基于遗传算法和神经网络混合优化的配煤控制

在配煤炼焦中 ,配煤比是影响焦炭质量的主要因素 .为稳定焦炭质量就要求配煤比实时性、自适应性好 ,因此采用混合优化算法分两步进行配煤比计算 .首先 ,根据焦化反应机理 ,采用神经网络建立焦炭质量预测模型 ,并通过遗传算法 ( GA)训练权值 ,从而提高模型自适应性 .其次 ,采用 GA实现配煤比定量计算 ,克服了以往基于知识的定性分析方法中对经验的依赖 .通过系统仿真 ,证明该方法较已有方法预测精度高、实时性好     

带有未知反应参数的一种发酵过程非线性自适应控制

将非线性系统的线性化方法与神经网络在线辨识技术相结合,提出了一种基于神经网络的非线性自适应控制策略,提出的控制策略,对带有未知反应参数的连续发酵过程,取得了良好的控制性能,仿真实验表明,提出的自适应控制方法能够适应过程模型的不确定性,具有较强的鲁棒性。     

带有未知反应参数的一种发酵过程非线性自适应控制

将非线性系统的线性化方法与神经网络在线辨识技术相结合,提出了一种基于神经网络的非线性自适应控制策略.提出的控制策略,对带有未知反应参数的连续发酵过程,取得了良好的控制性能.仿真实验表明,提出的自适应控制方法能够适应过程模型的不确定性,具有较强的鲁棒性.     

基于动态模糊神经网络的多余力矩抑制方法

针对负载模拟器难以准确建模,多余力矩严重影响力矩加载性能的特点,提出一种基于动态模糊神经网络抑制多余力矩的新方法．该动态模糊神经网络无须较强领域的专家知识,是系统自动建模及抽取模糊规则的网络,且模糊神经网络结构是动态变化的,其模糊规则是在学习过程中逐渐增长而形成的．设计了结合前馈反馈控制和直接逆控制的控制策略,在线更新算法,实时更新网络结构及参数以及时跟踪被控对象逆模型的变化,与其并行的PID控制器的作用在于保持系统的稳定并获得更快速的系统响应和更佳的跟踪精度．通过仿真可以看出基本消除了多余力矩,系统性能得到改善,仿真效果令人满意．     

基于RBF神经网络自适应控制的下肢外骨骼步态跟踪

针对开发研制的下肢外骨骼机器人控制策略的需要,提出一种基于RBF自适应控制的外骨骼控制方法.建立了关于外骨骼的动力学模型,采用RBF网络分别实现对下肢外骨骼模型动力学方程中的重力项、哥氏力及离心项、正定惯性矩阵的逼近建模;通过实验获取髋关节与膝关节于步行过程中的数据,实现了曲线的拟合并将其作为理想输入,通过对比PID、RBF控制方法去控制外骨骼逼近步态曲线.由扰动前后的效果对比可知,基于RBF神经网络自适应控制算法的外骨骼平台可以跟踪步态轨迹,有利于提高系统对位置和速度的跟踪能力以及系统的稳定性.     

基于BP_Adaboost的目标跟踪算法应用研究

BP神经网络对目标跟踪时,由于其学习效率低及易于陷入局部极小的缺陷影响了跟踪算法的准确性。为提高BP神经网络跟踪模型的准确性,将Adaboost算法和BP神经网络相结合,提出了一种BP_Adaboost神经网络跟踪模型。通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器跟踪模型,将该模型应用于视频运动目标跟踪进行有效性验证。实验结果分析表明．该方法对运动目标能够准确地进行跟踪．大大提高跟踪算法的兽椿性．     

基于深度神经网络的注塑过程预测控制

注塑机作为现代工业中重要的塑料件生产与制造设备,其智能化发展一直备受业界关注。伴随着航空航天、电力电子、汽车制造等行业的发展,如何实现对注塑件的高精度、高效率、绿色节能化生产,是目前注塑机的重要研制方向。本文针对注塑成型过程中采用传统模型预测控制(Model Predictive Control, MPC)难以保证跟踪控制实时性的问题,提出一种结合深度神经网络(Deep Neural Network, DNN)学习的注塑过程预测控制方法。在注塑机注射过程动力学模型基础上,创建带约束条件的模型预测控制器,对控制器运行数据进行采集并用以训练深度神经网络,实现了基于深度神经网络控制的注射速度的跟踪预测控制。仿真实验结果表明,采用本文所提出的学习预测控制策略能够有效避免注塑过程中因模型预测控制所产生的复杂计算,并满足工业实时性要求,具有应用前景。     

基于RBF神经网络的高精度伺服系统补偿控制

伺服系统是一种典型的非线性系统,常规线性控制器无法获得高精度控制性能。该文通过在伺服控制系统的速度环中引入基于径向基神经网络的补偿控制器,提出了一种基于径向基神经网络的模型参考补偿控制策略。该补偿控制器能够对系统的非线性不确定性进行实时在线学习,对参数变化及扰动等因素进行实时补偿。仿真结果进一步表明,该控制策略降低了参数变化和外界扰动等不确定性因素对系统的影响,达到了较高的跟踪精度,提高了系统鲁棒性,即使在持续正弦信号干扰下也具有良好的性能。     

一种粗糙模糊神经网络识别器及其应用

结合粗糙集和模糊神经网络提出了一种粗糙模糊神经网络识别器的模型.该模型根据粗糙集理论对训练样本进行建立决策表、离散决策表、约简决策表、提取分类规则等推理过程设计.粗糙模糊神经网络识别器的输入层、两个隐含层、输出层的神经元个数分别根据决策表的约简结果、离散结果和分类规则、决策属性决定.将该识别器用于车牌字符识别,实验表明:该方法比粗糙集规则匹配识别方法识别率提高了18%,比BP神经网络识别方法识别率提高了2.7%.     

