人工神经网络是模拟人脑信息处理过程的智能计算系统,因具有自我学习和良好的非线性逼近能力,在非线性系统建模中得到广泛的应用。但在实际应用中,很多实际过程是复杂的非线性动态过程,具有复杂性、非线性、不确定性、时变性等特征,单一神经网络存在灾难性遗忘问题,无法有效学习所有样本等问题,因此非线性动态系统的建模和预测是神经网络模究的难点和热点之一。模块化神经网络是基于大脑的“模块化”特征设计的,可以有效提高神经网络的计算性能,缓解灾难性遗忘问题,是非线性动态系统建模方法研究的重要方向。目前,如何根据样本间的相关性或任务特征有效在线划分任务以及如何根据子任务动态调整子网络结构,是模块化神经网络的难点问题。因此,针对非线性动态系统建模和时间序列预测,对模块化神经网络在线自组织设计方法进行了系统深入的研究,主要研究工作和创新点如下:一、围绕非线性动态系统建模的模块化神经网络自组织设计方法研究1.针对模块化神经网络的子网络通常是结构固定的前馈神经网络,难以确定其初始结构的问题,提出了一种结构在线自组织的前馈神经网络模型。首先,根据网络误差增加隐含层神经元以保证网络的学习能力;其次,采用局部敏感度分析计算神经元的贡献度,修剪贡献度小的神经元以保证网络结构的紧凑性;最后,为提高网络的收敛速度和精度,采用滑窗机制对在线梯度下降算法进行改进。实验结果表明,与其它神经网络模型相比,所提出的模型能有效动态调整自身结构,具有较好的泛化性能。2.针对基于聚类算法的任务分解算法采用递归迭代方式,只在线更新聚类中心,无法充分考虑样本间的相关性的问题,提出了一种基于距离与密度的在线任务分解算法。该算法根据聚类中心的局部密度较高,且与其他聚类中心距离较大的原则,通过不断更新样本及其领域内样本的局部密度,动态划分样本空间,从而保证模块化神经网络能有效获得样本的局部信息,在线调整网络结构。3.针对非线性动态系统建模,提出了一种结构在线组织的模块化神经网络模型。首先,采用基于距离与密度的聚类算法在线划分样本空间,动态增加或删减子网络模块;其次,利用网络误差和局部敏感度分析动态调整子网络结构;最后,对各子网络的结果进行集成。实验结果表明,所提出的模型不仅可以根据样本局部信息在线调整子网络模块,而且子网络可以根据分配的子任务自适应调整自身结构,具有紧凑的结构和良好的泛化性能。二、围绕时间序列预测的基于EMD技术的模块化神经网络设计1.针对时间序列预测,通常模块化神经网络是基于样本空间划分时间序列,无法充分考虑时间序列的时间特性的问题,提出了一种基于经验模态分解（Empirical Mode Decomposition,EMD）算法的自适应模块化神经网络模型。首先采用EMD算法将时间序列分解为若干个简单、独立的子时间序列;其次,采用样本熵和欧式距离分别计算子时间序列的复杂度相似度,合并简单且相似性较大的子时间序列;最后,对各子网络结果进行加权求和。实验结果表明,所提出的模型能有效提高模块化神经网络的预测精度。2.针对基于EMD算法的模型需要全局样本,无法处理在线时间序列预测问题,提出了一种基于滑窗和EMD算法的在线模块化神经网络模型。该模型通过EMD算法在线分解滑窗的时间序列,采用样本熵和欧式距离将子时间序列动态分配给子网络,同时通过修剪子时间序列重叠部分以缓解不同时刻的子时间序列间的末端效应。实验结果表明,所提出的模型可以有效在线分解时间序列,具有较好的预测精度。3.针对基于EMD算法的模型对时间序列进行分解时,会产生相对较高频率的子时间序列,可能会增加子网络的预测难度的问题,提出了一种基于EMD算法和多视图策略的在线模块化神经网络模型。首先,采用EMD算法将滑窗时间序列分解为若干个就简单、独立子时间序列;其次,采用样本熵和欧式距离动态分配子时间序列;最后将较高频率的子时间序列分配到多视图策略模块进行学习,较低频率的子时间序列分配到结构简单的子网络模块进行学习。实验结果表明,所提出的模型可以进一步提高模块化神经网络的预测精度。三、基于模块化神经网络的出水氨氮在线预测模型针对城市污水处理过程中关键参数出水氨氮浓度难以实时,精确测量和预测问题,提出了一种基于EMD和多视图策略的在线模块化神经网络预测模型。首先,利用滑窗机制和EMD算法对出水氨氮序列进行在线分解;其次,采用样本熵和欧式距离将较高频率的子时间序列分配到多视图策略模块进行学习,同时将较低频率的子时间序列分配到结构简单的子网络模块进行学习,最后对多视图策略模块和子网络模块进行集成。通过对污水处理过程中出水氨氮序列预测,实验结果表明所提模型可以实时,精确地预测污水处理过程中出水水质氨氮浓度。