基于改进BP神经网络PID的无刷直流电动机速度控制的研究

引进模糊归一化控制策略，在线实时地调整与收敛速度密切相关的学习速率和动量系数，克服了BP网络收敛慢和容易陷入局部最小的缺点,并将改进的BP神经网络PID算法成功应用于无刷直流电动机速度控制中。仿真结果表明,改进BP神经网络PID使收敛变得更快，而且系统具有较强的鲁棒性和自适应能力。     

基于自适应RBF神经网络的变压器噪声有源控制算法

针对现有变压器噪声有源控制算法存在的不足,提出了一种用于抑制噪声的新算法。该算法融合了自适应算法、粒子群算法、改进梯度下降算法及RBF神经网络算法。首先利用自适应算法确定降噪系统控制器中RBF神经网络隐含层节点个数和相应的参数;然后,根据切换策略自适应地选择粒子群算法或者改进梯度下降算法,用来优化节点数目和参数;最后,将优化得到的隐含层结构和参数反馈至系统控制器中,使系统的次级声源更好地抵消源声源。通过将所提的改进RBF神经网络法与未改进的RBF神经网络法和BP神经网络法进行比较,表明该算法可有效地提高降噪系统的自适应能力和抗干扰能力,且能够将噪声控制在较低的范围内,获得较理想的降噪效果。     

变步长自适应LMS有功电流检测方法研究

传统的基于自适应噪声对消原理的谐波电流检测方法具有实现简单、自适应性强等优点,但算法中步长的选择需要在收敛速度和稳态精度之间折中考虑,降低了算法的实用性。提出一种新的变步长自适应最小均方(LMS)谐波检测算法,将负荷电流中基波有功分量与自适应滤波器输出基波有功分量的差值作为跟踪信号,利用滑动积分提取跟踪信号与电压相位信号乘积的直流分量,再将结果与权系数比值的绝对值作为模糊调整步长的输入量,进行谐波电流检测。该算法在保持高精度谐波检测的同时,又具有较快的收敛速度。仿真结果验证了所提谐波电流检测算法的有效性。     

根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

基于模糊RBF神经网络的高压断路器机构故障诊断

为了快速准确诊断高压断路器是否发生操作机构故障,文章提出了一种基于模糊RBF神经网络的高压断路器机构故障诊断方法。该方法首先分析高压断路器的分(合)闸线圈电流,提取时间和电流特征参数t_1、t_2、t_3、t_4、t_5、I_1、I_2、I_3,然后在RBF神经网络增加模糊化层,对特征参数进行相对模糊化运算,最后将模糊化后的特征参数输入到RBF神经网络进行故障识别、分类。该方法以ABB VD4高压断路器的88组实验数据为训练样本建立4种高压断路器操作机构的模糊RBF神经网络故障诊断模型,12组测试样本来验证其准确性,实验结果显示,模糊RBF神经网络高压断路器的故障诊断模型能够准确的诊断出故障类型,其准确率达到99%,具有良好的实用性。与基于模糊BP神经网络的故障诊断方法相比,该方法收敛速度快,训练时间短,均方差较小,为0.107 3。     

基于BP网络的语音信号自适应噪声抵消系统控制与研究

在信号的处理研究中,自适应噪声抵消技术被广泛的应用于通信、控制等领域,LMS算法是最常见的自适应算法。但是信号通道结构比较的复杂或者存在非线性和多噪声通道交叉串扰时,传统自适应滤波器的设计和使用就有很大的局限性。本文中的自适应噪声抵消设计思路,在基于误差反向传播算法(BP算法)的多层前向人工神经网络进行分析基础上,结合传统自适应噪声抵消系统基本原理,建立的基于BP算法的噪声抵消系统。由于神经网络能够克服传统自适应噪声抵消器无法解决的非线性问题,神经网络的自适应噪声抵消技术能够非常有效消除背景噪声。经过Matlab仿真,结果表明:采用BP网络设计的噪声抵消设计具有很好消除背景噪声的效果。     

