一种基于神经网络在线逼近器的非线性鲁棒故障诊断方法

针对一类不确定非线性动态系统，提出了一种基于神经网络在线逼近结构的鲁棒故障 检测方法．该方法通过构造神经网络通过在线逼近结构学习非线性故障特性来监测动态系统 的反常行为,当故障发生时，在线估计器可逼近各种可能的未知故障，然后对其进行诊断和 适应．神经网络权重的在线学习律没有持续激励的要求，并采用Lyapunov稳定性理论保证了 闭环误差系统一致最终有界稳定．     

一类非线性系统的自组织模糊CMAC神经网络自适应重构跟踪控制

提出了一种非线性系统的自组织模糊CMAC(SOFCMAC)神经网络自适应重构跟踪控制方法,首先通过构造增广系统,设计出线性渐近跟踪控制器,然后采用SOFCMAC神经网络在线重构系统的非线性特性,以消除非线性特性引起的系统误差,可保证非线性系统闭环稳定并使系统输出跟踪期望输出.仿真算例证明了SOFCMAC神经网络自适应重构跟踪控制系统的稳定性.     

基于自组织模糊CMAC网络的非线性系统鲁棒自适应跟踪控制

基于自组织模糊CMAC(SOFCMAC)神经网络,提出了一种非线性模型参考神经网络 增广逆系统鲁棒自适应跟踪控制方法.该方法的特点是通过S0FCMAC神经网络在线修正由 于建模误差、不确定因素等引起的非线性系统逆误差,使得系统输出准确跟踪参考模型输出. SOFCMAC的权值调整规律由Lyapunov稳定性理论导出.文中证明了非线性闭环系统的稳定 性.仿真例子表明了本文方法的有效性.     

一类基于神经网络非线性观测器的鲁棒故障检测

针对一类仿射非线性动态系统,提出了一种基 于神经网络非线性观测器的鲁棒故障检测与隔离的新方法．该方法采用神经网络逼近观测器 系统中的非线性项,提高了状态估计的精度,并从理论上证明了状态估计误差稳定且渐近收 敛到零;另一方面引入神经网络分类器进行故障的模式识别,通过在神经网络输入端加入噪 声项来进行训练,提高神经网络的泛化逼近能力,从而保证对被监测系统的建模误差和外部 扰动具有良好的鲁棒性．最后,利用本文方法针对某型歼击机结构故障进行仿真验证,仿真 结果表明本文方法是有效的．     

基于RBF神经网络观测器飞控系统故障诊断

为了解决非线性系统采用解析方法进行故障诊断困难的问题,利用神经网络可逼近任意连续有界非线性函数的能力,提出了一种基于RBF神经网络观测器的故障检测与诊断方法,并详细论述了该故障诊断方法的构造原理。以含有非线性项的飞行控制系统的作动器模型为例,仅作动器的输入输出可测量,通过构造RBF神经网络观测器来拟合作动器系统模型,逼近其在正常情况下的输出。最后在飞控系统的闭环控制环境下,对作动器的三种典型故障进行了计算机仿真诊断,结果表明故障诊断方法是有效的。     

基于熵误差函数Pi-Sigma神经网络在线梯度学习算法

Pi-Sigma神经网络因具有较强的非线性处理能力和较高的学习效率而受到广泛的关注。目前，该网络已经应用于函数逼近、信号处理、模式识别等领域。因此，提出了一种基于熵误差函数的Pi-Sigma神经网络在线学习算法，通过函数逼近及多维数据集分类实验验证了该算法的有效性。结果表明，所提算法在函数逼近、训练精度、测试精度和效率方面均有较好的表现。     

基于RBF神经网络观测器的非线性系统鲁棒故障检测方法

针对一类仿射非线性动态系统，提出一种基于网络非线性观测器的鲁棒故障检测与隔离的新方法，采用ＲＢＦ神经网络逼近观测器系统中的非线性项，提高了状态估计的精度，证明了状态估计误差稳定且渐近收敛到零；同时提出了一种新的网络权值调整指标方法，提高了神经网络故障分类器的泛化能力，从而保证该方法对监测系统的建模 外部扰动具有良好的鲁棒性。     

基于神经网络的价值预测方法

利用BP神经网络的并行性、容错性、自学习的特点,尤其是以任意精度逼近任何连续的非线性函数的功能,针对箱体振荡股票进行短期股价预测,同时引入了另一个诊断神经网络,评估预测神经网络的预测可信度,综合拟定操作策略.仿真试验表明,该方案是可行的.     

