基于遗传优化RBF神经网络的电动负载模拟器控制

针对炮控系统电动负载模拟器存在的摩擦、间隙、弹性形变、对象参数时变和位置扰动等复杂非线性,传统的控制方法难以得到良好的动静态性能指标。结合电动负载模拟器系统组成和工作原理,建立了加载数学模型,利用炮控系统位置控制信号进行前馈补偿,设计了RBF神经网络控制器,并采用改进遗传算法对控制器的权值、节点和中心矢量等参数进行优化。实验结果表明:该控制策略能够有效抑制多余力矩,保证了系统静、动态加载时的控制精度和稳定性。     

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。     

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。     

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.     

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。     

基于模糊RBF神经网络改进VSM的EV充放电控制策略研究

为解决电动汽车（EV）大规模接入电网导致的电网频率、电压等指标稳定性下降的问题,提出将虚拟同步机（VSM）控制策略应用于EV充放电系统的前级双向AC/DC变换器中。针对VSM控制中虚拟惯量和虚拟阻尼参数整定难的问题,提出一种基于模糊RBF神经网络改进VSM的控制策略。首先,建立EV前级变换器VSM闭环传递函数,根据二阶系统稳定性分析虚拟参数对系统性能的影响;然后,融合模糊算法启发式搜索的优点和RBF神经网络优良的非线性函数逼近能力,设计模糊RBF神经网络自适应控制器,对VSM虚拟参数进行在线调整;最后,通过Matlab/Simulink仿真验证所提策略的有效性。     

基于RBF神经网络的自适应反演大机动飞行控制器设计

针对飞行器在大机动飞行过程中气动参数不确定、外部未知干扰因素较多及系统建模可能存在误差等问题,设计了一种基于RBF神经网络的非线性自适应反演控制器。飞行器大机动飞行过程中的广义不确定性由RBF神经网络在线逼近,神经网络权值矩阵通过自适应律在线更新。反演设计过程中对虚拟控制律的反复求导带来的"项数膨胀"问题,通过引入一阶滤波器来解决。通过构造Lyapunov函数,证明了闭环系统所有信号均有界,并且跟踪误差指数收敛到零的一个小邻域内。对某飞行器进行了大机动飞行仿真,结果表明该控制器具有良好的跟踪效果和鲁棒性。     

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF 神经网络法、混合粒子群-RBF 神经网络法和自适应粒子群-RBF 神经网络法,并且预测效果不易受时间尺度变化的影响。     

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.     

RBF辨识PID控制器在温室温度控制中的应用研究简

针对温室温度控制系统存在的大滞后、大惯性等问题,提出采RBF辨识PID控制策略。该控制算法根据径向基函数（RBF）网络在线辨识温室温度系统的模型,获取被控对象Jacobian信息。利用BP网络实时调整PID控制器的3个参数,实现温室温度控制系统的在线自整定控制。通过仿真验证,并与RBF—PID控制器作对比,仿真结果表明,该控制算法有较强的鲁棒性、自适应性,其追踪性能和控制参数自适应的能力都优于RBF—PID控制器。     

基于RBF神经网络的加速度传感器动态补偿研究

提出一种应用径向基函数(RBF)神经网络进行加速度传感器动态性能补偿方法.介绍动态补偿原理以及算法,并将其与BP神经网络法和系统辨识法进行比较.该方法利用加速度传感器的动态标定数据,采用RBF神经网络搜索和优化补偿模型参数.结果表明,这种补偿模型误差小,比用系统辨识法有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度.     

基于RBF神经网络的虚拟仪器测试系统动态补偿方法

测试系统存在着动态测试误差,为了准确地复现出被测量的原始信号,提出了基于RBF神经网络的虚拟仪器测试系统动态补偿方法.该方法不依赖于测试系统的数学模型,而是根据测试系统的输入和响应数据,利用神经网络的强非线性逼近能力获得补偿系统的模型参数,通过LabVIEW构造出测试系统的动态补偿系统.实验结果表明,将RBF神经网络和虚拟仪器相结合,对测试系统进行动态补偿具有良好的效果.     

基于自适应动态规划的未知模型非线性系统H_2/H_∞控制

提出了一种在线的自适应动态规划算法,近似求解耦合的哈密尔顿雅可比(Hamilton-Jacobi-Isaacs,HJI)方程,获得非线性系统混合H_2/H_∞控制的纳什均衡策略。通过在控制策略和干扰策略中加入已知噪声,从而不依赖系统的模型信息,得到一个求解混合H_2/H_∞控制问题的未知模型的近似动态规划算法。分别使用2个评价神经网络和2个执行神经网络,同步在线更新2个值函数、控制策略和干扰策略,神经网络未知参数通过最小二乘法进行估计。仿真结果验证了算法的可行性。     

