基于单步预测的模型参考自适应逆控制

针对非线性系统,提出一种基于单步预测的模型参考自适应逆控制方案.该方案将预测思想引入自适应逆控制中,采用Elman网络作为模型辩识器,利用它建立非线性系统输出的预测模型;采用模糊神经网络作为自适应逆控制器,由预测误差进行参数的在线自适应寻优.仿真结果表明,该方案具有很好的跟踪效果和较强的鲁棒性.     

基于VPBF网络的直接自适应逆控制方法

神经网络技术在非线性系统自适应控制器的设计中已得到广泛应用,但常见的神经网络存在着各种各样的缺点。为了改进自适应逆控制方法,同时克服一般神经网络的缺点,构造了一种结构简单的改进型VPBF网络,并将其引入自适应逆控制。利用该网络结构选择和参数选择上的优势,离线确定网络的初始规模和权值,在线学习非线性系统的逆,实现了一种非线性系统的直接自适应逆控制策略。仿真结果显示该控制系统能有效地克服扰动,有良好的鲁棒性能。     

基于支持向量回归的自适应逆控制方法

将支持向量回归引入逆控制,提出了一种基于支持向量回归的自适应逆控制方法。采用支持向量回归在线辨识算法建立被控对象的逆模型,然后将逆模型作为控制器进行复制去驱动被控对象,从而完成一个自适应逆控制过程。由于支持向量回归是建立在小样本基础上的一种学习方法,因此较好地解决了对于线性系统自适应滤波算法存在的运算量大,权值失调及自适应过程时间长等问题。对于非线性系统,与现有的神经网络方法相比,该方法能提高收敛速度及逼近能力,而且具有更好的推广能力。仿真结果表明,应用该方法可以取得良好的控制效果,并具有较好的鲁棒性能。     

永磁同步电动机自适应逆控制系统设计

针对永磁同步电动机的非线性、多变量、强耦合的复杂系统,提出了一种改进自适应逆控制策略。该控制策略将改进的径向基函数神经网络与FIR滤波器并联作为非线性自适应滤波器,用于系统的建模辨识、扰动消除器和自适应逆控制器的设计。同时,采用改进的变步长LMS算法对非线性滤波器的参数进行在线优化,提高了非线性滤波器的收敛速度和精度,进而提高了自适应逆控制的性能。仿真对比分析和实验结果表明,采用提出的改进自适应逆控制策略的永磁同步电动机控制系统具有良好的动、静态特性和较强的鲁棒性。     

基于BP神经网络的永磁直线电机逆控制系统分析

将交流永磁直线电动机作为被控对象，利用自适应逆控制理论设计了BP神经网络自适应逆控制系统，解决了模型摄动和参数不确定性等问题，提高了系统的稳定性与鲁棒性；利用逆控制器的快速反应能力保证了系统的高性能。     

具有输入死区的非线性纯反馈系统的Backstepping控制设计

针对一类具有未知死区的非线性纯反馈系统自适应神经网络控制问题,本文提出了基于径向基函数神经网络结构特征的控制设计方案。将未知输入死区表示成一个线性死区与一个有界非线性死区之和的形式,在控制设计过程中,通过神经网络系统逼近未知非线性函数,结合自适应Backsteeping方法及神经网络基函数向量的范数性质,设计了一种自适应神经网络状态控制器,并通过Lyapunov稳定性理论进行稳定性分析。分析结果表明,在该控制方案作用下,闭环系统的所有信号有界,跟踪误差收敛到原点一个足够小的领域,数值仿真验证了本文方法的有效性。该研究具有一定的实用价值。     

基于神经网络的智能下肢假肢自适应控制

下肢假肢的膝关节是一种具有高度非线性、时变、强耦合的阻尼系统,传统控制方法很难达到良好控制效果.针对这一问题,提出将神经网络(NN)应用于下肢假肢控制.以学习矢量量化(LVQ)神经网络为基础,提出神经网络模型参考自适应控制方法.该方法通过选择适当的参考模型和自适应算法,利用参考模型输出与实际系统输出之间的误差信号,由自适应算法计算当前的控制量以控制智能下肢假肢,达到自适应控制的目的.该方法不需要进行性能指标的变换,容易实现且自适应速度快,仿真结果表明了该方法的有效性.     

基于BP-RBF神经网络的永磁无刷电机控制研究

针对常规PID对永磁无刷电机这类非线性系统控制时参数难以整定、适应性差的问题,提出一种基于径向基函数神经网络在线识别与BP神经网络自适应控制相结合的控制方法,即BP-RBF神经网络自适应控制。该方法构造一个RBF网络对系统进行在线辨识,并把辨识信息传入BP网络,通过BP网络实时调节PID系数,从而完成对电机转速的自适应控制。基于Simulink仿真平台,分别将BP、BP-RBF和传统PID算法应用到永磁无刷电机的调速系统中,并对控制效果进行了仿真验证。结果表明,BP-RBF控制方法具有上升时间短、鲁棒性强、转速波动小的优点。     