基于模糊径向基函数神经网络的永磁同步电机滑模观测器设计

针对传统滑模控制易导致系统出现抖振的问题,提出了一种模糊径向基函数(RBF)神经网络滑模观测器来实现永磁同步电机(PMSM)无传感器控制。为了减小观测器系统抖振,利用模糊RBF神经网络算法动态调整滑模增益,并采用李雅普诺夫稳定性定理证明了该模糊神经网络观测器的稳定性;利用锁相环(PLL)技术提高估算精度,并削弱计算噪声。基于MATLAB/Simulink软件平台搭建了仿真模型,将模糊RBF神经网络滑模观测器系统与传统滑模观测系统进行对比。结果表明,与传统的滑模观测器相比,新型滑模观测器能够快速、有效地跟踪转子位置,精确估算出转子速度,同时具有较好的动态特性。     

一种新型快速自适应谐波检测算法

基于自适应噪声对消原理的自适应谐波电流检测方法具有实现简单、自适应性强等优点;但是算法中步长的选择需要在收敛速度和稳态精度之间折中考虑,大大降低了算法的实用性。在以往研究的基础上,提出了一种改进的变步长自适应谐波电流检测方法,它利用滑动积分器提取真正的跟踪误差,并采用带有自调整因子的模糊调整器来动态调整步长,能够保证谐波检测过程既具有较快的动态响应速度,又保持较小的稳态失调。此滑动积分器及模糊调整器结构简单,容易用数字信号处理器(digital signal processor,DSP)实现。同时对三相系统中谐波检测及各次谐波电流的检测方法进行了讨论,拓宽了算法的应用范围。仿真与实验结果验证了该文所提出算法的有效性。     

基于神经网络BP算法的模糊自适应控制器的研究与实现

提出了一种基于神经网络BP算法的模糊自适应控制器 ,通过BP算法 ,修正量化因子和比例因子 ,使模糊控制器具有自适应的能力。计算机仿真结果和实验表明 ,这种智能控制器超调小、响应快且具有良好的鲁棒性。     

组合式粒子群神经网络的96点负荷建模的应用

粒子群算法是一种新型寻优策略,具有收敛速度快、收敛精度高的优点。提出一种改进粒子群神经网络的负荷预测模型,通过改进粒子群算法优化BP神经网络的权值和阈值,改善神经网络的缺陷,将优化好的BP神经网络对某电力系统进行短期负荷预测。仿真结果表明,该算法收敛速度快,网络性能良好,并具有较强的自适应能力。     

基于双模控制算法的交流伺服电机的研究

为了提高伺服电机控制的实时性和精确性,满足伺服系统高速度和高精度的控制要求,提出一种自适应神经元模糊PID的交流伺服电机控制算法。该算法充分结合模糊PD控制的强鲁棒性和神经网络控制强大的自学习能力。通过对仿真结果对比分析,结合后的控制算法相比单一的模糊PD算法和单神经元自适应算法,系统的响应速度更快,精度更高。     

一种新型模糊神经网络自适应控制器

文章利用模糊神经网络的模糊推理能力以及前馈神经网络的逼近能力,将其与自适应控制方案结合,并取带有控制增量约束的广义目标函数作为优化指标;从而推导出一种能对非线性非最小相位系统进行有效控制的模糊神经网络间接自适应控制器。在网络学习算法上分别采用Davidon最小二乘法和带有动量项的BP算法。仿真结果表明了该方法的有效性。     

模糊神经网络在噪声消除中的应用

提出了一种基于改进模糊聚类算法的训练模糊神经网络的算法,该方法采用遗传算法改进传统的模糊聚类算法,并给出了一个衡量聚类有效性的函数以确定聚类算法中的聚类总数,从而确定模糊神经网络结构,仿结果表明神经网络可成功的应用于噪声消除。     

基于神经网络预测模型的聚类自适应模糊控制器的设计及应用

将神经网络与预测控制相结合 ,采用递阶遗传算法对神经网络的权值和结构同时进行训练 ,实现了非线性、大时滞系统模型的精确预测 ;然后将聚类算法和模糊控制相结合 ,设计了一种新型的聚类自适应模糊预测控制器 ,实现了对非线性和大时滞系统的自适应控制。将该控制器应用于锅炉的单元机组负荷控制系统中 ,仿真表明该方案的适应性、实时性和鲁棒性都很强 ,具有工程实用价值。     