基于支持向量机的模拟电路故障诊断研究

针对模拟电路的故障诊断问题,详细介绍了支持向量机算法,由于它在非线性映射、小样本学习方面的独特优势,故将它引用到模拟电路的故障诊断过程中.并提出了一种基于支持向量机的诊断方法,该算法能够对被测电路的故障进行有效并且精确地分类.以折线逼近平方曲线的近似测量电路为例,设计了基于支持向量机的模拟电路故障诊断系统.以实际测试数据作为训练样本进行学习训练后,对其它实际测量数据进行诊断,其结果正确,验证了算法的有效性.     

基于自适应迭代学习算法的一类非线性系统故障检测与估计

针对迭代学习算法在非线性系统故障检测与估计过程中存在估计误差较大和收敛速度较慢等不足的问题,提出了一种基于龙格–库塔故障估计观测器模型的自适应迭代学习算法,有效降低了故障估计误差;并引入H∞性能指标,提高了故障估计观测器的收敛速度.该算法首先设计故障检测观测器对故障进行检测,然后设计故障估计观测器,并将自适应算法与迭代学习策略相结合,使得估计故障逐渐逼近真实故障,从而实现对非线性系统中多种常见故障的精确检测与估计.最后,通过机械臂旋转关节驱动电机的执行器故障仿真验证了所提算法的有效性.     

A genetic algorithm based robust learning credit assignment cerebellar model articulation controller

In this paper, a novel approach of genetic algorithm based robust learning credit assignment cerebellar model articulation controller (GCA-CMAC) is proposed. The cerebellar model articulation controller (CMAC) is a neurological model, which has an attractive property of learning speed. However, the distributions of errors into the addressed hypercubes of CMAC are not proportional to their credibility and may cause unacceptable learning performance. The credit assignment CMAC (CA-CMAC) can solve this problem by using the creditability of hypercubes that the calculated errors are assigned proportional to the inverse of learning times. Afterward, the obtained learning times can be optimized by genetic algorithm (GA) to increase its accuracy. In this paper, the proposed algorithm is to combine credit assignment ideas and GA to provide accurate learning for CMAC. Moreover, we embed the robust learning approach into the GCA-CMAC and dynamically adjust the learning constant for training data with noise or outliers. From simulation results, it shows that the proposed algorithm outperforms other CMACs.     

基于平衡学习的CMAC神经网络非线性滑模容错控制

以一改进的信度分配CMAC(cerebellar model articulation controllers)神经网络为在线故障诊断的手段,将变结构滑模摔制技术引入容错控制器设计之中,提出一种动态非线性系统主动容错控制方法.在常规CMAC学习算法中,误差被平均地分配给所有被激活的存储单元,不管各存储单元存储数据(权值)的可信程度.改进的CMAC中,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的-p次方成比例,从而提高神经网络的在线学习速度和精度;在此基础上利用滑模控制算法进行容错控制律的在线重构,实现动态非线性系统在线故障诊断与容错控制的集成.分析了系统的稳定性,仿真结果表明改进故障学习算法及容错控制的有效性.     

