[10] 孙玉望．通信系统中的数字信号处理器．电声技术，1996；3：6-10
[11] 安刚，蒋喜华．数字信号处理器在机器人控制器中的应用．机器人，1993；2：51-54
[12] 邓新杰，卢桂章．TMS32020在机器人动力学控制中的应用．机器人，1994；3：135-139
[13] 李昌立，陈希清．DSP的发展及其在通信工程中的应用．电子学报，1992；1：67-73
[14] 傅世友．DSP技术在卫星通信中的应用．通信与广播电视，1995；4：7-15
[15] 韩纪庆，王承发，马小强．RISC与DSP的结构比较及在嵌入式应用中的方案选择．微电子学与计算机，1994；5：19-22
[16] 中国计算机报—DSP技术专题．1996．8．26．
[17] 晓云．未来属于DSP．PC WEEK．1997．9．15
[18] 徐书文．数字信号处理器件发展概况．电声技术，1997；7：38-41
[19] 龚向东．单片可编程通用DSP器件的发展及应用．电讯技术，1993；2：23-28
[20] 甘建繁．通用DSP芯片及其选用．电信技术研究，1995；1：9-13
[21] 宋万忠．常用信号处理芯片综述．电讯技术，1997；2：76-82
[22] 章锦文，马远良．32位浮点DSP综观．微处理器，1995；3：1-3
[23] 范云军．TMS320数字信号处理器综述．数字通信，1997；3：3-4
[24] 洪刚，俞高峰，高正．多主系统在高速信号处理中的应用．信号处理，1990；4：221-226
[25] 林君，S．Kabay，N．B．Jones．DSP与PC机通讯．信号处理，1991；4：246-253
[26] 覃景繁，李崎，李正根．一种基于信箱的双机系统．微型机与应用，1997；1：18-21
[27] 王吉春，金山，薛一波．用双端口存储器简化计算机系统的通信控制．计算机工程与设计，1997；2：22-26
[28] 韩纪庆，徐近霈．一种PC机与TMS320C25信息交换的方法．微计算机应用，1992；4：63-65
[29] 张亮．TMS320C50全局存储器在PC环境中的应用．计算机与数字工程，1995；5：24-28
[30] 郑涌，陈卫东，刘劲松，蔡鹤皋．高速数字信号处理系统的硬、软件接口技术．小型微型计算机系统，1995；8：19-23
[31] 雷丽文，丁国盛．PC386／486与DSP TMS320C30大容量双寻址RAM接口设计方法．计算机应用，1996：3：19-21
[32] 陈刚，樊志容．用TMS32020与微机构成并行系统的硬件设计．电脑开发与应用，1992；3：34-37
[33] 韩纪庆，王承发，杨子云．TMS320C40的结构特点及其构成并行处理结构的方案探讨．计算机工程与应用，1995；5：18-21
[34] 张晖，何松华，郭桂蓉．TMS320C40高速处理板和并行处理系统的设计．电子技术应用，1997；1：51-52
[35] 杨建东，潘龙法，祝文浪，苏晓梦，裴先登，徐端颐．一种高速PC-DSP控制系统．小型微型计算机系统，1997；4：50-55
[36] 杨建东，祝文浪，曹向英，裴先登．光盘机的DSP数字伺服系统设计．计算机工程，1997；4：65-68
[37] 陈益新，张桂林．介绍TMS32010处理机的一般设计方法．数据采集与处理，1990；2：53-57
[38] 蔡莲红．TMS32010外部存储器的扩充．信号处理，1989；1：39-42
[39] 王翔．TMS32010外扩64K×16位存储器接口电路设计．数据采集与处理，1992；4：316-320
[40] 王翔．用高速DSP构成图象识别专用系统的研究与设计．数据采集与处理，1993；4：290-298
[41] 涂永峰，周洁敏，陶云刚，何延伟．利用TMS320C25的高速数据采集与实时信号分析系统．数据采集与处理，1996；4：295-299
[42] 毕常青，徐子兴，谢锦辉．基于TMS320C25的语音编码系统．计算机应用研究，1995；2：27-28
[43] 吉根林，奚抗生，宋建平．用TMS320C25与PC机构成的并行计算机系统．计算机应用研究，1995；3：73-74
[44] 王建新，贾筱洪．TMS32020实现的数字滤波器．数据采集与处理，1994；1：66-70
[45] 李敬华．数字信号处理器TMS320C25之等待电路设计．数据通信，1996；2：43-46
[46] 张燕武，肖国有，史新华，马远良．TMS320C25双芯片信号处理模块的硬件设计．数据采集与处理，1992；4：274-277
[47] 李昌立，莫福源，王天祥．信号处理器TMS32020(TMS320C25)软件和硬件开发技术．信号处理，1988；4：206-213
[48] 王文军．高速数字信号处理芯片TMS320C25仿真系统的设计．通信与广播电视，1993；2：72-78
[49] 贾平生．基于TMS320C25音频处理系统的C语言编程．电讯技术，1997；3：35-38
