汽车主动悬架系统的神经网络控制算法

通过对汽车主动悬架建立再生神经网络模型,提出了一种神经模糊适应性控制算法,该算法在多层神经网络的基础上,借助一套模糊规则,调节模糊神经控制器参数,通过神经网络建模确定了汽车主动悬架的动态参数,并向神经模糊适应性控制器提供学习信号．对一辆装有磁流变液减振器及基于DSP微处理器模糊神经控制系统的微车,在各种速度与路面条件下进行试验,将控制效果与开环被动悬架系统的进行了比较,结果表明,神经控制算法在减小微车振动方面表现出了良好的性能．     

带不确定性的船舶航向动态神经模糊跟踪控制

针对常规水面船舶的航向跟踪控制中建模参数随航速时变引起的不确定性问题,提出一种基于动态神经模糊模型的控制算法.动态神经模糊模型在学习中同时调整结构和参数,充分逼近船舶的逆动力学.训练好的动态神经模糊模型作为逆控制器,与传统的PD控制器并联,用于船舶航向的跟踪控制,且控制过程中能进一步调整模型权值.以5446TEU大型集装箱船为例,进行航向跟踪控制的仿真结果表明,该算法能克服建模参数不确定性的影响,快速有效地跟踪期望航向,控制效果良好.     

基于遗传算法的自学习模糊控制器的设计

提出了一种自学习模糊控制器的设计方法,这种方法采用改进的连续空间遗传算法对动态系统的控制进行优化,获得基于一定性能指标的期望的状态轨迹及相应的控制序列;采用基于神经网络的模糊推理系统监督学习模糊控制器的参数,可以在知识缺乏的环境完成神经模糊控制器的自动设计。本文最后以倒立摆系统为控制对象给出了一个设计实例和仿真结果。     

带有舵机特性的船舶航向自动舵DSC-MLP设计

为了研究船舶航向非线性系统的自适应自动舵跟踪控制问题,采用T-S模糊系统逼近模型不确定性,将动态面控制与最少学习参数算法结合,提出了一种自适应模糊跟踪控制算法.该算法学习参数少、计算量小,易于工程实现;并且能够避免可能存在的控制器奇异值问题.同时,该算法保证了闭环系统的稳定性,能够使得航向跟踪误差任意小.仿真结果验证了控制器的有效性.     

神经模糊控制在热工过程中的应用研究

由于热工过程的非线性以及模型的不确定性，神经网络则可以逼近任一非线性的函数，模糊系统可以模拟一个不能用精确数字模型的过程。提出了采用适应性子集的神经模糊控制器，通过模糊适应性子集的相似性准则来进行网络的学习，可以来确定网络结构。该神经模糊控制器对非线性过程有广阔的应用前景。     

一种逆归结学习表示

针对动态模糊性问题,利用动态模糊逻辑,采用“自下而上”的设计原则,提出1种基于动态模糊逻辑的逆归结学习方法,该方法利用动态模糊谓词逻辑来描述学习问题,通过学习算法计算出问题的假设。通过实例验证了算法的有效性,同时找到了一种从一般到特殊的认知规律的表示方法。     

基于GA和BP算法复合调节的模糊神经网络控制器

为了克服单独应用遗传算法或BP算法调节模糊神经网络控制器参数时存在的缺陷，提出了一种将二者复合的方法，即在传统的GA中加入一个BP算子，以充分利用二者各自的优点。而在GA中引进了动态的交叉和变异率，在BP中引进动态的学习率，从而更有效地提高其收敛速度和执行效率。计算机仿真结果表明，用该复合算法调节的模糊神经网络控制器的性能明显优于传统的算法调节的控制器。     

模糊神经网络控制器的仿真研究

简要介绍了一般模糊神经网络控制器的设计理论 ,仿真给出了基于 MATLAB控制器的模糊神经控制流程和算法 ,仿真实验表明该模糊神经网络控制器具有良好的动、静态性能、抗干扰性能和鲁棒性能     

三自由度直升机模型自适应神经模糊控制

针对三自由度直升机模型的稳定运行控制问题,根据各个自由度运动特性,采用牛顿力学原理,建立了直升机系统的数学模型.采用自适应神经模糊算法对模型进行控制,通过编写MATLAB的M文件和应用ANFIS工具箱结合simulink对控制效果进行仿真,得到仿真曲线,对比模型原厂自带PID控制器的控制效果,神经模糊控制俯仰轴调整时间缩短,超调降低,结果验证了自适应模糊神经算法在三自由度直升机模型的稳定运行控制问题上是有效可行的.     

基于动态神经模糊算法的船舶航向自适应控制

针对船舶航向控制中模型参数变化引起的不确定性问题,提出一种基于动态神经模糊模型(DNFM)的自适应控制算法.DNFM在学习中同时调整结构和参数,充分逼近Norrbin非线性船舶NARX模型的逆动力学.训练好的DNFM与PD控制器并联构造自适应控制器用于航向控制,且以PD控制器的输出作为自适应律的自变量,进一步在线调整DNFM的权值.以5446 TEU集装箱船的航向控制仿真结果验证了算法的有效性.     

