基于最小二乘支持向量机逆系统的赖氨酸发酵过程解耦控制

将逆系统方法与支持向量机相结合,提出了一种基于最小二乘支持向量机（LS-SVM）的阶逆系统的赖氨酸发酵过程多变量非线性解耦控制方法．在分析了系统可逆性的基础上,利用具有高斯核函数的LS-SVM离线建立赖氨酸发酵过程的非线性逆模型．将得到的LS-SVM逆系统串联在原反应系统之前,使得复杂的非线性多变量系统解耦成多个相对独立的单输入单输出伪线性子系统,从而可用线性系统控制方法对其进行控制．仿真结果表明,LS-SVM逆系统解耦控制方法具有良好的逼近非线性系统的性能．该方法为实现多输入多输出非线性系统的解耦控制提供了一条新的思路．     

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

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.     

基于神经网络逆系统的无轴承异步电机非线性内模控制

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.     

基于支持向量机的非线性内模解耦控制

针对非线性内模控制在应用于多变量系统时逆模型难以建立的问题, 提出了支持向量机α阶逆系统的内模解耦控制方法. 该方法利用支持向量机辨识非线性系统的逆模型, 并将其串连在原系统之前, 运用逆系统方法的思想, 将一个多变量、非线性、强耦合的复杂系统通过反馈线性化解耦成多个相互独立的单输入单输出的伪线性复合子系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真试验表明该方法不需要系统精确的数学模型, 较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决多变量非线性系统控制的一种可行的理论方法.     

基于支持向量机α阶逆系统方法的非线性内模控制

为了提高传统逆系统方法的鲁棒性和抗干扰能力, 提出了基于支持向量机α阶逆系统方法的非线性内模控制新方法. 该方法利用支持向量机辨识非线性系统的α阶逆模型, 并将其串连在原系统之前得到复合的伪线性系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真结果证明了该方法的有效性. 理论分析和仿真结果均表明, 该方法不依赖于系统的模型, 且较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决非线性系统控制的一种可行的理论方法.     

两电机变频系统神经网络广义逆内模控制

为了提高非线性强耦合的两电机变频调速系统的解耦控制性能和鲁棒性能,提出了基于神经网络广义逆系统的二自由度内模控制方法。先对原系统数学模型进行广义逆存在性分析,进而推导出原系统的广义逆数学模型,再用动态神经网络逼近广义逆模型,从而串接在原系统之前组成广义伪线性复合系统,实现系统的解耦线性化与开环稳定,有利于系统的综合。然后对广义伪线性系统引入二自由度内模控制,保证系统的鲁棒稳定性。最后基于S7-300的平台,做了相关的试验研究。结果表明,该方法不但能够很好地实现系统的解耦,而且当系统存在建模误差和负载扰动的情况时,仍能使系统保持高性能的控制。     

基于逆系统迭代学习观测器的故障调节方法

针对一类满足Lipschitz条件的多输入多输出非线性可逆系统执行器故障问题,提出了一种基于迭代学习观测器的逆系统内模故障调节方法。引入PD型迭代学习策略,设计了迭代学习故障诊断观测器,用于对执行器未知时变故障进行快速、准确估计。根据故障估计值,结合逆系统方法对逆模型进行补偿,使得补偿后的逆模型与非线性被控对象串联仍为伪线性系统;再结合内模控制实现了伪线性系统的容错控制。最后,通过仿真算例验证了该方案的有效性。     

基于支持向量机广义逆的直线永磁游标电机内模解耦控制

针对直线永磁游标电机这一多变量、强耦合的非线性系统, 提出一种基于支持向量机广义逆内模控制的方法. 在证明其数学模型存在广义逆的基础上, 通过支持向量机来辨识原系统的广义逆系统, 经复合后得到具有线性关系的伪线性系统, 然后引入内模控制方法设计附加控制器以增强整个系统的鲁棒性. 仿真结果验证了所提出方法具有良好的解耦性能和抗干扰特性.

     

基于最小二乘支持向量机的无轴承同步磁阻电机解耦控制

无轴承同步磁阻电机是一个复杂的多变量、强耦合非线性系统,实现其非线性动态解耦控制是无轴承同步磁阻电机稳定运行的前提.在推导其数学模型的基础上,采用最小二乘支持向量机的方法得到无轴承同步磁阻电机逆模型;根据逆系统基本原理,将复杂的原非线性多变量耦合系统解耦成伪线性系统;根据线性系统理论,设计了闭环控制器,并构建了系统仿真模型.仿真结果表明该方法实现了系统的动态解耦,并且具有良好的动、静态特性.     

基于神经网络逆的赖氨酸发酵过程解耦控制系统的实现

赖氨酸发酵过程是一个时变、非线性、强耦合多变量系统。为了有效的控制直接反映发酵品质的重要生化过程参数,如菌体浓度、残糖浓度、产物浓度等,实现高性能的解耦控制的目标,将逆系统方法与神经网络相结合,提出了一种基于神经网络逆系统的赖氨酸发酵过程解耦控制方法。在一定程度上解决了传统解析逆系统解耦控制方案过于依赖过程模型和对模型参数的变化过于敏感的不足。在实验中,以发酵罐和嵌入式开发系统为平台对控制方法进行了验证。实验结果表明该解耦控制方法能够对菌体浓度、残糖浓度、产物浓度等重要的生化参数进行有效的控制,适应过程模型的不确定性和参数的时变性,具有较强的鲁棒性。     

基于逆系统的青霉素发酵软测量

针对青霉素发酵过程中菌体浓度、基质浓度、产物浓度等关键参量难以直接测量的难题,将逆系统方法与动态递归模糊神经网络(DRFNN)相结合,提出一种基于动态递归模糊神经逆的青霉素发酵软测量方法.在证明了系统可逆的条件下,得到系统的逆模型;再应用DRFNN网络所具有的自学习,自适应能力以及对任意非线性的逼近能力,对该模型进行了...     

