|
1.
|
基于神经网络的非线性系统复合内模控制
|
|
|
|
|
|
|
陈娟 董翠英《哈尔滨理工大学学报》,2004年第9卷第1期
|
|
|
利用RBF神经网络逼近连续非线性系统的α阶积分逆系统，并对原非线性系统及其逆系统构成的伪线性系统采用内模控制方法进行复合控制，从理论上分析了滤波器对跟踪误差的影响，仿真结果表明，内模控制与逆系统方法相结合的复合控制方案是处理非线性问题比较有效的方法之一。
|
|
2.
|
基于逆系统方法的非线性内模控制 被引次数：23
|
|
|
|
|
|
|
陈庆伟 吕朝霞 胡维礼 吴宏鑫《自动化学报》,2002年第28卷第5期
|
|
|
针对一类非线性连续系统,利用小波网络逼近原系统的α阶积分逆系统,针对复合后的伪线性系统提出了基于逆系统方法的内模控制,证明了闭环系统的鲁棒稳定性,分析了系统性能.仿真结果表明所提的方法控制性能好,精度高,且控制器设计简单.
|
|
3.
|
非线性MIMO系统线性化解耦的一种新方法：连续时间系统
|
|
|
|
|
|
|
戴先中 何丹《控制与决策》,1999年第14卷第5期
|
|
|
给出用神经网络（ＮＮ）α阶积分逆系统实现连续非线性ＭＩＭＯ系统线性化解耦的方法。ＮＮα阶积分逆系统由一个静态神经网络加若干积分器构成，将其串联在原系统之前，原系统则解耦成若干个相互无关的ＳＩＳＯ伪线性积分系统。理论分析与仿真结果表明，对于精确模型未知的较一般的非线性ＭＩＭＯ系统，所给出的方法均能实现有效的线性化解耦，且结构简单，易于工程实现。
|
|
4.
|
非线性MIMO系统线性化解耦的一种新方法(Ⅰ)——连续时间系统
|
|
|
|
|
|
|
戴先中 何丹 张腾 肖仁良《控制与决策》,1999年第5期
|
|
|
给出用神经网络（ Ｎ Ｎ）α阶积分逆系统实现连续非线性 Ｍ Ｉ Ｍ Ｏ 系统线性化解耦的方法。 Ｎ Ｎα阶积分逆系统由一个静态神经网络加若干积分器构成，将其串联在原系统之前，原系统则解耦成若干个相互无关的 Ｓ Ｉ Ｓ Ｏ 伪线性积分系统。理论分析与仿真结果表明，对于精确模型未知的较一般的非线性 Ｍ Ｉ Ｍ Ｏ 系统，所给出的方法均能实现有效的线性化解耦，且结构简单，易于工程实现。
|
|
5.
|
神经网络α阶逆系统控制方法的可行性
|
|
|
|
|
|
|
刘 军 戴先中《水电自动化与大坝监测》,1997年第21卷第5期
|
|
|
证明满足一定条件的单输入单输出系统的α阶逆系统(与原系统复合起来可构成α阶积分或 时延系统)存在且唯一，阐明静态多层网络加若干积分器或时延因子可以逼近这样的α阶逆 系统，对神经网络α阶逆系统方法用于线性、非线性控制的可行性作了探讨。
|
|
6.
|
神经网络α阶逆系统控制方法的可行性 被引次数：5
|
|
|
|
|
|
|
刘 军 戴先中《电力系统自动化》,1997年第21卷第5期
|
|
|
证明满足一定条件的单输入单输出系统的α阶逆系统(与原系统复合起来可构成α阶积分或 时延系统)存在且唯一，阐明静态多层网络加若干积分器或时延因子可以逼近这样的α阶逆 系统，对神经网络α阶逆系统方法用于线性、非线性控制的可行性作了探讨。
|
|
7.
|
神经网络α阶逆系统在离散非线性系统控制中的应用 被引次数：8
|
|
|
|
|
|
|
戴先中 刘军《控制与决策》,1997年第12卷第3期
|
|
|
给出一般离散非线性系统的神经网络α阶逆系统(将α阶逆系统与原系统直接串联起来,构成一伪线性系统,具有α阶时延性质)的结构与辨识,并研究其在非线性系统控制中的直接应用。仿真结果表明该方法具有较普遍意义,且结构简单,易于实现。
|
|
8.