基于TSK模型的模糊推理改进算法

在传统的基于TSK模型的模糊推理算法基础上,研究了一种改进的基于TSK模型的模糊推理新算法,并应用模糊神经BP算法给出三角形隶属函数下的算法的过程,最后将新算法与传统算法做了比较,得出基于TSK模型的模糊推理新算法在实际的过程中克服了传统推理算法会出现弱连续或不连续情况的优点。     

船舶控制系统故障诊断神经网络专家系统的研究

将神经网络技术应用于船舶控制系统故障诊断专家系统，给出了系统的组成和知识的表达方法；提出了自增长动态网络学习算法，其优点在于学习迅速，能动态建造多层网；给出了神经网络专家系统的推理方法。     

粒子群优化的BP神经网络在电梯群控系统中的应用

目的提出基于粒子群优化的BP神经网络获取评价电梯群控系统派梯性能指标的新方法．方法综合考虑电梯运行特性,确定电梯调度控制策略,建立了电梯运行性能的评价指标函数,利用神经网络自学习功能获取评价指标的初始权值和阀值,针对平均候梯时间对比研究了普通BP神经网络算法和粒子群优化BP神经网络算法．结果将优化的权值和阀值代入BP神经网络获得平均候梯时间,粒子群优化的BP神经网络与BP神经网络相比,减少了迭代次数,缩短了运行时间．结论仿真实验表明,该方法可以避免BP神经网络训练中产生局部极小值,加快BP神经网络训练速率,提高电梯群控系统控制的速度．     

基于不同学习算法的RBF神经网络在故障诊断中的应用

基于对RBF神经网络常用的3种学习算法的研究,通过对凝汽器典型故障类型与故障征兆分析,提出了基于不同学习算法的RBF神经网络凝汽器故障诊断,并对诊断结果进行比较.诊断结果表明,基于3种常见学习算法的RBF神经网络都可以准确诊断出凝汽器的各种故障,但聚类方法和OLS算法学习速度要快得多,梯度训练方法速度较慢.研究还表明,RBF神经网络在故障诊断领域具有很好的实用性.     

基于GA算法的神经网络模糊辨识器研究及其应用

将模糊逻辑系统、ＧＡ算法与ＢＰ算法相结合,形成一种有效网络学习方法。提出了基于神经网络的模糊逻辑系统辨识器的结构形式,利用自适应交叉率、变异率ＧＡ算法对其进行参数训练。通过计算机仿真和加氢裂化装置航煤干点模型预测,表明该方法的可行性和实用性,可望为石油化工模型预测、优化操作提供一种辅助性有效手段。     

基于权重值的竞争深度双Q网络算法

在深度强化学习中,深度Q网络算法存在严重高估动作值问题,使得智能体的表现不尽人意.尽管深度双Q网络和竞争网络结构可以部分缓解高估带来的影响,但引入双Q网络的同时,有时也会低估动作值.本文提出了一种基于权重值的竞争深度双Q网络算法(Weighted Dueling Double Deep Q-Network, WD3QN),把改进的双估计器及竞争网络结构结合至深度Q网络中,将学习到的可能动作值进行加权产生最终动作值,有效减少估计误差.最后,将算法应用于Open AI Gym平台上的CartPole经典控制问题,仿真结果显示:与已有算法对比,本算法有更好的学习效果,收敛性和训练速度均有提升.     

进化Elman神经网络模型与非线性系统辨识

建立了一种采用改进的自适应遗传算法实现动态递归的进化E lman神经网络模型。提出了对网络的结构、权重、结构单元的初始输入和自反馈增益因子同时进化的学习算法。用初始状态优化的E lman网络集成反馈学习算法和E lman网络在线训练两种动态辨识算法形成的集成化动态递归网络辨识算法,实现了超声马达的速度辨识。模拟结果表明,提出的算法不仅实现了动态递归网络的全自动优化设计,而且明显提高了动态递归网络模型辨识算法的收敛精度,为非线性系统辨识提供了一条新的途径。     

一种FIR神经网络的在线学习算法在系统辨识中的应用

通过在指标函数中增加遗忘因子,提出一种FIR神经网络的在线学习算法．该算法具有随训练的样本进度即时更新权值的在线训练能力,与同类方法相比,因没有复杂的矩阵计算,使计算时间大大减少．编制了算法程序,对真实的六机架热连轧机试验数据进行了辨识,所耗用的计算时间远远小于实际数据的采样时间,验证了该算法的在线辨识能力．     

用于动力系统控制的时滞神经网络

提出了一种连续回归时滞神经元网络,并将其用于动力系统控制。通过在隐层神经元中引入时滞,构造了一种新的时滞神经网络模型。应用Lyapunov稳定性方法,给出了此神经网络权值的修正算法和系统的控制输入,保证了控制系统的稳定性。本文建立的控制方法不需要系统任何的先验知识,并能保证控制误差收敛到零点附近的一个小的邻域,并始终保持在这个区域内。最后通过对一种超声马达进行控制实验,验证了本方法的有效性。     

应用深度强化学习的压边力优化控制

为改善板料拉深制造的成品质量,采用深度强化学习的方法进行拉深过程的压边力优化控制. 提出一种基于深度强化学习与有限元仿真集成的压边力控制模型,结合深度神经网络的感知能力与强化学习的决策能力,进行压边力控制策略的学习优化. 基于深度强化学习的压边力优化算法,利用深度神经网络处理巨大的状态空间,避免了系统动力学的拟合,并且使用一种新的网络结构来构建策略网络,将压边力策略划分为全局与局部两部分,提高了压边力策略的控制效果. 将压边力的理论知识用于初始化回放经验池,提高了深度强化学习算法在压边力控制任务中的学习效率. 实验结果表明,与传统深度强化学习算法相比,所提出的压边力控制模型能够更有效地进行压边力控制策略优化,成品在内部应力、成品厚度以及材料利用率3个质量评价指标的综合表现优于传统深度强化学习算法. 将深度强化学习中的策略网络划分为线性部分与非线性部分,并结合理论压边力知识来初始化回放经验,能够提高深度强化学习在压边力优化控制中的控制效果,提高算法的学习效率.