[50] 张春龙，谢上明，邱家林．用DSP实现数话兼容保密终端．通信技术，1991；4：44-49
[51] 沈同圣，周晓东．浮点运算在TMS320C25上的快速实现．微处理机，1992；20-23
[52] 洪一．利用查表法加快TMS32020对复数信号模值的计算．数据采集与处理，1990；3：46-50
[53] 博世友，翟春江．数字信号处理器TMS320文件格式的转换．通信与广播电视，1995；1：57-60
[54] 刘国霖．使用信号处理器TMS320C25的几个技巧．微处理机，1994；4：54-56
[55] 刘国霖．实现TMS320C25不等待工作模式的两种新方法．电子技术应用，1994；9：46-48
[56] 何宏彬．TMS320C25数宇信号处理器开发系统的设计和应用．电子技术应用，1994；6：5-6
[57] 叶兆青，阎欣元．一种TMS32020／C25实时开发系统．微计算机应用，1992；4：57-62
[58] 李勇．关于TMS320C30浮点数字信号处理器及在实时计算机系统中应用的分析．微处理机，1996．4：14-19
[59] 陈建平．TMS320C30上典型信号波形的产生．计算机应用研究，1996；72-73
[60] 丁国盛，雷丽文．PC386／486与DSPTMS320C30构成的高密度电磁环境视频模拟器．计算机工程与应用，1997；2：46-48
[61] 郭宇，朱之芹．TMS320C30在数据接收及数据处理方面的应用．电子技术应用，1997；1：40-42
[62] 刘英建，黄庆明，张田文．基于TMS320C30实现ALV目标识别中的实时卷积处理．微机发展，1994；1：23-27
[63] 李道远，全景才．TMS320C30单片机的原理和应用．电子技术应用，1997；12：18-19
[64] 刘进．用TMS320C30实现浮点MDFT算法．现代通信技术，1993；3：35-41
[65] 倪宏，何国健．TMS320C30开发系统监控软件的设计．微计算机应用，1995；3：19-24
[66] 袁延艺，林建域．TMS320C30仿真器及其在多片C30系统软硬件调试中的应用．电子技术应用，1996；12：10-12
[67] 宋彬，吴刚，李宗葛．用DSP芯片实现的指纹识别系统．计算机工程，1996；5：41-45
[68] 张文忠，沈兰荪．全数字接收机的DSP实现．电信科学，1995；10：26-30
[69] 韩纪庆，王承发．TMS320C30的典型函数运算．数据采集与处理，1993；3：208-211
[70] 李彤，沈兰荪．高可靠性TMS320C30专用信号处理硬件设计．数据采集与应用，1994；3：210-213
[71] 张世稳．TMS320C31数字信号处理器性能分析与电路设计．电子科技杂志，1994；4：44-59
[72] 张延平．高性价比数字信号处理器-TMS320C32．集成电路应用，1995；6：39-43
[73] 蒋桂清．TMS320C40 32位浮点DSP芯片．微处理机，1993；1：59-60
[74] 韩纪庆，王承发．TMS320C50结构特点．微处理机，1993；4：11-12
[75] 王建新，钱冬宁，张先萌．TMS320C5X信号处理器及其应用，微处理器，1993；2：14-18
[76] 范云军．TMS320C50数字信号处理器的特点及应用技巧．数字通信，1996；4：52-56
[77] 叶小玲．TMS320C50在特快编码中的应用．电子技术参考，1997；2：35-45
[78] 国澄明，刘军，李铁盘．TMS320C50图象处理系统．信号处理，1995；3：221-224
[79] 国澄明，李铁盘．用TMS320C50DSP实现图象的直接捕获与显示．信号处理，1996；
[80] 张旭东，关鸿杰，王德生．TMS320C80在图象通信中的应用．电子技术应用，1997；8：43-47
[81] 杨文琳，方志宏．多DSP芯片在雷达点迹凝聚处理中的应用．电子技术应用，1997；12：58-60
[82] 吴悦．语音信箱的DSP并行处理系统设计．计算机工程与设计，1996；2：43-47
[83] 郭敏，陈健．用DSP实现人工神经网络语音识别．电声技术，1996；8：2-6
[84] 沈寿金，江明，李刚民，陈伯时．采用高速数字信号处理器(DSP)的非线性解耦控制交流变频调速系统．电气传动，1994；3：6-11
[85] 陈芳．数字信号处理DSP芯片与快速傅里叶变换FFT．集成电路应用，1995；3：29-31
[86] 国澄明，苏晓红，王兆华．基于专用DSP的循环往复流水线实时图象处理研究．电子学报，1994；1：62-66
[87] 朱红卫，刘爱琴．基于高速DSP的动态视觉处理系统．小型微型计算机系统，1995；1：10-14
[88] 马霓．一种用DSP芯片实现的实时低码率语音编解码系统．电子技术应用，1996；12：46-48
