基于小波神经网络的非线性系统预测控制研究

提出了一种基于小波基函数神经网络的未知非线性系统的一步超前预测控制算法。该方法利用小波网络学习这个非线性系统,并且应用小波神经网络模型作为系统的预测模型,控制信号直接通过极小化期望输出值与预测输出值之间的偏差来获得,通过对一非线性系统的仿真,表明了该方法的有效性。     

基于粒子群优化的非线性系统最小二乘支持向量机预测控制方法

对于非线性系统预测控制问题, 本文提出了一种基于模型学习和粒子群优化(PSO)的单步预测控制算法.该方法使用最小二乘支持向量机(LS-SVM)建立非线性系统模型并预测系统的输出值, 通过输出反馈和偏差校正减少预测误差, 由PSO滚动优化获得非线性系统的控制量. 该方法能在非线性系统数学模型未知的情况下设计出有效的预测控制器. 通过对单变量多变量非线性系统进行仿真, 证明了该预测控制方法是有效的, 且具有良好的自适应能力和鲁棒性.     

一类非线性系统的无超调控制

针对一类严格反馈非线性系统,利用后推法设计一种无超调跟踪控制律.对于阶数小于4的对象,给出了控制律参数应满足的充要条件;对于阶数更高的对象,给出了求解一个充分条件的方法.该控制律适用于零与非零初始条件,且参考输出不限制为阶跃信号.通过两个数值仿真例子验证了所提出控制律的有效性.     

一类具有未建模动态的非线性系统模糊自适应鲁棒控制

针对一类单输入单输出未建模动态不确定非线性系统,提出一种模糊自适应backstepping控制方法.设计中利用模糊逻辑系统逼近系统的未知函数,应用非线性阻尼项抵消系统的非线性不确定项,通过引入一个动态信号克服未建模动态.该模糊自适应控制方法保证了整个闭环系统的有界性,输出信号可调节到零的小邻域内.仿真结果进一步验证了该方法的有效性.     

基于RBF神经网络的改进多变量预测控制

针对一类多输入多输出非线性被控对象,提出一种基于单神经网络的预测控制算法,应用RBF神经网络对非线性系统进行辨识,并计算被控系统多步预测输出值.该方法通过对传统预测目标函数加以改进,给出一种带微分项的多步预测目标函数,通过迭代寻优实时给出优化控制量.该方法实时性好,简化了传统预测控制算法,加快了滚动寻优的速度,有效地抑制了系统惯性和输入时滞所带来的超调,减小了模型误差、干扰及不确定性对控制器的影响.仿真及应用结果表明了该方法的有效性.     

预测控制在工业锅炉汽包水位中的应用研究

根据工业锅炉汽包水位的动态特点,提出了汽包水位预测控制方案,采用一种基于BP神经网络预报的动态矩阵预测控制新算法,在该算法中,先用BP神经网络辨识对象模型,同时预测对象的未来输出.该方法解决了非线性、时变对象难以建模及控制的问题,仿真结果验证了这一算法的可行性.     

基于最优保留遗传算法的非线性模糊预测控制

针对传统的模型预测控制不能很好解决具有严重非线性、不确定性的对象或过程的控制问题，提出将模糊模型用于描述对象的非线性动态特性，通过将模糊模型的输出反馈作为模型输入，从而构成了模糊多步预测器。采用一种收敛精度高、速度快的具有最优保留特性遗传算法(EGA)，依据模型预测输出在线滚动求解控制律的非线性预测控制算法。仿真结果表明该算法对一类非线性系统具有较快的响应速度和较强的抗干扰能力。     

基于最优保留遗传算法的非线性模糊预测控制

针对传统的模型预测控制不能很好解决具有严重非线性、不确定性的对象或过程的控制问题。提出将模糊模型用于描述对象的非线性动态特性。通过将模糊模型的输出反馈回来作为模型输入，从而构成了模糊多步预测器，采用一种收敛精度高、速度快的具有最优保留特性遗传算法(EGA)依据模型预测输出在线滚动求解控制律的非线性预测控制算法。仿真结果表明该算法对一类非线性系统具有较快的响应速度和较强的抗干扰能力。     

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.     

一类具有未建模动态的非线性系统模糊自适应鲁棒控制

针对一类单输入单输出未建模动态不确定非线性系统,提出一种模糊自适应Backstepping控制方法.设计中利用模糊逻辑系统逼近系统的未知函数,应用非线性阻尼项抵消系统的非线性不确定项,通过引入一个动态信号克服未建模动态.该模糊自适应控制方法保证了整个闭环系统的有界性,输出信号可调节到零的小邻域内.仿真结果进一步验证了该方法的有效性.

     

基于神经网络和遗传算法的智能PID控制

提出了一种结合神经网络和遗传算法的智能PID控制算法;该控制器先利用RBF辨识网络在线辨识系统模型,再利用遗传算法在线调整PID三个控制参数,将传统的Ziegler-Nichols方法所得的控制参数作为遗传算法的初始参数范围,缩小了遗传算法的寻优范围;在MATLAB6.5环境下进行仿真和试验研究,结果证明RBF辨识网络的输出能够很好地跟踪对象输出,遗传算法很好地优化了控制参数;二者结合可在线有效地控制较复杂的被控对象.     

