一种基于过程神经元网络辨识的PID控制模型及方法

针对非线性动态系统PID过程控制问题,提出了一种基于过程神经元网络辨识的PID参数自适应整定的控制模型和方法。利用过程神经元网络对于动态系统时变输入/输出信号的学习机制,在某种最优控制律下通过对被控对象进行辨识来追踪被控对象的输出对控制输入变化的灵敏度信息,实现参数自适应匹配的PID控制。给出了基于过程神经元网络辨识的PID控制系统结构以及相应的实现机制,实验结果验证了模型和算法的有效性。     

一种新的复杂系统模糊辨识方法

针对一阶Takagi-Sugeno模型辨识复杂系统的困难,提出一种新的模糊模型.这种模 型的结构在一阶Takagi-Sugeno模型的基础上,再进行一次非线性映射.文中运用卡尔曼滤 波算法的模糊神经元网络实现了这种模型.仿真结果表明该方法辨识精度高,且有良好的 实用性.     

基于人工神经网络的Hammerstein模型辨识

证明了Ｈａｍｍｅｒｓｔｅｉｎ模型在有色噪声情况下，可利用系统的稳态信息辨识模型的非线性增益，并提出了神经元网络的辨识方法。利用系统的动态信息，运用一般的辅助变量法可辨识Ｈ模型的线性子系统。仿真结果表明该方法辨识精度高，具有一定的实用性。     

一种基于过程神经元网络的非线性动态系统辨识模型及应用

针对复杂非线性动态系统辨识问题,提出了一种基于过程神经元网络（PNN）的辨识模型和方法．根 据系统待辨识的模型结构和反映系统模态变化特征的动态样本数据,利用PNN 对时变输入／输出信号的非线性变 换机制和自适应学习能力,建立基于PNN 的系统辨识模型．辨识模型能够同时反映多输入时变信号的空间加权聚 合以及阶段时间效应累积结果,直接实现非线性系统输入／输出之间的动态映射关系．文中构建了用于并联结构和 串－并联结构辨识的PNN 模型,给出了相应的学习算法和实现机制,实验结果验证了模型和算法的有效性．     

非线性系统的多神经网络自学习控制

本文提出了一种未知非线性动力学系统的多网络自学习控制方法。通过对系统的神经元网络辨识器和神经元网络控制器的有机结合，发展了基于逆动力学辨识器的控制网络广义Ｄｅｌｔａ学习规则，从而使得整个控制系统具有很强的自、自学习能力。文中最后通过对系统进行的仿真研究证实了这种控制结构的有效性，仿真例子说明经过１００个周期学习后，其系统的跟踪误差控制在１％以内。     

基于数据融合的加速度传感器的静态模型辨识

建立加速度计静态模型方程并根据工程应用对方程进行简化,针对加速度计静态模型的参数辨识提出一种新的方法--数据融合,使模型参数的精度有明显的提高.该方法的提出为控制系统的实时补偿提供了更好的条件.     

连续退火炉加热段过程静态模型的建立

连续退火炉是生产高质量深冲汽车板生产线上重要的生产设备之一。针对其作为一个非线性、时变、多变量强耦合、大时滞的控制对象，难以建立精确的数学模型的问题，在某一连续退火炉加热段已得的静态模型基础上，运用最小二乘法，对模型参数进行辨识，完善模型结构；介绍了最小二乘静态模型算法的编程思想，并通过对大量数据进行模型辨识及Matlab仿真，证明了该算法的有效性。该技术提高了模型精度，对提高工业生产的产品质量及产量具有重要意义。     

一种基于函数型神经网络的传感器静态模型辨识方法

本文提出一种基于函数型神经网络的传感器静态模型辨识方法,该神经网络连接系数直接反映了传感器静成模型中的被辨识参数,网络结构简单,具有良好的收敛性,文章将这一方法实际应用到铂热电阻静态模型辨识,仿真结果表明,本方法是可行的。     

讲座：人工神经网络──第一讲 智能控制的一种新方法──联接主义与人工神经网络

讲座：人工神经网络──第一讲：智能控制的一种新方法──联接主义与人工神经网络成都大学，四川联合大学黄家英，葛一楠人工神经元网络（简称神经网络）是以工程技术手段，模拟人脑神经元网络的结构与功能的系统。它由大量的简单的非线性处理单元，以及单元间复杂的、灵...     