[89] 王立贵，孙军，钱宝歧．采用高速数字信号处理器ADSP2100和PCM编解码器 MC145500构成的信号采集系统．电子技术应用，1996；1：44-48
[90] 柴晓冬，张德龙，郑国山．用DSP芯片ADSP21020实现语音信号的提取及处理．电子技术，1997；6：30-32
[91] 李传光，韩秀苓．ADSP-2100系列DSP开发平台．电声技术，1997；9：2-6
[92] 程汉湘，李树之，胡继武，姜曼松．一种新型的ADSP-2100系列敖字信号处理单片机仿真系统．微处理机，1993；4：13-17
[93] 江沛，程汉湘．ADSP-2105单片机开发系统的监控程序．微处理机，1994；2：6-12
[94] 吴芸，徐超．基于定点DSP芯片实现的极低码率实时语音编解码器．电子技术应用，1997；11：56-58
[95] 张亮，何松华．高速数字信号处理系统设计．微处理机，1996；1：42-43
[96] 陆生礼，李素珍，邵士文，孙大有．数字信号处理及其通信系统设计．电子器件，1996；4：262-266
[97] 陈发新．通用数字信号处理开发与应用板的设计．电信技术研究，1997；5：8-10
[98] 韩纪庆，王承发，杨平．在高级语言环境下实现快速DSP功能．信号处理，1994；1：19-22
[99] 韩纪庆，杨平，王承发．DSP函数库的设计与实现．微电子学与计算机，1994；2：31-32
[100] 高建臣，吴平东，用DSP实现复杂控制算法的途径．微计算机信息，1996；3：24-25
[101] Gwi-Tae Park, Jung-Keyng Choi, Sang-Lak Lee. Design of a Variable Structure Controller from Drum Motor in Home VCR, Proceeding of the IEEE. 1992; 138-142
[102] Nobuyuki Matsui, Masakane Shigyo. Brushless de Motor Control without Position and Speed Sensors. IEEE Trans. On Industry Application, 1992, Vol. 28, No, 1: 120-127
[103] T.H.Lee, T.S.Low, J.X.Xu, H.K.Lim. Offset-Free Combined Neural Network/Switching Control for Nonlinear Servomechanisms with DSP-Based Implementation. IEEE Trans. On Industry Electronics. 1995, Vol. 42, No. 1: 9-16
[104] L. A. Dessaint, Maarouf Saad, Bernard Hebert and Sylvain Robert. Real-Time Implementation of an Indirect Adaptive Robot Controller. Int. Journal of Adaptive Control and Signal Processing. 1995, Vol. 9: 369-381
[105] 郭树旭，赵蔚．用TMS32010DSP实现直方图统计的新算法．微处理器，1992；2：41-43
[106] 韩纪庆，杨子云，王承发．DSP开发工具综述．微处理机，1994；2：3-5
[107] 沈同圣，周晓东．DSP软件固化方法探讨．微处理机，1992；3：25-29
[108] 李刚民，沈寿金．单片机开发和调试DSP应用系统除探．单片微机控制系统，EACS’92，556-560
[109] TMS320C30-A型开发／高速处理多功能板用户指南．中科院声学所．
[110] TMS320第三代数字信号处理器用户指南．中科院声学所．
[111] TMS320C30库函数使用说明．中科院声学所．
[112] TMS320 Floating-Point DSP Assembly Language Tools User's Guide. Texas Instruments.
[113] TMS320C30 Simulator. Texas Instruments.
[114] TMS320C30 C Compiler Reference Guide. Texas Instruments.
[115] DSP应用开发系统．北京合众电子技术有限公司，1995．
[116] 成曙，田新明．柴油机燃油系统故障诊断的神经网络方法．第二炮兵工程学院学报．1994，3．67-71．
[117] 陈申，蒋静坪，袁惠根．CSTR的非线性自适应控制．信息与控制．1992，4：124-128．
[118] 试验设计与数据处理．冶金工业出版社．