基于RBF神经网络整定的高速公路匝道PID控制器

研究RBF神经网络整定PID控制器的参数,并应用到高速公路入口匝道控制中。首先阐述了入口匝道控制原理,然后建立了高速公路交通流模型,并设计了RBF神经网络整定的高速公路匝道PID控制器,RBF神经网络通过对被控对象Jacobian信息的辨识来动态调节PID控制器的参数,最后用MATLAB软件进行系统仿真。仿真结果表明,该控制器具有优越的动态和稳态性能,用于高速公路入口匝道控制中效果良好。     

高速公路入口匝道模糊控制器的设计

入口匝道控制是高速公路控制中的重要内容,但目前在高速公路中使用的入口匝道控制方法的效果均不理想.本文提出使用模糊控制方法进行入口匝道控制的思路,并根据入口匝道控制的原理和模糊控制系统的设计步骤对模糊控制器进行了设计.选用上、下游时间占有率、车速及排队长度等五个模糊量为输入量,根据实际情况分别采用三角形和梯形隶属度函数,建立了包含12条模糊控制规则的规则库,并使用MATLAB工具进行系统仿真.结果表明该控制器用在高速公路入口匝道控制中具有良好的效果.     

基于支持向量机的高速公路入口匝道控制

针对高速公路入口匝道控制问题所存在的非线性、复杂性和不确定性,在入口匝道控制原理的基础上,设计了一种基于支持向量机的高速公路入口匝道控制器;结合某高速公路交通调研数据,对这一控制器进行了仿真;仿真结果表明了支持向量机可以用于高速公路入口匝道的控制,并能取得较良好的控制效果.     

基于遗传算法优化的高速公路匝道PI控制器

研究遗传算法优化PI控制器的参数,并应用到高速公路匝道控制中。阐述了匝道控制目标,建立了高速公路交通流模型,给出了遗传算法优化的步骤,并对入口匝道PI控制器的参数进行了优化。仿真结果表明,该方法性能优越,用于高速公路入口匝道控制中效果良好。     

高速公路入口匝道控制算法综述

入口匝道控制足缓解高速公路交通拥挤最有效的方法之一.首先阐述了高速公路入口匝道控制的基本原理和作用,依据控制范围将匝道控制分为单点控制与协调控制,依据对实时信息响应的不同将其划分为动态控制和静态控制;然后,对应用上最流行和理论上具有吸引力的几种典型入口匝道比如单点型匝道控制算法、等同型匝道控制算法、竞争型匝道控制算法和一体化型匝道控制算法的原理及其优缺点进行总结、分析和对比;最后在总结现有匝道控制算法的基础上,对未来入口匝道控制的研究方向进行了分析与展望.     

基于粒子群算法的多匝道协调控制

高速公路入口多匝道协调控制是调节各个入口匝道进入到主线的交通量,从而使主线交通流处于最佳状态。由于多个入口匝道相互关联和相互影响,多匝道协调控制具有强的耦合性、非线性和时变性。针对上述问题,提出了一种基于系统分层和粒子群优化算法的控制方法。首先论述了高速公路多匝道系统的原理模型;然后阐述了多匝道协调控制系统的实现,系统由协调控制层和直接控制层组成,其中前者负责模型选择、参数调整和确定期望的密度轨迹,后者采用比例积分微分控制器实施控制,并引入粒子群算法对控制器的比例系数、积分系数和微分系数进行优化;最后进行了仿真实验。结果表明,当高速公路出现交通拥堵时,系统能够快速地消除拥堵,并使主线交通流趋于稳定。该方法为高速公路多匝道控制提供了一种切实可行的新途径。     

高速公路非线性反馈模糊逻辑匝道控制器

入口匝道控制是高速公路交通控制和智能运输系统的重要组成部分,但现有的入口匝道控制效果尚不理想.为此,本文提出一种非线性反馈方法用模糊逻辑进行入口匝道控制.建立了高速公路交通流动态模型,在此基础上,结合模糊逻辑理论设计了非线性反馈匝道控制器,根据密度误差和误差变化用模糊控制决定匝道调节率,模糊变量选用三角形隶属度函数,并制定了包含56条模糊规则的规则库,最后用MATLAB软件进行系统仿真.结果表明该控制器具有优越的动态和稳态性能,它能使高速公路主线交通流密度保持为设定的期望密度,该方法用在高速公路入口匝道控制中效果良好.     

高速公路匝道非线性反馈控制器的设计与仿真

提出了一种非线性方法设计高速公路入口匝道反馈控制器,非线性反馈控制器由高速公路交通流模型和比例积分调节器组成。阐述了入口匝道控制原理,建立了高速公路交通流模型,模型的流量—密度关系是非线性的,设计了高速公路匝道非线性反馈控制器模型。仿真结果表明非线性反馈控制器性能优越,它能使高速公路主线交通流密度保持为设定的期望密度,同时又能维持可接受的匝道服务水平。     

高速公路入口匝道模糊逻辑控制器的设计及其仿真研究

高速公路入口匝道控制是在高峰期间控制进入高速公路的车辆数目,使高速公路主线交通流不堵塞,提高主线的通行能力,实现车辆在高速公路上高效、安全地运行。阐述了模糊逻辑控制器的基本结构与模糊控制算法,分析了高速公路通行能力的影响因素,给出了具体的模糊隶属度函数并设计了高速公路入口匝道模糊逻辑控制器,充分利用计算机可视化仿真的优点对控制器进行了仿真研究,结果令人满意。     

城市高速公路交通的神经网络建模与控制

从城市高速公路交通流的宏观、动态特性出发 ,分析了交通流控制中常用的宏观、动态、确定性模型 在此基础上 ,利用人工神经网络技术建立了城市高速公路的神经网络模型 ,并提出了入口匝道放行和路段速度相结合的多变量神经网络控制策略 利用该控制策略建立的自适应神经网络控制器 ,可以使高速公路上的交通密度维持在理想的密度值附近 .进一步分析可以得到 ,该控制器是一个状态和控制作用均可跟踪的伺服系统 .以杭州某高架高速公路为背景的仿真结果表明 :该控制器具有较强的鲁帮性 ,控制效果令人满意 .     

