水下机器人T-S型模糊神经网络控制

针对水下机器人模糊神经网络控制器运算量大和对强外界扰动的鲁棒性差及存在滞后性的问题,提出基于混合学习算法的水下机器人T-S型模糊神经网络控制方法.采用免疫遗传算法离线优化和神经网络自学习在线调整隶属函数的参数,从而减少神经网络的运算量,增强水下机器人对环境变化的反应能力.采用T-S模型,由后件网络动态调整模糊规则,提高控制系统的适应性.通过某微小型水下机器人的仿真和外场实验验证方法的可行性和优越性.实验结果表明,控制器对外界扰动具有较强的鲁棒性,保证即使在恶劣情况下,控制性能仍保持在较高水平.     

电动汽车充电控制的深度增强学习优化方法

随着用电信息采集系统的广泛推广,数据驱动的机器学习方法在电力系统优化运行领域的应用已引起广泛关注。该文基于电网在线运行状态数据采集,采用竞争深度Q网络(dueling deep Q network,DDQN)结构的深度增强学习方法开展电动汽车充电控制优化。首先选取观测状态与执行动作,定义状态动作估值函数,其次针对动作和状态维度上的绝对数值相差过大的问题,采用DDQN的Q函数,引入ε-greedy策略、记忆存储单元以及批量梯度下降法进行神经网络的分层学习,然后基于DDQN训练后的神经网络,开展电动汽车充电控制的深度增强学习优化。最后,结合IEEE33节点扩展算例说明所提电动汽车充电控制优化方法在满足各类用户出行的充电需求条件下,实现合理消纳可再生能源发电。     

水下机器人的动态Petri递归神经网络控制方法

针对传统的水下机器人模糊神经网络控制器存在计算量大、抗环境扰动滞后等缺点,设计递归模糊神经网络控制器,通过在线的动态反馈增强水下机器人对环境变化的反应能力.并在网络的第三层即Petri层设计阈值,根据控制器误差的在线控制网络的学习和训练量,从而减少了模糊神经网络的计算量,提高反应速度.基于反向梯度传播原理,由能量函数设计了该网络的学习算法,并根据离散型李亚普诺夫函数确定了学习率参数,从而保证整个网络的收敛性.实验结果表明,该控制器能够提高递归神经网络的计算效率,减少控制误差,对外界干扰具有较强的鲁棒性,在水下机器人的控制方面取得了更好的效果.     

基于粗糙集的自适应模糊神经网络用于循环流化床锅炉床温控制的研究

针对循环流化床(CFB)锅炉床温的非线性、大惯性和大延迟等特性,提出了1种基于粗糙集的自适应模糊神经网络的床温控制方法,并且通过大量已知数据的学习得到模糊规则及其隶属度函数.为了减少规则的数目,提高数据的学习效率,引入了粗糙集,从采集数据中提取最小规则集,从而解决了自适应模糊神经网络中的规则爆炸问题.以CFB锅炉床温为控制对象,对基于粗糙集的自适应模糊神经网络控制器进行仿真比较.结果表明,该控制器控制效果优于常规PID控制器,但稳态误差较常规PID控制器大,其稳态误差小于1.7％,在允许范围内.     

模糊CMAC神经网络控制系统及混合学习算法

针对CMAC神经网络和模糊控制的特性，给出了一种能反映人脑认知的模糊性和连续性的模糊CMAC神经网络控制器，该控制器采用高斯函数作为模糊隶属函数，利用神经网络实现模糊推理并可对隶属函数进行实时调整，从而使其具有学习和自适应能力。讨论了这种控制器的混合学习算法，即先采用混沌算法离线优化，再采用BP梯度算法在线调整，并推导了变形Elmam网络的系统辨识算法。对电厂锅炉主蒸汽温度控制的仿真结果表明了此控制器及其学习算法的可行性和有效性。     

一种基于模糊神经网络的智能车运动控制器

以智能车为控制对象,为解决单一运动控制方法难以满足智能车控制准确度、稳定性等要求的问题,设计了一种基于模糊神经网络的智能车运动控制器。该控制器利用神经网络实现模糊推理,将智能车与预定轨迹之间的相对距离和方位信息模糊化后作为输入,并通过神经网络学习算法不断调整连接权值和模糊值中隶属函数的参数,提高了控制器的自适应能力,使智能车能够快速稳定地沿预定道路行驶。仿真和实验结果均表明,该控制器动态响应好、稳态误差小,能够满足智能车的运动控制要求。     