|
非线性MIMO系统线性化解耦的一种新方法（Ⅱ）——离散时间系统 被引次数：2
|
|
|
|
|
|
|
何丹 戴先中《控制与决策》,1999年第14卷第6期
|
|
|
研究如何构造神经网络（ＮＮ）α阶时延逆系统，并将其用于ＭＩＭＯ强耦合非线性离散时间系统的线性化解耦、ＮＮα阶时延逆系统由单个静态神经网络和若干时延因子组成，将其与原系统复合可形成具有最小阶时延的伪线性解耦系统。该方法对被控系统数学模型的先验知识要求很少，不但能有效地实现对原系统的线性化解耦，且结构简单，易于工程实现。
|
|
9.
|
神经网络α阶逆系统的结构、辨识及其在控制中的应用
|
|
|
|
|
|
|
戴先中 刘 军《水电自动化与大坝监测》,1997年第21卷第7期
|
|
|
对于未知非线性系统，采用人工神经网络构造其α阶逆系统，并将神经网络α阶逆 系统用于对原非线性系统的控制。仿真结果表明，该控制方法适用于一般的未知线性、非线 性系统，具有普遍意义，且结构简单，易于工程实现。
|
|
10.
|
神经网络α阶逆系统的结构、辨识及其在控制中的应用 被引次数：9
|
|
|
|
|
|
|
戴先中 刘 军《电力系统自动化》,1997年第21卷第7期
|
|
|
对于未知非线性系统，采用人工神经网络构造其α阶逆系统，并将神经网络α阶逆 系统用于对原非线性系统的控制。仿真结果表明，该控制方法适用于一般的未知线性、非线 性系统，具有普遍意义，且结构简单，易于工程实现。
|
|
11.
|
基于神经网络逆系统的无轴承异步电机非线性内模控制 被引次数：2
|
|
|
|
|
|
|
王正齐 刘贤兴《自动化学报》,2013年第39卷第4期
|
|
|
针对无轴承异步电机非线性、多变量、强耦合的特点,提出一种基于神经网络 α阶逆系统方法的非线性内模控制策略.将用动态神经网络逼近的无轴承异步电机 α阶逆模型与原系统复合,将非线性的无轴承异步电机原系统解耦成转子径向位移、转 速和转子磁链四个独立的伪线性子系统.为了保证 系统的鲁棒性,对伪线性系统引入内模控制,仿真和实验研究验证了所提控制方法的有效性.
|
|
12.
|
神经网络广义逆系统控制 被引次数：5
|
|
|
|
|
|
|
何 丹 戴先中 王 勤《控制理论与应用》,2002年第19卷第1期
|
|
|
提出适合于高阶非线性系统线性化解耦的广义逆系统.它与被控系统复合后,不但能实现原系统的线性化和解耦,而且通过合理地设计逆系统,可使伪线性复合系统的极点在复平面上任意配置.进一步提出由静态神经网络和若干积分惯性等线性环节组成的神经网络广义逆系统,为模型未知且内部状态不易测量的高阶非线性系统的线性化解耦控制提供一条有效途径,进一步拓展了神经网络逆系统控制方法的适用范围.
|
|
13.
|
神经网络广义逆系统控制
|
|
|
|
|
|
|
何 丹 戴先中 王 勤《控制理论与应用》,2002年第19卷第1期
|
|
|
提出适合于高阶非线性系统线性化解耦的广义逆系统，它与被控系统复合后，不但能实现原系统的线性化和解耦，而且通过合理地设计逆系统，可使伪线性复合系统的极点在复平面上任意配置，进一步提出由静态神经网络和若干积分惯性等线性环节组成的神经网络广义逆系统，为模型未知且内部状态不易测量的高阶非线性系统的线性化解耦控制提供一条有效途径，进一步拓展了神经网络逆系统控制方法的适用范围。
|
|
14.
|
基于模糊神经网络α阶逆系统的发酵过程多变量解耦控制
|
|
|
|
|
|
|
孙玉坤 王博 嵇小辅 黄永红《控制理论与应用》,2010年第27卷第2期
|
|
|
将逆系统方法与模糊神经网络相结合, 提出一种基于模糊神经网络®阶逆系统的发酵过程解耦控制方法. 在分析了系统可逆性的基础上, 利用模糊神经网络建立发酵过程的非线性逆模型, 然后将得到的模糊神经α阶逆系统与发酵过程串联复合成伪线性系统, 最后设计专家控制器实现高性能闭环解耦控制. 仿真结果表明, 提出的解耦控制方法能够适应发酵过程模型的不确定性和参数的时变性, 具有较强的鲁棒性, 克服了解析逆系统解耦控制方法依赖于过程模型和对模型参数的变化很敏感的缺点, 且结构简单, 易于实现.
|
|
15.
