基于神经网络自抗扰控制的交流伺服系统分数阶控制

针对某火箭炮交流伺服系统存在惯性力矩、摩擦、变负载及不同工况下内外扰动等复杂非线性,传统的PID控制方法难以得到良好性能指标的问题,在分析火箭炮交流伺服系统组成的基础上,建立其系统数学模型,并设计一种基于神经网络自抗扰控制(ADRC)的分数阶PID(FOPID)控制器;为减少该控制器参数计算量以及提高其动态性能特性,引入RBF神经网络控制算法,对FOPID控制器的积分阶次和微分阶次实时在线自整定。数值仿真实验结果表明:该控制策略能够有效抑制位置扰动,具有修复到位快、响应速度快、无超调等优点。     

基于CMAC神经网络的舰载雷达转台的复合控制

舰载雷达伺服系统采用单一的PID控制算法往往难以取得较高的控制品质和控制精度，本文阐述了采用CMAC神经网络和传统PID相结合的复合控制方法，介绍了CMAC神经网络的原理及其结构模型，给出了其学习算法，并对其在某雷达转台上的实际应用进行了详细的论述。     

基于DSP的舰载搜索雷达稳定平台交流伺服系统的设计

给出了一种基于DSP的舰载搜索雷达交流伺服控制系统的设计方法。采用高速数字信号处理芯片TMS320LF2407A作控制主体，交流变频器和交流无刷电机作驱动，采用先进的数字PID控制算法，组成全数字交流伺服系统，保证系统具有很高的精度、可靠的稳定性和良好的可扩展性。仿真试验表明该设计满足舰载雷达伺服控制系统的要求。     

基于动态神经网络在线辨识的PID控制

针对工业控制领域中复杂非线性时变系统和传统RBF神经网络辨识PID控制的不足,提出了一种基于聚类结合算法的动态RBF神经网络在线辨识PID自适应控制方法.通过优化的动态RBF辨识神经网络更好地描述了控制对象的动态行为,获得PID参数在线调整信息,实现系统的智能控制.仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比该方法具有较高的控制精度,较快的系统响应,较强的适应性和鲁棒性.     

一种递归模糊神经网络自适应控制方法

构造了一种递归模糊神经网络(RFNN),该RFNN利用递归神经网络实现模糊推理,并通过在网络的第一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性.     

基于RBF神经网络的半主动悬架滑模控制

针对悬架参数的不确定性,提出一种基于径向基函数(RBF)神经网络的滑模控制方法。根据滑模变结构控制理论设计了两自由度半主动悬架系统的滑模控制器,采用极点配置法确定滑模切换面参数,应用比例切换的控制方法和等速趋近率确定控制律,采用RBF神经网络优化算法优化了滑模控制器。运用MATLAB/simulink进行仿真,结果显示,与被动悬架相比,基于RBF神经网络的滑模半主动控制具有良好的控制效果,显著地改善了车辆的行驶平顺性。     

基于数字平台罗经的舰载雷达大惯量伺服系统设计

介绍了一种在低数据率的数字平台罗经接口下某舰载雷达伺服系统对大惯量稳定平台进行稳定跟踪的设计方法。该伺服系统采用全数字的伺服控制模块作为其位置环的控制核心,利用伺服电机驱动器实现伺服电机速度电流双闭环,组成了一个有良好位置控制性能的数字伺服系统。     

基于神经网络的导弹变结构制导律

导弹的打击精度容易受干扰的影响.针对这些未知干扰的存在,利用RBF神经网络具有自学习的能力,并结合变结构控制方法的鲁棒性,提出了一种基于RBF神经网络的滑模变结构控制的导弹制导律.利用RBF神经网络对干扰进行在线估计,克服了未知干扰对制导精度的不利影响,并且分析了闭环系统的稳定性.仿真结果表明,RBF神经网络能够很好地估计出干扰,所设计的制导律能够不受干扰的影响,从而快速精确地打击到目标,验证了该制导律的有效性和鲁棒性.     

两级式并网逆变器分时复合控制策略研究

针对光伏发电系统中的两级式并网逆变器,采用了一种新型的分时复合控制策略。首先详细分析了分时复合控制策略的基本工作原理,该方法可以使得前后两级电路交替进行高频开关工作,从而有利于减小损耗;在此基础上,对分时复合控制策略下的入网电流控制环路进行小信号建模,并给出了相应的控制环路参数设计,以保证具有良好的稳态和动态性能;最后搭建了一台1 k W实验样机并进行实验验证。实验结果表明所采用分时复合控制策略的可行性和有效性。     

基于加速度计的光电跟踪系统等效复合控制

复合控制是提高光电跟踪系统跟踪精度的一种有效方法,它较好地解决了精度和稳定性之间的矛盾;而等效复合控制是复合控制的另一种实现。为了实现等效复合控制,采用加速度计直接测得加速度信息再通过积分得到的速度作为前馈控制信号。实验对比结果表明,加速度计可以作为等效复合控制的传感器,在实际应用中实现伺服跟踪系统精度的提高,加入等效复合控制的光电跟踪伺服系统的跟踪精度提高至原来的6.67倍。     