直接自适应动态递归模糊神经网络控制及其应用

针对某些仿射非线性系统中各状态变量间呈微分关系的特点,本文提出仅取某些可测状态变量 作为动态递归模糊神经网络(dynamic recurrent fuzzy neural network, DRFNN) 的输入,而由DRFNN 的反馈矩阵 描述系统内部动态关系的直接自适应DRFNN 控制算法,克服了将系统所有变量作为输入的传统模糊神经网 络(traditioanl fuzzy neural network, TFNN) 因某些不可测状态变量所导致的不可实现问题．在电液伺服系统中的 应用结果表明：直接自适应DRFNN 控制算法相对于TFNN 控制算法对系统稳态特性的改善具有较大的优越 性．     

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.     

基于免疫遗传算法的动态递归模糊神经网络在发酵过程中的应用

针对软测量建模数据中过失误差及动态递归模糊神经网络的结构复杂,大量参数难以确定的情况,提出基于免疫遗传算法动态递归模糊神经网络软测量方法。利用样本间马氏距离进行样本相似程度分析,去除样本中错误数据以提高计算速度。此外应用减法聚类确定模糊规则数,以简化网络结构,同时应用免疫遗传算法优化模型参数以提高模型的精度和泛化能力。该方法应用于赖氨酸发酵过程菌体浓度的软测量,仿真结果表明,该方法具有较高的预测精度,满足现场测量要求。     

路径规划; 态势评估; 模糊逻辑; 贝叶斯网络

针对非线性动态系统辨识和控制的特点，对4层模糊神经网络进行了优化和改进，形成了动态模糊神经网络，提高了网络的稳定性和对动态系统的辨识能力，同时给出了基于Lyapunov函数稳定收敛定理的各权向量以及权矩阵学习速率的自适应调整算法．应用于非线性动态系统的辨识和控制仿真试验表明，改进后的动态模糊神经网络与模糊神经网络相比，可取得更好的辨识精度和跟踪控制效果。     

基于DRFNN的共振频率自适应反推控制

针对共振破碎机频率控制系统的不确定性问题,提出基于动态递归模糊神经网络的自适应反推控制策略。建立了破碎机频率控制系统的数学模型,在忽略不确定性项的前提下,设计了基于自适应Back-stepping方法控制律。其次将电液系统中影响频率控制性能的不确定性因素定义为待估计项,采用动态递归模糊神经网络对其进行实时估计,给出了基于动态递归模糊神经网络的参数自适应律,并通过了Lyapunov的稳定性分析。仿真实验和车载测试结果表明,对于系统参数的不确定性,该方法具有较好地频率控制性能。     

基于模糊神经网络的煤层冲击地压预测模型研究

煤层冲击地压是煤矿重大灾害之一。冲击地压的发生是由多方面因素造成的,具有模糊性、动态性,表现为一个复杂的非线性动力学过程,这使得冲击地压预测系统的数据处理不能按照常规的线性系统法进行处理。文章提出了多源信息融合的模糊神经元网络算法,且基于势场拓扑层次聚类融合FCM算法的聚类思想,将模糊集合理论引入神经元网络,构成基于多判据信息融合的模糊神经元网络模型,并对该网络进行了优化。通过仿真试验,验证了该模型的有效性。     

基于WTFMC算法的递归模糊神经网络结构设计

针对递归模糊神经网络(Recurrent fuzzy neural network, RFNN)的递归量难以自适应的问题, 提出一种基于小波变换–模糊马尔科夫链(Wavelet transform fuzzy Markov chain, WTFMC)算法的RFNN模型.首先, 在时间维度上记录隐含层神经元的模糊隶属度, 并采用小波变换将该时间序列进行分解, 通过模糊马尔科夫链对子序列的未来时段进行预测, 之后将各预测量合并后代入递归函数中得到具有自适应性的递归量.其次, 利用梯度下降算法更新RFNN的参数来保证神经网络的精度.最后, 通过非线性系统建模中几个基准问题和实际污水处理中关键水质参数的预测实验, 证明了该神经网络模型的可行性和有效性.     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素，而难以建立精确的数学模型的情况，提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器，模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点，该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明，该方案可以实现模糊控制和神经网络的优势互补，对不确定非线性系统具有很好的控制效果。     

神经网络非线性多步预测逆控制方法研究*

提出了基于多步预测控制方法的多变量非线性神经网络逆控制方案。利用预测模型对系统动态特性进行预测,使用一个带有时延因子的前馈神经网络作为控制器,利用多步预测性能指标对其在线训练,实现神经网络逆系统;在多步预测过程中还对每一步的预测误差进行预测,以实现预测误差补偿。将所提出的控制算法用于锅炉这种大滞后非线性对象的控制,仿真实验证明,该控制策略具有良好的解耦和动态跟踪性能。