基于神经网络PID控制的交流伺服系统

将神经网络和PID控制相结合,提出了一种基于对角递归神经网络整定的PID控制策略,并将其应用于交流伺服系统的控制.利用对角递归神经网络在线自适应调整PID控制器的参数,从而使系统的静态和动态性能指标较为理想.实验结果表明.基于对角递归神经网络整定的PID控制的交流伺服系统具有响应速度快、稳态精度高和鲁棒性强等特点.     

采用遗传算法训练对角递归神经网络预测控制器

本文提出了一种基于广义预测控制的神经网络预测控制方案．预测控制器由对角递归 神经网络预测控制器和前向神经网络静态补偿器组成．两种神经网络均采用遗传算法进行训 练．仿真实验表明,对于带纯时延的非线性被控对象,采用遗传算法设计的对角递归神经网 络预测控制器具有令人满意的控制性能．     

基于动态递归模糊神经网络的自适应电液位置跟踪系统

提出了动态递归模糊神经网络(DRFNN)以在线估计电液位置跟踪系统中包括非线性、参数不确定性、负载干扰等在内的未知动态非线性函数,基于lyapunov稳定性理论推导出DRFNN可调参数和估计误差的界的自适应律,并构造出稳定的自适应控制器.实验结果表明:基于DRFNN的自适应控制器可使电液位置跟踪系统具有较强的鲁棒性和满意的跟踪性能.     

DRNN-ADRC异步电机直接转矩控制系统研究

由于经典PID控制器自身所固有的缺陷,在异步电机直接转矩控制(DTC)调速中不能满足大范围高精度的调速要求.采用自抗扰控制器(ADRC)作为速度调节器,并借助对角递归神经网络(DRNN)进行参数整定,构成了新的异步电机直接转矩控制调速系统.仿真结果表明:对于异步电机直接转矩控制系统,基于对角递归神经网络整定的自抗扰控制...     

可控受限多变量耦合系统的智能控制

针对可控受限多变量耦合系统,提出了一种基于对角递归神经网络(DRNN)整定的PID混合解耦控制。采用对角递归神经网络来辨识系统模型,进而对PID控制器参数进行整定,实现多变量解耦控制。通过对多变量耦合控制系统的设计和实时控制,实际控制结果达到了解耦控制的要求,并具有无超调、响应速度快、控制精度高等特点。     

基于DRNN的多变量解耦控制系统

本文针对一类有强耦合带时延的多变量系统，采用对角递归神经网络(DRNN)与带动量项的PID梯度优化算法(PIDGDM)，自适应调整PID控制器的二项参数，并行完成系统的解耦与控制工作。仿真结果表明，系统具有很好的静态和动态性能。     

具有辅助调节功能的递归神经网络自适应PID控制

本文指出并修正了对角递归神经网络算法中存在的不足,针对逆动力学模型控制器稳 定性差的缺点,构造了基于递归神经网络的自适应PID控制系统,并给出了辅助调节算法． 数学分析及仿真结果表明,本文所做的修正是合理的,所构造的系统可以对复杂和不确定性 动力学系统实现良好的自适应控制,具有较高的控制精度和较强的鲁棒性．     

基于QDRNN-ADRC的重力稳定平台控制研究

针对稳定平台系统存在系统模型不够精确或者参数变化,或者外部干扰未知等现象,以及采用自抗扰控制器存在参数众多且难以整理的问题,提出了一种基于准对角递归神经网络—自抗扰控制器(QDRNN—ADRC)的重力稳定平台控制算法.通过自抗扰控制器对系统的"总扰动"进行估计并补偿,同时引入神经网络的辨识功能对自抗扰控制器部分参数进行在线整定,基于自抗扰控制技术核心架构设计了QDRNN—ADRC.仿真结果表明:有效解决了重力稳定平台利用神经网络的辨识功能对自抗扰控制器部分参数进行在线整定外扰动的干扰以及参数自适应整定问题,相对于传统控制方法,其在稳定精度、快速性及抗干扰性方面均具有一定优势.     

THJS-3实验装置的二容液位系统解耦控制

介绍了三容水箱液位控制系统的硬件组成及MCGS软件的组成,以THJS-3高级过程控制实验装置为基础,运用基于对角递归神经网络的PID解耦控制算法在MCGS软件中进行控制界面组态和运行。实验结果表明系统实现了解耦控制,具有良好的稳态性能和动态性能。在MCGS软件中实现解耦控制有很强大的应用前景。     

非最小相位非线性系统的简单递归神经网络控制

从简单递归神经网络的统一结构出发设计了简单递归神经网络控制器,在引入了控制加权的目标函数下优化神经网络权值学习,因此是通常意义的神经网络控制的推广。证明了整个系统的稳定性,并通过仿真验证了控制器的有效性。