改进的Elman模型与递归反传控制神经网络

在Elman网络的基础上提出了两种改进网络:输出-输入反馈Elman网络和输出-隐层反馈Elman网络模型,并以前者作为误差反传的通道,建立了递归反向传播控制神经网络模型.在Lyapunov稳定性意义下分别给出了改进网络的稳定性证明,得到了保证网络稳定收敛的最佳自适应学习速率.分别用Elman网络及其改进网络对超声马达进行了模拟.利用改进的Elman网络模型,除了可以较好地模拟马达速度以外,还得到了一些有意义的结果,据此可以根据现场数据采样的情况,选用不同的网络模型.模拟实验结果表明,递归反向传播控制神经网络对多种形式的超声马达参考速度都有很好的控制效果.     

Design and performance of an intelligent predictive controller for a six-degree-of-freedom robot using the Elman network

The aim of this paper was to propose a recurrent neural network-based predictive controller for robotic manipulators. A neural network controller for a six-joint Stanford robotic manipulator was designed using the generalized predictive control (GPC) and the Elman network. The GPC algorithm, which is a class of digital control method, requires long computational time. This is a disadvantage in real-time robot control; therefore, the Elman network controller was designed to reduce processing time by avoiding the highly mathematical and computational complexity of the GPC. The main reason for choosing the Elman network, amongst several neural network algorithms, was that the presence of feedback loops have a profound impact on the learning capability of the network. The designed neural network controller was able to recover quickly because of its significant generalization capability, which allowed it to adapt very rapidly to changes in inputs. The performance of the controller was also shown graphically using simulation software, including the dynamics and kinematics of the robot model.     

IMPROVED ELMAN NETWORKS AND APPLICATIONS FOR CONTROLLING ULTRASONIC MOTORS

Two improved Elman network models, output-input feedback (OIF) and output-hidden feedback (OHF), are proposed based on the modified Elman network. A recurrent back-propagation control (RBPC) network model is developed by using the OIF Elman network as a passageway of the error back-Propagation. The stability of the improved Elman and RBPC networks is analyzed. Adaptive learning rates are given in the form of discrete-type Lyapunov stability theory, which could guarantee the convergence of the improved Elman and RBPC networks. The speed of the ultrasonic motor is identified using the modified Elman network, OIF and OHF Elman networks, respectively, and some useful comparable results are presented. Numerical results show that the RBPC controller is effective for various kinds of reference speeds of the USM and the proposed scheme is fairly robust against random disturbance to the control variable.     

PIN型Elman网络及在动态系统辨识中的应用研究

首先介绍普通改进E lm an动态递归神经网络的结构,重点讨论一种具有P ID特性的E lm an神经网络及其学习算法,并将改进E lm an网络和P ID型E lm an网络分别用于动态系统的辨识.无论是理想的数学模型还是实际工业模型,计算机仿真结果均证明,将P ID型网络用于动态系统辨识具有更好的逼近效果.     

Identification and control using MLP,Elman, NARXSP and radial basis function networks: a comparative analysis

This paper describes four neural networks multilayer perceptron (MLP) network, Elman network, NARXSP network and radial basis function (RBF) network. Neural networks are applied for identification and control of DC servo motor and benchmark nonlinear system. Number of epochs required and time taken to train the controller are shown in the form of bar plots for four neural networks. Levenberg-Marquardt algorithm is used for training the controller using neural network toolbox in MATLAB. Each neural network controller is run ten times. Their performances are compared for each run in terms of number of epochs required and time taken to train each controller for tracking a reference trajectory.     

A modified particle swarm optimization-based dynamic recurrent neural network for identifying and controlling nonlinear systems

In this paper, we first present a learning algorithm for dynamic recurrent Elman neural networks based on a modified particle swarm optimization. The proposed algorithm computes concurrently both the evolution of network structure, weights, initial inputs of the context units and self-feedback coefficient of the modified Elman network. Thereafter, we introduce and discuss a novel control method based on the proposed algorithm. More specifically, a dynamic identifier is constructed to perform speed identification and a controller is designed to perform speed control for Ultrasonic Motors (USM). Numerical experiments show that the novel identifier and controller based on the proposed algorithm can both achieve higher convergence precision and speed than other state-of-the-art algorithms. In particular, our experiments show that the identifier can approximate the USM’s nonlinear input–output mapping accurately. The effectiveness of the controller is verified using different kinds of speeds of constant, step and sinusoidal types. Besides, a preliminary examination on a randomly perturbation also shows the robust characteristics of the two proposed models.     

基于Elman网络的时延预测及其改进

分析了网络传输时延的组成和特点,提出了利用Elman神经网络预测网络传输时延,运用Matlab软件对其预测进行仿真,结果证明Elman神经网络能很好地预测网络时延,为了进一步提高神经网络的逼近能力和动态特性,提出了一种改进的基于输入层、隐藏层、输出层神经元的动态递归神经网络。实验证明,改进的Elman神经网络比原来的网络具有更好的动态性能。     

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。