基于IGA的USM速度智能控制系统研究

针对超声波电机参数的时变性、系统内在的非线性和系统的强耦合性等特点,提出基于免疫遗传算法的超声波电机模糊神经网络速度控制策略。实验结果表明,与传统模糊神经网络速度控制相比,采用该方法的系统能较好地实现设定的超声波电机速度参考模型的自适应跟踪,响应速度脉动小,具有控制灵活、适应性强、控制精度高、鲁棒性强等优点。     

基于遗传小波神经网络的变电站内变压器噪声自适应抑制

为减少变电站噪声污染,针对变压器噪声控制问题,提出一种基于遗传小波神经网络的变电站内变压器噪声自适应抑制方法。首先,将变压器噪声进行小波神经网络建模,比较变压器实际噪声信号和模型输出噪声信号的大小。其次,根据残余噪声信号幅值绝对值,自适应选择遗传算法或者梯度下降算法作为小波神经网络中参数迭代的优化方法。最后,利用一种降噪综合性能评价策略,确定模型隐含层最优结构。通过3种不同模型的仿真,结果表明遗传小波神经网络模型对变压器附近的噪声信号有较好的抑制效果。     

基于TS模型的模糊神经网络光伏MPPT控制

为了克服传统最大功率点跟踪(MPPT)方法的一些缺点,使光伏系统更加快速准确地工作在最大功率输出点,提出了基于模糊控制和神经网络控制相结合的自适应控制方法。该方法充分利用模糊神经网络处理非线性问题的优点,通过模糊控制来改变步长,利用神经网络的自学习能力来快速达到平衡,使光伏MPPT在跟踪速度和稳定性之间达到一个较优的平衡。仿真和试验结果表明,基于模糊神经网络自适应控制的MPPT方法具有较强的鲁棒性和自适应能力。     

基于模糊神经网络的异步电机转速估计方法

根据异步电机的数学模型,提出基于模糊神经网络的异步电机转速估计方法。将传统参考自适应系统中原有的自适应调节机构用一个具有在线学习能力的模糊神经网络取代,得出了一种基于模糊神经网络的异步电机转速估计方法,并给出了速度估计器的模糊神经网络结构和学习算法。仿真结果表明,该方法能准确跟踪电机实际转速的变化,具有良好的性能。     

神经网络和模糊算法相结合的永磁同步电机的鲁棒控制

提出一种神经网络和模糊理论相结合的控制算法,用于永磁同步电机的控制.该算法用基于BP神经网络的PID算法作为速度控制器,实现控制系统的在线自适应调整;同时用模糊理论算法作为神经网络控制器输出的限制,实现了良好的控制动态性能.在与传统的PI控制仿真比较中,该算法显示出了较好的控制性能,对负载和电机参数的变化不再敏感,且控制器可以在误差较大的时候快速跟踪指令,而在误差较小的时候实现稳定运行.     

木材干燥过程温湿度的T-S型模糊神经网络控制器设计

木材干燥过程是一个强耦合、大滞后的非线性动力系统,很难准确建立被控对象的数学模型。为了准确控制木材干燥过程的温度和湿度,提高木材干燥质量,将智能控制引入木材干燥控制系统是必然的发展趋势。结合模糊控制和神经网络优点,设计了一种木材干燥窑内温湿度的Takagi-Sugeno(T-S)型模糊神经网络控制器。该控制器无需对象的精确数学模型,适应性强,利用模糊算法解除木材干燥窑内温度和湿度间的强耦合关系,采用神经网络的自学习和自适应能力来实现整个非线性过程的模糊逻辑推理。仿真和实验结果表明,T-S型模糊神经网络控制器有效解决了木材干燥过程的温湿度控制,控制器响应速度快、超调小、鲁棒性强、控制精确度高,可以满足木材干燥控制系统要求。