用过程神经网络和遗传算法实现系统逆向求解

对于多输入多输出系统,针对如何根据系统模型和期望输出反求系统输入的问题,本文提出了一种基于过程神经网络和遗传算法相结合的方法.首先根据实际系统的领域知识和学习样本集,建立满足系统实际输入输出映射关系的正向过程神经网络.然后按照系统在过程区间的某一期望输出,用过程神经网络的输出误差构造适应度函数,用遗传算法逆向确定系统的过程输入信号,使该输入信号满足已建立的正向过程映射关系,从而完成系统的逆向过程控制.文中给出了具体的实现算法并给出了此方法的一个应用实例.     

基于神经网络和遗传算法的移动机器人路径规划*

提出一种基于神经网络和遗传算法的路径规划算法.采用神经网络模型对机器人的环境信息进行描述,利用神经网络的输出建立遗传算法的适应度函数;然后使用遗传算法优化路径.在该算法中将需规划路径的二维编码简化成一维编码.仿真结果表明提出的路径规划方法是正确和有效的.     

Electro jet drilling using hybrid NNGA approach

This paper presents a hybrid neural network and genetic algorithm (NNGA) approach for the multi-response optimization of the electro jet drilling (EJD) process. The approach first uses a neural network model to predict the response parameters of the process. A genetic algorithm is then applied to the trained neural network model to obtain the optimal process parameters values in which desirability function approach is used to obtain the fitness function for the genetic algorithm from the network output. The simulated results are found to have a close correlation with the experimental data.     

神经网络及遗传算法在径流预报中的应用

提出用遗传算法和BP算法相结合的改进神经网络模型来进行径流预报。即先通过遗传算法对初始权值分布进行优化，在解空间定位出一个较好的搜索空间，然后采用BP算法，在这个较小的解空间中搜索出最优解。使网络收敛速度加快和避免局部极小。作为实例，以清江鸭子口的实测径流资料为样本进行训练并用以预测该水文站的日径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

基于遗传算法的小波神经网络温度补偿模型

对单晶硅压阻式压力传感器的输出随温度漂移的问题,提出了基于遗传算法的小波神经网络模型,该模型充分发挥了遗传算法的全局搜索能力和小波神经网络简单快速的函数逼近能力,研究结果表明,该模型有效的抑制了温度对压力传感器输出的影响,提高了传感器的稳定性和准确性。     

基于多学位识别的学位决策机制的研究与实现

在以1∶1数字学习方式为主的自主学习模式下存在相关专业多学位识别的问题。针对该问题,建立了一种使用遗传算法和BP神经网络的多学位识别机制。该机制根据问题的特点,采用遗传算法产生样本群体,并用遗传算法确定神经网络模型的参数,通过神经网络自适应学习和训练,找出输入和输出的关系,从而达到多学位识别的目的。实验验证了该方法的有效性。     

Gradient‐based back‐propagation dynamical iterative learning scheme for the neuro‐fuzzy inference system

In this paper, a gradient‐based back propagation dynamical iterative learning algorithm is proposed for structure optimization and parameter tuning of the neuro‐fuzzy system. Premise and consequent parameters of the neuro‐fuzzy model are initialized randomly and then tuned by the proposed iterative algorithm. The learning algorithm is based on the first order partial derivative of the output with respect to the structure parameters. The first order derivative of the model output with respect to the structure parameters determines the sensitivity of the model to structure parameters. The sensitivity values are then used to set the tuning factors and parameters updating step sizes. Therefore, an adaptive dynamical iterative scheme is achieved which adapts the learning procedure to the current state of the performance during the optimization process. Larger tuning step sizes make the convergence speed higher and vice versa. In this regard, this parameter is treated according to the calculated sensitivity of the model to the parameter. The proposed learning algorithm is compared with the least square back propagation method, genetic algorithm and chaotic genetic algorithm in the neuro‐fuzzy model structure optimization. Smaller mean square error and shorter learning time are sought in this paper, and the performance of the proposed learning algorithm is versified regarding these criteria.     

混沌序列构造方法研究

针对扩频通信中运用神经网络方法产生的混沌序列性能难以调整的问题 ,提出并设计由遗传算法搜索调整系统适配参数的神经模糊推理系统 (ANFIS)生成混沌序列。在该系统训练的过程中 ,将其产生的序列的Lyapunov指数与平衡性、自(互 )相关性、数量的加权平均函数作为适应度函数 ,通过遗传算法调整系统参数 ,产生出符合扩频通信应用要求的混沌序列。通过计算机仿真试验 ,并与Logistic混沌映射 (教师值 )相比较 ,结果表明该方法能产生出随机性能良好的混沌序列 ,适合于CDMA系统中的多用户通信     

基于遗传算法的锂离子电池等效电路参数识别

结合锂离子电池双极性等效电路模型提出了一种基于遗传算法的参数识别方法,该方法通过指数函数对电路模型中的电阻、电容、恒压源等元件进行有理逼近,根据电池在不同充放电速率下的输出电压特性数据,通过实数编码遗传算法得到最优的函数参数,从而得到最优的电阻、电容,开路电压等电路参数值,针对电池在不同的工作状态,不同的工作参数下的运行数据,系列仿真和实验结果表明该算法原理简明,收敛较快,辨识得到的最优模型其电压输出特性与电池的实际电压输出特性基本吻合,能较精确的反映电池的实际特性,具有较高的辨识精度。