梯级水库深度强化学习长期随机优化调度研究

梯级水库调度相较于单库调度状态空间呈指数级增大,为解决基于表格的强化学习方法在解决梯级水库长期随机优化调度问题时面临的维数灾问题,提出采用深度强化学习中的深度Q网络算法求解。首先基于Copula函数分析梯级水库随机入库径流的联合分布函数;再根据时序差分思想分别建立目标神经网络和主神经网络,分别逼近当前和下一状态对应的动作状态价值,并采用ε-贪婪探索利用策略获取最优调度策略;最后将主要参数分步调优保障调度效益。算例对比表明,深度Q网络算法相较于Q学习算法及其改进算法提升了优化调度目标值,加快收敛速度,有效解决了梯级水库随机优化调度中的维数灾问题。     

基于ELM的机器人自适应跟踪控制

针对刚性臂机器人系统,提出基于极限学习机(ELM)的两种自适应神经控制算法。极限学习机随机选择单隐层前馈神经网络(SLFNs)的隐层节点及其参数,仅调整其网络的输出权值,以极快的学习速度可获得良好的推广性。在自适应控制算法中,ELM逼近系统的未知非线性函数,附加的鲁棒控制项补偿系统的逼近误差。ELM神经控制器的参数自适应调整律及鲁棒控制项由Lyapunov稳定性理论分析得出,所设计的两种控制算法均不依赖于初始条件的约束且放松对参数有界的要求,同时保证闭环系统跟踪误差满足全局稳定而且渐近收敛于零。将所提出的ELM控制器应用于二连杆刚性臂机器人跟踪控制实例中,并与现有的径向基函数(RBF)神经网络自适应控制算法进行比较,仿真结果表明,在同等条件下,ELM控制器具有良好的跟踪控制性能,显示出其有效性和应用潜力。     

基于Q网络的磁悬浮自学习控制系统设计

针对现有磁悬浮控制系统设计方法依赖动力学模型的问题,利用Q网络强化学习方法,在不依赖系统模型的条件下,训练得到基于Q网络的自学习控制器;基于系统运动方向设计奖励函数,提高了强化学习训练的收敛速度;提出了基于系统加权平均状态(weighted average states,WAS)的训练算法,自适应调节每回合的训练步数,以提高控制网络的有效控制范围.数值仿真结果表明,基于WAS算法的Q网络自学习控制器能够实现磁悬浮系统的稳定控制,对比普通的强化学习算法,能够实现系统更大范围的稳定控制.     

基于自适应模糊神经网络的起重机吊摆防摇控制

以起重机吊摆防摇控制为研究对象,设计基于BP算法的自适应神经网络-模糊控制器,用BP算法来训练网络权值,学习率自适应以调整隶属度函数,通过仿真对比实验得出,与一般模糊控制器相比,这种控制器控制过程更加平稳,振荡衰减较快,有效提高防摇控制效率。     

基于正交小波包变换的前馈神经网络盲均衡算法

针对前馈神经网络盲均衡算法收敛速度慢、均方误差大的缺点,在分析前馈神经网络盲均衡算法和正交小波包变换理论的基础上,提出了基于正交小波包变换的前馈神经网络盲均衡算法。该算法利用正交小波包变换良好的去相关性,对前馈神经网络均衡器输入信号进行预处理后,降低了输入信号的自相性,从而加快了收敛速度和减小了均方误差。水声信道的仿真结果表明,该算法在收敛速度与均方误差方面的性能比前馈神经网络盲均衡算法优越。     

基于神经网络实用稳定性理论提高FNN容错性的方法及其在电力系统中的应用

在神经网络（NN)实用稳定性理论和对前馈神经网络(feed-forward neural network,NFF)容错性能（fault-tolerance performance,FTP)理论分析的基础上,提出了一种提高FNN容错性的实用方法,该法建立了基于FNN学习与模糊处理相结合的FNN模型重构机理,以改变FNN“伪吸引子”和“伪吸引域”来地提高FNN的FTP。文中以电力输电线路故障诊断为例,通过仿真测试证明了所提方法的可行性,并能有效地提高FNN的FTP,所研究的方法为基于FNN实时信息处理系统的实际应用提供了重要的保证。     

