具有实质的不确定系统再励学习

本文对具有时滞的不确定控制对象提出了一种带有神经网络的Ｓｍｉｔｈ预估器再励学习控制方法,文中还给出了再励学习系统中模糊自适应控制器的网络结构及其有关算法的改进。仿真结果表明：本文提出的控制方法对具有时滞的不确定系统的自学习控制不仅是有效的,而且具有良好的鲁棒性。     

基于在线支持向量回归的非线性模型预测控制方法

针对非线性模型预测控制中离线模型难以适应非线性对象实时变化的缺点, 提出一种基于在线支持向量回归的非线性模型预测控制方法. 该方法通过在线支持向量回归离线训练与在线学习相结合的方式, 建立具有在线校正特性的预测模型, 同时采用最速下降原理滚动优化非线性模型预测控制的目标函数, 求得多步控制量. 通过对非线性对象的控制结果表明, 所提出方法有效且具有良好的自适应性.

     

一种基于模型参考自适应的神经网络控制

工业对象的动态特性具有大迟延、大惯性、时变性和不确定性等特点,难以建立精确的数学模型,从而使得建立在精确对象数学模型基础上的经典控制方法及状态空间控制方法难以取得满意的控制效果.基于神经网络的自适应神经网络控制具有鲁棒性高、自适应能力强、适用于工业过程控制.本文提出一种基于神经网络的模型参考自适应神经网络控制系统.仿真试验表明,此系统具有良好的品质特性.     

模糊控制在温度控制系统中的应用

针对工业对象中普遍存在的不确定性、非线性和大滞后等特点，提出了一种控制方法──模糊控制，并将其用于电炉温度控制中。实验结果表明：该方法是有效和可行的，具有良好的控制特性和鲁棒性。     

模糊神经网络在解耦控制中的研究

在工业生产过程中,针对纯迟延、时变、强耦合的多输入多输出现象,提出一种基于模糊神经网络解耦和PID控制相结合,对系统进行解耦控制的方法。这种方法不需要建立多变量对象精确的数学模型,通过对大迟延大惯性强耦合的循环流化床锅炉床温一主汽压力对象进行仿真,其结果表明,解耦控制效果很好,具有良好的静态性、动态性及鲁棒性。     

模糊神经网络在解耦控制中的研究

在工业生产过程中,针时纯迟延、时变、强耦合的多输入多输出现象,提出一种基于模糊神经网络解耦和PID控制相结合,对系统进行解耦控制的方法.这种方法不需要建立多变量对象精确的数学模型,通过对大迟延大惯性强耦合的循环流化床锅炉床温-主汽压力对象进行仿真,其结果表明,解耦控制效果很好,具有良好的静态性、动态性及鲁棒性.     

一类非自衡对象的改进动态矩阵控制

针对DMC算法无法直接对非自衡对象进行控制的特点，推导出了一种基于非自衡对象阶跃响应的改进动态矩阵控制算法。该算法对DMC预测模型的误差，采用实际输出的变化趋势校正。仿真结果表明，所提出的算法对于设定值有良好的跟踪特性，具有很强的抗干扰能力和快速调节性能，验证了本文方法对非自衡对象控制的有效性。     

Fuzzy-Smith理论在pH值控制系统中应用

针对pH控制具有不确定性的大滞后的油田污水处理系统,基于传统的Smith预估器结构,提出一种改进方案.在Smith预测控制的基础上引入了模糊自整定方案,仿真和试验结果表明,新的控制方案不仅具有满意的控制性能,而且具有较强鲁棒性和抗干扰性能,对时变大滞后对象具有良好的控制效果.     

基于CMAC的转台系统逆控制器设计及仿真

仿真转台是对飞行器进行地面物理仿真的设备,是一个具有一定非线性和不确定性的伺服控制系统。该文利用CMAC的地址映射能够高度逼近非线性函数的特点,以转台伺服系统为控制对象,采用CMAC神经网络和PD控制器相结合的方法,提出一种应用于高精度伺服系统的控制方法,使CMAC在控制的前期阶段学习系统的逆,后期阶段作为控制器。仿真实验结果表明了这种方法具有自适应和快速收敛的优点。控制器具有良好的控制品质,结构简单,易于实现。     

迟延惯性系统的一种自校正增量型PID控制

对于具有大迟延、大惯性特性的被控对象,常规PID控制往往难以取得满意的控制效果。在对常规PID控制算法及迟延和惯性系统的动态特性进行定性分析的基础上,提出了一种新的自校正增量型PID控制方法。首先采用带最小损失函数的递推最小二乘算法通过离线辨识获得被控对象初始的迟延和惯性特性,并据此整定PID控制器参数;控制过程中,通过在线辨识实时获取被控对象的动态特性,并利用历史控制信息,根据在线辨识结果获得一种具有自调整功能的校正基准量,从而形成一种自校正增量型PID控制器。最后,将其应用于电站锅炉过热汽温串级控制系统中。仿真试验表明,该方法能够有效地控制具有时变特性的大迟延、大惯性对象,表现出了良好的自适应能力。     