神经网络在自适应噪声抵消中的应用研究

本文将基于正交最小二乘的RBF神经网络算法引入自适应噪声对消中,提出一种基于最小二乘算法和径向基网络的自适应噪声抵消(adaptive filter based on least square algorithm and radial basis network,简称OLSRBFAF)算法。RBF网络因其具有良好的推广能力,简单的结构和快速的训练过程等诸多优点已被成功应用于很多领域。RBF神经网络中关键因素是基函数中心的选取,中心选取不当构造出来的RBF网络的性能一般不能令人满意。利用正交最小二乘(orthogonal least squares,简称OLS)算法选取RBF网络中心,解决了径向基函数网络构造这一关键问题。并由于OLS算法中采用了最小二乘(least-square,简称LS)准则,其对时变信道具有快速跟踪的能力。利用MATLAB仿真结果分析可知,通过将两种算法结合引入自适应噪声抵消系统,使该系统具有误差更小,消除噪声能力更强的优点。     

异构多智能体时变编队的PI控制策略

有关多智能体系统的研究成果中大多是考虑同构多智能体系统的一致性控制问题,而实际应用中需要多种智能体依据期望编队队形协同工作,并且真实系统的动力学往往具有非线性性质.针对此问题,在无向拓扑结构下,利用非线性参数分解的方法,设计了基于PI控制器与自适应控制策略的一种异构非线性多智能体系统时变编队控制策略.由于真实系统会不可避免地受到外部扰动的影响,而外部扰动的大小是存在一定范围的,因此,在所设计的控制策略基础上又考虑了存在外部有界扰动情况时多智能体系统的稳定性问题,通过构造Lyapunov函数分析了所设计控制策略的稳定性问题,并使用Matlab进行了仿真验证.结果表明,设计的控制策略可以实现异构多智能体系统的时变编队控制,且具有一定的有效性.     

基于优化RBF神经网络的无线室内定位

针对径向基函数（Radial Basis Function,RBF）神经网络算法在无线网络室内定位中拓扑结构和网络参数难以确定,其定位效果不理想的问题,提出了一种用核主成分分析的模糊C均值聚类算法（Fuzzy C-Means clustering algorithm based on Kernel Principal Component Analysis,KPCA-FCM）和模拟退火自适应遗传算法（Simulated Annealing adaptive Genetic Algorithm,SAGA）优化RBF神经网络的无线室内定位算法。首先利用KPCA对原始训练数据样本进行数据预处理,再通过KPCA-FCM算法计算出最优聚类数目和聚类中心点;其次将聚类数目和聚类中心点作为隐含层神经元个数和中心值,创建RBF神经网络,并将其网络参数映射到SAGA算法中;再次由SAGA算法进行网络参数寻优,把最优的解映射回RBF神经网络;最后利用样本数据对RBF神经网络进行训练和测试,完成建立RBF神经网络算法模型。实验表明,在相同的环境中,所提算法比传统RBF神经网络定位精度提高了48.41%。     

基于ESO的NLPID神经网络控制器的设计

针对传统PID控制自适应和抗扰能力欠佳的问题,提出了一种具有强抗扰动能力的NLPID神经网络控制方法。该方法通过扩张状态观测器对系统建模中不确定性因素以及系统的外部扰动实时观测进行前馈补偿,并与非线性PID神经网络控制相结合,实现对非线性、时变、不确定性、受未知外扰系统的最优PID自适应抗扰控制。通过Matlab仿真结果与传统PID控制对比分析,表明该方法具有优良的动态品质和静态性能,在非线性系统控制领域拥具有重要的应用价值。     

控制增益符号已知的MIMO非线性时滞系统自适应控制

针对一类具有死区模型并且控制增益符号已知的不确定多输入多输出非线性时滞系统,基于滑模控制原理提出了一种稳定的自适应神经网络控制方案。该方案通过使用Lyapunov-Krasovskii泛函抵消了因未知时变时滞带来的系统不确定性。通过利用积分型李亚普诺夫函数,并且构造逼近连续函数,闭环系统证明是半全局一致终结有界。仿真结果表明了该方法的有效性。     

云过程神经网络模型及算法研究

该文针对输入输出具有不确定性特征并与时间或过程有关的复杂非线性系统建模和求解问题,利用过程神经网络对时变信号的动态处理能力,结合云模型对定性定量概念的转化能力,构建了一种具有不确定性信息处理能力的云过程神经网络模型,并采用猫群优化算法同时对网络结构和参数进行并行优化设计,提高了网络逼近及泛化能力,实现了神经网络在时间域和不确定信息处理领域上的有效扩展。仿真实验结果验证了模型和算法的可行性和有效性。     

改进的径向基函数神经网络及其应用

本文基于不同扩展中心的径向基函数神经网络（RBF）,提出了一个性能函数用于表示每个输入神经元对于网络输出精度影响的重要性,并据此对输入神经元进行自适应删减,将此方法应用于时间序列预测中,可自适应地选取最佳嵌入维数和时间延迟。对于股指预测的实验表明改进的RBF神经网络比未改进的RBF神经网络有更高的预测精度。