王晓燕，杨富龙

（1.兰州城市学院 培黎机械工程学院，甘肃 兰州730070；2.兰州理工大学 电子与信息工程学院，甘肃 兰州730050）

对于参数易变的非线性复杂系统，对角递归神经网络利用其自身的时间特性可以处理时变输入信息，对非线性时变系统进行控制[1]。很多学者就训练神经网络的算法进行了深入研究，并分别应用于不同领域。Guo B等[2]将利用DRNN实现的PID控制器应用于永磁同步电机伺服系统的控制。LI Bo等[3]将DRNN用于挖掘机伺服系统的参数辨识。S.-I.HAN等[4]提出的一种基于递归神经网络的模糊控制器对非线性系统具有良好的跟踪性能。WANG L等[5]为了提高系统的收敛速度，提出了一种混沌DRNN控制器模型。SHUANG F等[6]提出了一种基于DRNN的涡流测功机输入输出特性辨识模型。PENG Jin-zhu等[7]提出了一种结合对角递归神经网络和非线性H_∞方法的控制方法，用于改善非完整约束的两轮移动机器人系统中存在建模误差及外扰的情形。LIU Tong等[8]针对大功率连续微波加热系统的复杂性和非线性，提出了一种基于对角递归神经网络的辨识方法。LI Xiao-fei等[9]利用DRNN近似浆体压力和隧道参数之间的复杂关系，提出了一种施工过程中浆液压力平衡的模型预测控制系统。QIU Zhi-cheng等[10]将DRNN作为抑制机械臂振动的控制器。

从上述文献中可以发现最常用来训练神经网络的算法是梯度下降算法，该算法存在网络权值的学习过程易发生振荡、收敛速度慢、辨识精度不够理想的问题，因此本文提出一种动态RPROP算法，可以使上次的网络连接权值改变量对本次权值改变量产生影响，以得到更好的收敛速度和辨识精度。……