基于并行自学习的神经网络内模控制及其应用研究

基于在线并行自学习的神经网络内模控制,该方法是借助于神经网络对复杂系统的辩识能力对被控对象进行正模型及逆模型的辩识,用NNM辩识对象的正模型,通过一个并行自学习系统训练的NNC辩识对象的逆模型,然后用做内模控制器去控制对象。将该种控制策略应用于火电厂热工对象中具有大迟延、大惯性和时变等特性的主汽温对象,仿真研究表明,该控制方案适应对象参数的变化并表现出良好的控制特性,具有较强的鲁棒性和自适应能力。在实际应用中具有一定的实用价值。     

基于改进注意力迁移的实时目标检测方法

目前深度神经网络模型需要部署在资源受限的环境中,故需要设计高效紧凑的网络结构。针对设计紧凑的神经网络提出一种基于改进注意力迁移的模型压缩方法(KE),主要使用一个宽残差教师网络(WRN)指导一个紧凑的学生网络(KENet),将空间和通道的注意力迁移到学生网络来提升性能,并将该方法应用于实时目标检测。在CIFAR上的图像分类实验验证了经过改进注意力迁移的知识蒸馏方法能够提升紧凑模型的性能,在VOC上的目标检测实验验证了模型KEDet具有很好的精度(72.7 mAP)和速度(86 fps)。实验结果充分说明基于改进注意力迁移的目标检测模型具有很好的准确性和实时性。     

热工过程时滞对象的神经网络内模控制

针对火电厂热工过程的时滞对象，提出采用基于神经网络的内模控制方法，即用神经网络对复杂系统的辨识能力来实现内模控制中被控对象的正模型及内模控制器。仿真研究表明，文中所采用的控制方案比常规PID控制表现出更好的控制品质，在实际应用中具有一定的实用价值。     

神经网络类机理建模下的持续自学习控制

针对未知、时变复杂动力学系统在基于模型的控制中的动态建模问题, 本文采用前向全连接神经网络对动力学系统进行数据驱动下的非机理拟合建模. 通过动态线性化和归一化/反归一化数据处理, 基于前向传播算法, 将神经网络的网络拓扑计算过程转化成动力学系统机理模型的同构等价表达形式. 与基于模型的预测与反演控制相结合, 提出了神经网络类机理建模下的持续自学习控制方法, 探索了神经网络在动力学系统建模与控制中的可解释性问题. 以机械臂为控制对象的仿真结果表明, 神经网络类机理模型与机理模型在形式上同构, 在参数上近似或等价, 可用于控制系统控制品质的定性、定量分析. 持续自学习控制对非线性未知、时变复杂系统具有较好的动态适应能力.     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

基于RBF神经网络的进气压力控制方法研究

针对高空台进气压力控制系统的强非线性特性和被控对象难以精确建模的问题,传统的PID控制在被试发动机进行加减速等过渡态时难以满足进气压力控制性能要求,提出了基于数据驱动的高空台压力控制方法,设计了基于RBF（Radial Basis Function,径向基函数）神经网络的最优控制架构,通过分析进气压力控制系统的输入和输出,给出了进气压力控制系统的RBF神经网络控制方法;利用高空台的大量试验数据对所设计的控制方法进行了训练和测试。测试结果表明,所设计的智能控制方法有良好的控制性能,能够满足进气压力的过渡态自适应控制。     

基于小波神经网络的抄纸过程建模仿真研究

抄纸过程中水分定量控制是一种复杂的多变量耦合过程.它具有大滞后、非线性、时变、不确定等特性,因此一般采用常规方法很难准确建立其数学模型.神经网络是一种很好的非线性数学模型,运用多输入多输出的小波神经网络对抄纸过程中水分定量控制进行数学建模,并在小波神经的嘲络训练过程中采用了两种训练方法,加快了训练速度.结果表明,小波神经网络输出值与实际模型输出值的误差在允许范围内,可以很好的逼近抄纸过程的数学模型.     

FlexRay车载网络的神经网络模型参考控制

针对FlexRay车载网络控制系统的复杂性和非线性特点,有限的网络带宽资源会造成数据传输的不确定性和数据传输延时,使得FlexRay网络在高速传输数据时控制性能下降。利用神经网络具有的自学习、自适应和全局逼近的能力,本文以提高FlexRay车载网络控制性能为目的,提出以网络带宽利用率为参考模型的神经网络控制方法。首先对神经网络模型参考控制系统的结构进行分析,其次设计FlexRay车载网络的神经网络模型参考控制器,在负载的情况下,运用Matlab软件中的Simulink对控制器的性能进行仿真研究。仿真结果表明,该控制器能够有效地提高FlexRay车载网络控制性能,且对控制对象参数变化具有良好的适应性。       

基于神经网络的时滞非线性系统的广义预测控制

针对一类时滞非线性被控对象,提出一种基于RBF神经网络的广义预测自校正控制方案,在广义预测控制中,采用RBF神经网络建立被控对象的多步预测模型,并不断修正预测输出,提高预测输出的精度.控制器则采用GPC隐式修正算法,不用辨识对象的模型参数,大大减少了计算量.经过仿真研究,与常规的PID自适应控制方法相比较,证明了该方法的优越性,预测控制误差小,实时性好,动态响应快.