|
永磁同步电机的神经网络逆动态解耦控制 被引次数：2
|
|
|
|
|
|
|
刘贤兴 胡育文《中国电机工程学报》,2007年第27卷第27期
|
|
|
永磁同步电机是一个非线性、强耦合系统，应用神经网络逆系统方法对永磁同步电机进行动态解耦控制研究。通过对永磁同步电机的数学模型可逆性分析，得出解析逆系统，由解析逆系统与永磁同步电机原系统复合成两个伪线性子系统来构造神经网络逆系统，使永磁同步电机动态解耦成二阶线性转速子系统和一阶线性磁链子系统，并采用鲁棒伺服控制器对伪线性子系统进行线性闭环控制器的设计，实现永磁同步电机转速和定子磁链的动态解耦，仿真表明系统具有良好的动静态性能。
|
|
16.
|
基于小波神经网络的板形板厚系统解耦预测控制
|
|
|
|
|
|
|
黄 敏 朱启兵 崔宝同《控制理论与应用》,2008年第25卷第6期
|
|
|
带材轧制是一个复杂的非线性过程, 板形控制和板厚控制又是强耦合、非线性、含时延环节的复杂系统. 提出了一种基于小波神经网络的解耦预测控制方案; 利用小波神经网络来辨识原系统的α阶时延逆系统, 将该逆系统与原系统串联后形成一个伪线性复合系统, 从而把多变量系统控制转化为多个单变量系统的控制实现了系统解耦, 并对解耦后的系统采用闭环预测控制. 仿真表明该控制方法具有结构简单、易于实现, 且有较强的抗扰性和鲁棒性.
|
|
17.
|
基于神经网络广义逆的两电机变频系统内模控制
|
|
|
|
|
|
|
刘国海 杨官学 沈跃 陈兆岭《电工技术学报》,2010年第11期
|
|
|
针对非线性强耦合的两电机变频系统,先利用动态BP神经网络逼近原系统的广义逆系统,然后再对复合后的伪线性系统提出了基于广义逆系统的内模控制方法,证明了闭环系统的鲁棒稳定性。最后基于S7?300PLC的平台,对系统设计做了相关的试验研究。结果表明,神经网络广义逆系统方法,不但能够很好地实现系统的解耦,而且还可以使伪线性化后的子系统开环稳定,引入的内模控制,又保证了系统的控制性能。
|
|
18.
|
非线性结构振动控制的神经网络α阶连续逆系统方法
|
|
|
|
|
|
|
张强《振动工程学报》,2004年第17卷第Z2期
|
|
|
传统的非线性结构控制方法在应用过程中,常采用近似线性化处理,将一些非线性过程在零点附近用切线或割线的线性关系代替,不能得到准确的结果.提出神经网络连续α阶逆系统方法,建立了结构振动控制系统的神经网络连续逆系统模型.并给出了一个仿真实例,控制效果良好,表明用神经网络连续α阶逆系统方法对非线性结构振动进行控制是可行的.
|
|
19.
|
动物细胞悬浮培养过程神经网络逆解耦控制
|
|
|
|
|
|
|
黄永红 成小东 孙玉坤 吴红生《计算机测量与控制》,2018年第26卷第5期
|
|
|
动物细胞的悬浮培养以细胞增殖快、生产效率高等优势,成为动物细胞大规模培养的首选方式。而动物细胞悬浮培养过程是一个非线性、强耦合的多输入多输出系统,对一些生物参数(如细胞密度、基质浓度和产物浓度)的控制是提高整个生产水平的关键,应用神经网络逆系统方法对动物细胞悬浮培养过程进行线性化解耦控制,根据培养过程的特点,给出了相应的数学模型,并证明了系统的可逆性,利用神经网络的非线性逼近能力辨识出原系统的逆系统,然后串接在原系统前面构成伪线性复合系统,使动物细胞悬浮培养过程线性化解耦成三个子系统：一阶线性细胞密度子系统、一阶线性基质浓度子系统和一阶线性产物浓度子系统,最后设计模糊PID控制器对各解耦后的线性子系统进行控制,避免了传统PID控制器最优参数选取困难的问题。仿真结果表明,神经网络逆系统方法实现了对动物细胞悬浮培养过程的线性化解耦,系统对给定输入实现了高性能跟踪控制。
|
|
20.
|
神经网络α阶逆系统控制方法在机器人解耦控制中的应用 被引次数：4
|
|
|
|
|
|
|
戴先中 孟正大 沈建强 阮建山《机器人》,2001年第23卷第4期
|
|
|
本文利用神经网络α阶逆系统线性化解耦能力，将严重耦合的多自由度机械手解耦成多个二阶积分子系统，进一步采用线性系统设计方法对已解耦系统设计闭环控制器，成功地实现了位置快速跟踪．该控制方法不需要知道机器人系统的精确数学模型，并且结构简单，易于工程实现．
|