双馈风力发电机BP神经网络并网策略研究

针对变速恒频双馈发电并网系统,将传统PID控制与BP神经网络控制相结合,提出了一种BP神经网络PID的空载并网控制策略。在此基础上,利用该控制策略对双馈风力发电系统空载并网过程进行了研究,并与传统PI控制策略进行比较。研究结果表明,并网BP神经网络PID控制策略的动态响应快,并网过渡过程短,稳态精度高,对电网电压的波动具有较强的全局鲁棒性,是一种优良的并网控制策略。     

基于成分预测模型的矿石烧结配料专家优化方法

配料是烧结的前期工序，如何获得各种铁矿石和非铁原料的配比是烧结配料的关键问题，针对桌钢铁企业烧结配料的特点，建立了基于数学模型和神经网络的成分预测模型，构筑了用于配比调整的专家规则，提出了配比优化与计算算法，通过数学模型、神经网络和专家规则的有机结合，实现了烧结配料的优化与控制。     

基于成分预测模型的矿石烧结配料专家优化方法

配料是烧结的前期工序,如何获得各种铁矿石和非铁原料的配比是烧结配料的关键问题.针对某钢铁企业烧结配料的特点,建立了基于数学模型和神经网络的成分预测模型,构筑了用于配比调整的专家规则,提出了配比优化与计算算法,通过数学模型、神经网络和专家规则的有机结合,实现了烧结配料的优化与控制.     

Multi-objective intelligent coordinating optimization blending system based on qualitative and quantitative synthetic model

1 INTRODUCTIONDuring Pb-Zn sintering blending process ,theproper mixture ratio of Pb-Zn concentrate fromdif-ferent mines and the returning powder is necessaryto obtain the desired sintering materials . The ma-terials are sintered to produce the agglomerate forthe smelting. The agglomerate compositions andthe sintering permeability are thei mportant param-eters of Pb-Zn sintering process , whose accuracyand stabilization strictly affect the smeltingprocess . The mixture ratio is one of e…     

300 MW机组磨煤机制粉系统智能控制研究

探讨了一种新型的300MW机组磨煤机制粉系统智能控制方法．该方法特点是在系统偏差大时采用模糊控制方案，偏差小时采用神经元控制方案．现场应用表明此系统可有效解决磨煤机制粉系统的大迟延，强耦合控制问题．     

船舶控制系统故障诊断神经网络专家系统的研究

将神经网络技术应用于船舶控制系统故障诊断专家系统，给出了系统的组成和知识的表达方法；提出了自增长动态网络学习算法，其优点在于学习迅速，能动态建造多层网；给出了神经网络专家系统的推理方法。     

一种基于神经网络的专家系统设计

提出了一种基于神经网络的专家系统设计方案,其核心是作为知识库的人工神经网络(ANN)和基于ANN的正向推理机制。研究了一种表达知识的二元产生式规则及其编码方法,通过编码知识被存储在ANN中。基于ANN的知识库,设计了一种具有正向推理的推理机,并且以动物识别为背景,设计了一个原型系统。     

智能控制在铝电解槽中的应用

智能控制是一个新兴的学科领域。本文论述了神经网络专家系统,模糊控制和模糊专家系统等技术的原理及在铝电解槽中应用的策略。总结了上述系统的优缺点并提出铝电解槽采用模糊神经网络是其最佳选择。     

Prediction of operational parameters effect on coal flotation using artificial neural network

Artificial neural network procedures were used to predict the combustible value (i.e. 100-Ash) and combustible recovery of coal flotation concentrate in different operational conditions. The pulp density, pH, rotation rate, coal particle size, dosage of collector, frother and conditioner were used as inputs to the network. Feed-forward artificial neural networks with 5-30-2-1 and 7-10-3-1 arrangements were capable to estimate the combustible value and combustible recovery of coal flotation concentrate respectively as the outputs. Quite satisfactory correlations of 1 and 0.91 in training and testing stages for combustible value and of 1 and 0.95 in training and testing stages for combustible recovery prediction were achieved. The proposed neural network models can be used to determine the most advantageous operational conditions for the expected concentrate assay and recovery in the coal flotation process.     

Longitudinal Control Strategy f or Vehicle Adaptive Cruise Control Systems

A new longitudinal control strategy for vehicle adaptive cruise control (ACC) systems is presented. The running relationship between the ACC vehicle and the detected target vehicle is described by the relative velocity and the deviation between the actual headway distance and the prescribed safety distance. Based on this, two state space models are built and the linear quadratic optimal control theory is used to yield desired velocity for the ACC-equipped vehicle when with the target vehicle detected. By switching among four control modes, the desired velocity profile is designed to deal with different running situations. A velocity controller, which includes a PID controller for throttle openness and a neural network controller for brake application, is developed to achieve the desired velocity profile. The proposed control strategy is applied to a non-linear vehicle model in a simulation environment and is shown to provide the ACC vehicle comfortable ride and satisfying safety.     

基于神经网络模型的拱泥机器人控制

拱泥机器人是为打捞沉船的关键工序—水下攻打千斤洞而设计的特种机器人.分析了拱泥机器人在水下泥土环境中受力情况,建立了基于MATLAB的拱泥机器人头部的动力学模型.针对拱泥机器人工作环境的不确定性,将传统PID控制与神经网络相结合,建立了一种应用BP神经网络实现PID参数自整定的自适应PID控制模型.控制器由PID控制器、神经网络NNC和NNI组成.神经网络NNC能够根据拱泥机器人动态特性的变化,自动整定PID参数,从而改善了控制性能.神经网络NNI为NNC提供学习的梯度信息.计算机仿真结果表明该方法是有效的.