导弹自动驾驶仪的神经网络设计方法综述

对目前在导弹自动驾驶仪的具体设计中存在的问题进行了简要的总结。给出近几年基于神经网络的导弹自动驾驶仪的设计方法：神经自适应控制、神经反馈线性化、模糊CMAC神经控制、逆动态神经网络等非线性设计方法的特点及未来的发展方向。     

具有连续监督控制功能的稳定自适应模糊控制方法

基于李雅普诺夫稳定性理论与动态逆方法,将滑模控制与连续监督控制策略应用于自适应模糊控制系统中,能显著增强模糊自适应控制系统的稳定性,使系统在一定条件下达到全局渐近稳定。作者对该方法进行了理论分析,并提供了一个仿真算例。     

基于神经网络逆模型的过热汽温补偿控制研究

为改善大型电站锅炉的过热汽温控制效果,提出一种基于人工神经网络扩展逆系统模型的过热汽温补偿控制方案.首先结合锅炉的结构和运行特性,分析影响过热汽温的主要因素,确定神经网络逆系统扩展模型的输入和输出参数.借助MATLAB神经网络工具箱建立过热汽温系统的动态逆过程模型(IDPM),运用历史运行数据完成神经网络模型的训练.以...     

基于改进最近邻聚类的机械手神经网络逆控制

机械手具有非线性时变、多变量、强耦合的特性,在机械手系统可逆的基础上,设计一种机械手的神经网络逆控制方案。通过神经网络逆辨识建立机械手的神经网络逆模型,把神经网络逆模型作为控制器模型与原机械手串联,构成一个伪线性动态模型,把非线性问题转化为线性问题。其中,辨识器和控制器均采用RBF神经网络结构,网络学习采用具有在线学习功能的最近邻聚类学习算法。仿真结果验证了本方案的有效性和可行性。     

基于多神经网络的机器人轨迹学习控制研究

本文利用神经辨识器和神经控制器相结合的思想提出了机器人动力学模型完全未知情况下的一种新的学习控制策略．文中描述了机器人系统新的控制结构，并推导出该结构下神经辨识器和神经控制的在线学习算法．仿真结果表明，文中提出的控制方法能够实现任何可达期望曲线的机器人高精度轨迹控制．     

电弧炉电极系统双模控制策略研究及应用

针对交流电弧炉电极控制系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,采用基于最近邻聚类方法的径向基函数(RBF)神经网络快速学习算法,通过实时在线辨识,建立电弧炉电极系统的精确逆模型并用于控制,实现了将具有强耦合特性的多变量输入/输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与比例微分(P/D)控制相结合的双模控制策略。应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性。     

基于神经网络的非线性系统复合内模控制

利用RBF神经网络逼近连续非线性系统的α阶积分逆系统，并对原非线性系统及其逆系统构成的伪线性系统采用内模控制方法进行复合控制，从理论上分析了滤波器对跟踪误差的影响，仿真结果表明，内模控制与逆系统方法相结合的复合控制方案是处理非线性问题比较有效的方法之一。     

Predictive Inverse Neurocontrol： an experimental case study

To increase predictive behaviors of neural network dynamic model, an experimental case study of a new approach to systems controller design is presented. The experiment is based on neural networks inverse plant model. Special rules for network training are developed. Such system is close to model-based predictive control, but needs much less computational resources. The approach advantages are shown by the control of laboratory complex plants.     

基于启发式学习算法的空间柔性机械臂神经网络控制

针对非线性强耦合的空间漂浮基柔性机器人,提出了一种启发式学习算法的神经网络的前馈控制策略。首先通过拉格朗日法和假设模态方法建立了漂浮基柔性空间机器人的动力学模型,然后采用两个神经网络及一个PID控制器来构建前馈在线学习控制系统,其中一个神经网络充当前馈控制器,另一个神经网络通过学习逆动态模型来为前馈控制器提供在线学习参数,而PID控制器主要作为辅助补偿控制器。该控制策略不是在PID控制器的指导下进行学习,且无需预先的离线学习,因而学习精度更高,且减少了对学习样本选择不当的影响,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整的算法来实现快速学习能力,具有较好的实时性。仿真结果证明了所提方案的有效性。     

磁流变阻尼器的神经网络建模及应用

对非线性的磁流变阻尼器进行建模,建立单个磁流变阻尼器的神经网络正模型和神经网络逆模型,设计了两种四磁流变阻尼器的神经网络逆模型,通过两层控制策略将它们应用于汽车半主动悬架控制.结果表明:第1种神经网络逆模型对簧载质量的垂直加速度、俯仰角加速度和侧倾角加速度具有较好的控制效果,可有效改善车辆的行驶平顺性和操纵稳定性;第2种神经网络逆模型还有待改善.     

多层前馈神经网络在自动控制系统中的应用

基于神经网络所具有的灵活强大的学习能力,提出了一种用多层前馈神经网络实现的控制器．该控制器通过学习系统的逆动力学特性,能由系统反馈回的输入／输出状态及未来期望输出值直接得到应加在系统输入端的控制量．另外,通过引入系统的神经网络正向模型,可将系统输出端的误差经网络逐层反传,在线调节神经网络控制器的权重,从而使控制器具有自学习能力,以适应控制对象参数的变化,确保良好的控制效果．