基于过程神经元网络的动态预测模型及其应用

〗针对动态系统过程预测预报问题，提出了一种基于过程神经元网络的动态预测方法．过程神经元网络的输入/输出均可以是时变函数，其时空聚合运算和激励可同时反映时变输入信号的空间聚合作用和输入过程中的阶段时间累积效应．基于过程神经元网络的动态预测模型能同时满足对系统的非线性辨识和过程预测，在机制上对动态预测预报问题有较好的适应性．文中给出了基于函数基展开和梯度下降法的学习算法，以电力负荷预报为例验证了模型和算法的有效性．     

Nonlinear dynamic system identification using pipelined functional link artificial recurrent neural network

A computationally efficient pipelined functional link artificial recurrent neural network (PFLARNN) is proposed for nonlinear dynamic system identification using a modification real-time recurrent learning (RTRL) algorithm in this paper. In contrast to a feedforward artificial neural network (such as a functional link artificial neural network (FLANN)), the proposed PFLARNN consists of a number of simple small-scale functional link artificial recurrent neural network (FLARNN) modules. Since those modules of PFLARNN can be performed simultaneously in a pipelined parallelism fashion, this would result in a significant improvement in its total computational efficiency. Moreover, nonlinearity of each module is introduced by enhancing the input pattern with nonlinear functional expansion. Therefore, the performance of the proposed filter can be further improved. Computer simulations demonstrate that with proper choice of functional expansion in the PFLARNN, this filter performs better than the FLANN and multilayer perceptron (MLP) for nonlinear dynamic system identification.     

一种动态非线性模型传感器的辨识和补偿方法

针对利用Wiener模型表达的具有动态非线性的传感器进行系统辨识和性能补偿。将系统分解为动态非线性环节和静态线性环节,利用函数链人工神经网络和遗传算法分别进行系统辨识,通过静态非线性补偿将系统简化为线性系统,再进行动态性能补偿。利用LabVIEW设计虚拟仪器,经过仿真表明该方法是有效的。     

Hybrid GMDH-type modeling for nonlinear systems: Synergism to intelligent identification

This paper presents a novel hybrid GMDH-type algorithm which combines neural networks (NNs) with an approximation scheme (self-organizing polynomial neural network: SOPNN). This composite structure is developed to establish a new heuristic approximation method for identification of nonlinear static systems. NNs have been widely employed to process modeling and control because of their approximation capabilities. And SOPNN is an analysis technique for identifying nonlinear relationships between the inputs and outputs of such systems and builds hierarchical polynomial regressions of required complexity. Therefore, the combined model can harmonize NNs with SOPNN and find a workable synergistic environment. Simulation results of the nonlinear static system are provided to show that the proposed method is much more accurate than other modeling methods. Thus, it can be considered for efficient system identification methodology.     

基于快速学习型神经网络的机器人运动学模型辨识及运动控制

该文提出一种快速学习型神经网络，它不仅符合生物神经网络的基本特征，而且算法简单，学习收敛速度快，有线性，非线性系统辨识精度高优异特点。因此，此类神经网络非常适合于机器人运动学模型辨识及运动控制，仿真结果表明，基于快速学习型神经网络进行机械手运动学模型辨识有运动控制是合适的。     

非线性动态系统的Wiener神经网络辨识法

提出了一种新的Wiener神经网络结构并将其应用于非线性动态系统辨识问题.首先,用Wiener模型对非线性动态系统进行描述,将其分解成线性动态子环节串接非线性静态增益的形式.其次,设计一种新型的神经网络结构,使网络权值对应于相应的Wiener模型参数;并推导了基于反向传播的网络权值调整方法.最后,通过网络迭代训练,可同时得到线性动态子环节和非线性静态增益的模型参数.通过一个Wiener模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法切实可行.     

非线性动态传感器系统的H模型神经网络辨识

针对非线性动态传感器模型辨识问题,提出一种新的Hammerstein模型神经网络结构辨识法。非线性动态传感器系统采用Hammerstein模型描述,将系统分解为非线性静态增益串接线性动态环节。再设计一种网络权系数对应于相应的Hammerstein模型参数的新型神经网络结构,推导了基于反向传播的网络权系数调整方法。通过网络迭代训练同时得到静态与动态两个环节的模型参数。最后通过一个H模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法是有效的。     

基于W iener 模型的混沌系统辨识研究

提出一种基于Ｗｉｅｎｅｒ模型辨识混沌系统的新方法。该方法利用三层前馈神经网络来辨识Ｗｉｅｎｅｒ模型中的静态非线性环节和学习混沌系统的内在规律性。同时给出了辨识混沌系统的结构和网络权值调整的学习算法。对Ｈｅｎｏｎ系统的仿真结果表明,该方法是有效的。     

非线性系统的神经网络辨识和控制方法

1引言 在Wiener开创控制论的伊始,就将控制、信息和神经科学作为一个共同的课题。后,控制学科、计算科学和神经生理学趋于分开发展。自从80年代初期以来,神经网络有了长的进步,在人工智能和     

Neural networks for control systems—A survey

This paper focuses on the promise of artificial neural networks in the realm of modelling, identification and control of nonlinear systems. The basic ideas and techniques of artificial neural networks are presented in language and notation familiar to control engineers. Applications of a variety of neural network architectures in control are surveyed. We explore the links between the fields of control science and neural networks in a unified presentation and identify key areas for future research.     

基于神经网络非线性系统辨识和控制的研究

本文提出了由静态的前馈网络和稳定的滤波器构成的非线性系统的辨识模型，在神经网络固有的逼近误差存在的情况下，从理论上讨论了神经网络应用于辨识控制过程中系统的稳定性问题，最后研究了在非线性系统的轨迹跟踪过程中增加滑动控制来偿神经网络的逼近误差，从而提高系统跟踪性能。