一种适用的复合控制算法

给出了一种适用的复合控制方法，对该方法的稳定性进行了分析，通过仿真可以看出，该方法能较好地改善跟踪雷达伺服系统的动态跟踪性能，减少动态滞后误差，提高雷达的测量精度。     

基于改进型重复控制的三轴转台解耦与控制

针对三轴转台伺服系统位置精度要求不断提高,提出了改进型重复控制与微分前馈控制相结合的复合控制作用于伺服系统的位置回路。根据某型三轴转台伺服系统的组成,分析并建立了电流环、速度环与位置环的模型,并于位置环设计了改进型重复控制器。设计时,考虑了三轴转台的三个框架转动时互相产生的耦合影响,并分析三个框架同时转动时三轴转台的内框快速性与稳定性。仿真结果表明,采用复合控制策略时三轴转台的位置控制响应快、精度高、抗干扰性强,满足系统性能指标。     

基于遗传优化RBF神经网络的声纹识别研究

提出了一种基于遗传优化RBF神经网络的声纹识别算法,该算法中采用遗传算法对传统的RBF神经网络基函数中心以及宽度进行优化处理,克服了传统RBF神经网络参数难以确定的缺陷。同时,算法结合心理声学模型,提取了能表现说话人个性特征的Mel倒谱系数为特征进行说话人识别,可较好地提升系统的抗噪性能。仿真实验结果表明,与传统RBF神经网络相比,该方法具有快速学习网络权重的能力,并且网络的全局寻优能力强,使得系统的识别率进一步提高。     

四旋翼飞行器的RBF网络自适应滑模控制

针对带有不确定性的四旋翼飞行器系统,提出一种滑模控制和神经网络自适应相结合的混合控制方法。该方法在滑模控制的基础上,考虑到实际系统中通常存在建模不精确、参数未知等不确定性,构造RBF神经网络在线逼近系统模型的未知函数,采用Lyapunov方法设计自适应律在线估计神经网络权值和模型未知参数,并通过Lyapunov定理验证了系统的稳定性。仿真结果表明,该方法相对于RBF神经网络的自适应PID控制,具有更短的调节时间、更小的超调量和更好的抗干扰能力,同时在模型参数发生变化的情况下,该控制器的鲁棒性能更强。     

自适应RBF神经网络在CDMA移动通信上行链路功率控制中的应用研究

提出了一种自适应RBF神经网络功率控制方案。详细研究了该网络在DS-CDMA通信中，进行上行链路闭环功率控制(基于信扰比(SIR))的应用理论，给出了该网络参数的计算方法。最后用计算机仿真法模拟出该控制器的运行性能。结果表明基于SIR的自适应RBF神经网络功率控制器能自适应地调整移动台的发射功率，使基站接收信号的信扰比始终非常接近于一个常数，且有比定步长功率控制更小的SIR跟踪误差，从而可以降低接收信号的中断概率、提高信道容量。     

机械手RBF神经网络滑模迭代学习控制

在机械手的轨迹控制的迭代学习控制中,迭代学习的学习律难以选择。本文结合RBF神经网络滑模变结构控制和迭代学习控制的基本思想,提出采用RBF神经网络滑模变结构控制确定学习律的方法。并运用Matlab软件Simulink对该方法应用于机械手轨迹跟踪控制的情况进行了仿真研究,结果表明该方法具有学习速度快、跟踪精度高、鲁棒性强等优点。     

RBF神经网络在光通信粗跟踪系统中的应用北大核心

针对无线光通信系统中的非线性与时变不确定性而导致的通信不稳定,提出一种基于径向基函数(RBF)神经网络的PID智能控制策略作为粗跟踪的控制方法。介绍了光电跟瞄系统原理,在建立系统模型框图后引入了RBF神经网络监督控制结构,并通过实验平台验证了该算法的有效性。     

舰载天线伺服系统的载荷分析

载荷是舰载伺服系统设计的重要依据,本文介绍了舰载天线伺服系统载荷的计算方法,并结合工程实践,对舰载伺服系统的载荷进行了分析和综合。     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

四旋翼ESO的RBF神经网络PID控制器研究

四旋翼飞行器因存在参数不确定性和环境干扰,会出现姿态不稳定的问题,而传统的PID控制对四旋翼的姿态稳定及机动性达不到控制需求.为此,提出了一种扩张状态观测器(ESO)的RBF神经网络PID控制器.首先,利用ESO的扩张特性和非线性函数对扰动进行估计和补偿,减少系统的误差;其次,将ESO对系统输出的估计值作为RBF神经网络的输入,使梯度信息更加精确,能够更好地优化增量PID的参数;最后,该神经网络的激励函数取高斯基函数,利用RBF神经网络的自适应性、自学习能力对模型控制参数进行调整.Matlab仿真实验表明,在未知干扰环境下,ESO的RBF神经网络PID控制器能够明显提高系统的抗干扰能力,且具有较小的超调量及较好的鲁棒性.