基于模糊神经网络和PI控制的异步电机位置控制系统

提出一种用于异步电机位置控制的模糊神经网络(fuzzy neural network,FNN)控制器.其控制系统采用Sugeno型FNN和比例积分(proportional integrate,PI)控制进行构建.在进行试验测试之前,利用实验数据库和梯度算法对模糊神经网络进行在线训练.利用DS1104型DSP控制卡实现控制算法.利用该控制器对异步电机进行位置控制,在电机施加非线性负载和发生参数扰动的条件下,对控制系统的功能以及鲁棒性进行测试,试验结果表明,该控制系统能够保证电机稳定有效的工作.     

基于模糊神经网络的二维PSD非线性修正算法

为了减小二维位置敏感探测器(2D-PSD)的非线性误差,研究了一种基于模糊神经网络的2D-PSD非线性修正算法.基于调制光源法采集到2D-PSD光敏面上可靠的光点位置信号后,采用T-S型模糊神经网络近似表示光点位置信号与光点位置坐标之间的映射,将该映射嵌入到ARM处理器中实现2D-PSD的在线修正计算.采用该模糊神经网络非线性修正算法后,2D-PSD的非线性误差从±0.4 mm减小到±0.15 mm,实验结果表明基于模糊神经网络非线性修正算法对有效性.     

一种基于前馈神经网络的NARMAX模型辨识新方法

本文提出了一种通过分析非线性动态系统的输入输出进行系统参数辨识的新方法。     

遗传算法在水轮发电机模糊神经网络励磁控制器设计中的应用研究

本文在分析了模糊神经网络(FNN)控制器的工作原理及设计方法的基础上,提出了一种采用遗传算法优化设计水轮发电机模糊神经网络励磁控制器的方法。其基本过程是利用遗传算法得到初始模糊控制规则,并对初始规则进行过滤,在此基础上利用遗传算法结合模拟退火对得到的模糊神经网络进行训练。仿真结果表明与根据专家经验获得模糊规则和BP算法进行学习的常规FNN比较,采用遗传算法优化设计的模糊神经网络励磁控制器所构成的励磁系统具有更好的动态性能。     

应用模糊神经网络的短期负荷预测

提出用于短期负荷预测的模糊系统。该系统具有神经网络的结构和学习算法,称模糊神经网络ＦＮＮ。ＦＮＮ以现有的历史负荷生成规则,以最小隶属度法增补规则。规则参数经过修正后,ＦＮＮ的输出能与负荷数据很好地吻合。一经训练,ＦＮＮ就能预报未来负荷。     

开关磁阻电机的模糊神经网络模型

首次给出了开关磁阻电机的模糊神经网络模型,基于模糊神经结构上的特点,提出了一和中ＢＰ算法和最小二乘的混合算法,仿真结果表明模糊神经网络模型有比Ｓｉｇｍｏｉｄ神经网络模型更高的精度和更快的收敛速度。     

基于混沌优化算法的磁悬浮开关磁阻电动机控制的研究

针对磁悬浮开关磁阻电动机控制系统高精确度、快响应的要求,阐述了基于混沌优化算法的模糊神经网络控制方案。采用混沌粗搜索与细搜索相结合的优化策略,对模糊神经网络控制器中的参数进行优化,给出了具体设计方法和优化步骤。仿真结果表明,该磁悬浮开关磁阻电动机控制系统无振荡、无超调,具有较高的精度、较强的鲁棒性和抗干扰能力。     

一类非线性过程的智能控制方法研究

以一类典型的非线性过程控制系统双腔加热炉为背景,讨论复杂系统的控制问题.为了实现对复杂系统的稳定控制,必须考虑诸如非线性、大时滞、时变和强耦合的控制问题.设计了一种复合模糊神经网络控制器,利用模糊神经网络对系统进行辨识,利用神经元实现系统解耦,利用基于神经网络的自组织模糊控制器实现了系统的控制,实验证明了控制器对该类非线性过程控制的有效性.