应用信度分配的模糊CMAC实现非线性系统的容错控制

The adaptive fault-tolerant control scheme of dynamic nonlinear system based on the credit assigned fuzzy CMAC neural network is presented. The proposed learning approach uses the learned times of addressed hypercubes as the credibility, the amounts of correcting errors are proportional to the inversion of the learned times of addressed hypercubes. With this idea, the learning speed can indeed be improved. Based on the improved CMAC learning approach and using the sliding control technique, the effective control law reconfiguration strategy is presented. Thesystem stability and performance are analyzed under failure scenarios. The numerical simulation demonstrates the effectiveness of the improved CMAC algorithm and the proposed fault-tolerant controller.     

基于层迭CMAC网络的6-DOF机器人自适应控制

研究了标称自适应+迭代学习控制算法的稳定性,并利用层迭CMAC网络的优良特性, 提出了基于层迭CMAC的标称自适应+迭代学习控制方法．此方法将标称自适应控制中确定的 模型信息与未知的信息分离,充分利用模型中确定的信息进行前馈控制;而对于未知信息, 则利用层迭CMAC进行自适应学习．仿真实验表明用本文所设计的控制系统对6 DOF并行机器 人进行轨线控制,可获得比以往的普通CMAC+PD控制系统更好的控制效果．     

A General Learning Scheme for CMAC-based Controller

Cerebellar model articulation controller (CMAC) is a powerful tool for nonlinear control applications. However, it yet lacks an adequate learning scheme. It is found that, with the existing learning scheme, if a complicated learning algorithm is not used, CMAC can destabilize a system that is otherwise stable. Oscillations resulting from the interaction between CMAC and the classical controller were found to contribute to the instability. This paper presents a new CMAC learning scheme that models plant's characteristics based on closed loop errors instead of the original input-output pairs. In this scheme, memory space of the CMAC is partitioned into two parts. One is for dynamic control, in which dynamic information is stored. Another is for steady state control, in which steady state information is adaptively updated for smooth control. Relationship between the two parts of the space is discussed and specified for a stable control. Simulation results on a typical nonlinear plant model and a real electrohydraulic servo system using the proposed scheme demonstrate that the oscillations are eliminated and stable control is obtained. The new scheme demonstrates superior tracking performance, noise rejection property and good robustness.     

基于变学习率CMAC网络的自适应逆控制研究

提出一种改进学习算法的CAMC网络结构，并应用于非线性系统控制。该算法可保证网络的学习率随着系统工作点的变化而自适应变化，加快了网络的收敛速度，提高了系统的自适应能力。文中分析了CAMC网络用于自适应逆控制过程中，网络学习率对网络收敛特性的影响，论证了自适应学习率在网络学习中的作用，并给出了学习率自适应学习的具体训练方法。最终将该方法应用于三阶机械手模型的逆运动控制，给出了基于普通CMAC的逆运动控制的控制曲线和基于改进学习算法后的CMAC的逆运动控制的控制曲线，并给出了分析和对比，论证了改进的学习算法的优越性。     

CMAC最优设计及其算法——GA技术优化CMAC偏移矢量分布

采用GA(Genetic Algorithm)技术实现CMAC(cerebellar Model Articulation Controller)最优设计及算法.该方法解决了CMAC与其学习对象的整体优化问题,具有理论 意义和实用价值.仿真结果证明该方法是成功的和有效的.对不同的客观对象(如空间曲面), 可以采用GA技术找到CMAc的最优内部表示(偏移矢量分布),实现一般CMAC难以达到 的精度.该方法比Albus的CMAC和Parks等的CMAC学习效果都有不同程度的提高,适 合于要求高精度学习的情况.同时给出了任意偏移矢量分布的CMAC算法.     

用多个改进低维CMAC神经网络学习多维函数的研究

提出了一种多维非线性函数的多神经网络学习方法。即用变量代换的方法把一个多维非线性函数分解为若干低维函数。用多个改进的低维小脑模型神经网络分别映射这些低维函数。提高了收敛性。减少了存储空间。大大提高了学习精度。且易于实现。给出了大量学习非线性函数的仿真实验，其结果表明。采用这种方法的学习精度比用一个CMAC的学习精度提高l0倍以上。