典型人工神经网络的结构、功能及其智能系统中的应用

人工神经网络已在各个领域得到广泛的应用，尤其是在智能系统中的非线性建模及其控制器的设计、模式分类与模式识别、联想记忆和优化计算等方面更是得到人们的极大关注；本文从网络在智能系统中建模及控制器设计的具体训练结构入手，详细介绍了BP网络在系统控制中的典型应用方式，并根据不同网络所具遥功能，从性能对比的角度对人工神经网络在上述各方方面的应用给予综述。     

人工神经网络在文物分类系统中的应用研究

人工神经网络由于其强大的学习和适应能力,广泛应用于模式识别、模式分类、自动控制、图像处理及智能系统的非线性建模等方面.文中对几种典型的人工神经网络的结构、功能、学习算法进行了综述,详细介绍了人工神经网络在文物分类系统中的应用,比较结果可以得出自组织竞争神经网络的分类效果要优于其它两种神经网络.     

人工神经网络在文物分类系统中的应用研究

人工神经网络由于其强大的学习和适应能力,广泛应用于模式识别、模式分类、自动控制、图像处理及智能系统的非线性建模等方面。文中对几种典型的人工神经网络的结构、功能、学习算法进行了综述,详细介绍了人工神经网络在文物分类系统中的应用,比较结果可以得出自组织竞争神经网络的分类效果要优于其它两种神经网络。     

人工神经网络思想在舰载作战系统中的应用初探

人工神经网络是近年来迅速发展的一种智能技术,在很多领域均得到了广泛应用。人工神经网络中的很多思想新颖独特,在解决实际问题时效果显著。文章简要介绍了人工神经网络的模型、特性,并从数据建模、学习过程、数据反馈三个方面对人工神经网络思想在舰载作战系统中的应用进行了初步探讨。     

网络控制系统的对象建模

网络控制系统(NCS)中的被控对象是包含工业控制对象和通讯网络的广义被控对象，其模型是时变不确定的，十分复杂。在考虑了单包传输、多包传输、数据包丢失、延时、随机干扰等情况下，用一种统一的形式，建立网络控制系统的模型。对广义被控对象进行分析和建模有利于网络控制系统控制器的分析和设计。在实际工程应用中在分析了NCS网络特性基础上。皆可按该方法对广义被控对象建模，然后再进行控制器设计。     

色彩心理效应模型在人性化Web导购系统中的搭建与应用

人性化、个性化系统是现代Web商务系统的一个发展趋势,也是人工心理的一个研究方向。本文以服装选购系统为例,对人类情感的重要影响因素之一——色彩心理效应进行了进一步的深入研究。文中首次使用人工神经网络对色彩带来的膨胀紧缩感的心理效应进行数学建模,并且在服装导购系统中进行应用算法的设计和实施,从而实现了一种心理效应由感性描述到理性模型的转化,同时也使人性化、个性化智能系统的理念得到进一步完善。实验结果表明此数学模型能够较好的模拟色彩给人带来的膨胀紧缩感,在系统中的应用效果也收到了用户的好评。     

粗糙集理论及其在智能系统中的应用

粗糙集理论是一种新型的处理含糊和不确定知识的数学工具，在智能系统中得到了广泛的应用，介绍了经典粗糙集理论的基本思想，上下近似集、属性约简和核等基本概念以及粗糙集的研究现状．介绍了粗糙集理论在智能系统中的应用，主要包括基于粗糙集理论的属性约简作为数据预处理的手段，基于粗糙集理论的相关性分析和基于粗糙集理论的系统建模和控制．指出了粗糙集理论在应用中遇到的问题和可能的研究方向。     

内容适配系统控制模型研究

针对内容适配系统建模问题,采用反馈控制理论设计内容适配系统控制模型,采用人工神经网络（ANN）设计系统控制器,提出基于QBP算法的控制器学习算法,并分析内容适配控制系统的运行机制。     

人机智能技术及系统研究进展综述

人机智能系统是能够实现人机智能协作的机器人系统,近年来成为了机器人领域的研究热点,具有广泛的应用前景。针对人机智能系统技术和应用的国内外研究现状,从人机智能系统的关键技术和典型应用领域两方面进行了进展综述。重点综述了与传统机器人系统存在差异性的人机智能系统关键技术,从建模、交互、协同和优化4个方面的研究进展分别展开论述,对涉及的典型应用领域及典型人机智能系统进行总结,并对人机智能系统发展的挑战和未来研究方向进行了展望。     

用Java语言开发人工神经网络应用的研究

该文概括介绍人工神经网络的软件实现技术的现状，并从面向对象程序设计的角度出发，以实际例子详述Ｊａｖａ语言在人工神经网络应用软件或智能系统相应模块的开发方面的运用前景。     

基于神经网络的一类非线性系统自适应H∞控制

基于神经网络提出一种自适应Ｈ∞控制方法。控制器由等效控制器和Ｈ∞控制器两部分组成,用神经网络逼近未知非线性函数,Ｈ∞控制器用于减弱外部及神经网络逼近误差对跟踪误差的影响。所设计的控制器不仅保证了闭环控制系统的稳定性,而且使外部干扰及神经网络逼近误差对跟踪误差的影响减小到预定的性能指标。     

基于径向基函数网络的永磁同步电机直接转矩控制

对永磁同步电机直接转矩控制系统特性进行了深入研究,提出一种新的径向基函数神经网络控制器,给出了神经网络控制器的结构设计、样本选取及训练方法.利用系统中的开关表作为导师对径向基函数神经网络控制器进行训练,实现了永磁同步电机直接转矩控制的径向基函数神经元网络输出矢量选择.该控制器可以简化获得输出电压矢量的过程,并具有并行计算速度快、转矩响应迅速的性能.仿真结果验证了该控制器的有效性.     

基于神经网络辨识的熔融碳酸盐燃料电池（MCFC）建模

针对熔融碳酸盐燃料电池（MCFC）电堆系统过于复杂,难以建模以及已建立的模型过于复杂,难以满足工程上对MCFC系统控制设计特别是实时控制的需要,该文试图绕开MCFC的内部复杂性,提出利用神经网络具有逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到MCFC这种高度非线性系统的建模。以燃料气和氧化剂气体的流速为输入量,MCFC电堆的温度响应为输出量,根据输入输出数据用神经网络辨识建立MCFC电堆系统的温度模型,给出了辨识系统的结构及改进BP算法。仿真结果证明了这种方法的可行性,建立的模型精度较高,它使得设计MCFC的实时控制器成为可能。     

Indirect control of a class of nonlinear dynamic systems

Identification and control designs are considered using neural networks for a class of nonlinear partially known dynamic systems. Real-time implementation of two designs, a neural identifier and a proposed neural controller, using an experimental system, comparisons with two other neural networks as well as conventional schemes, and an implementation architecture are reported. The proposed control design facilitates incorporation of available knowledge about the structure of the system. The study also illustrates the inherent capability of neural networks to handle nonlinearities and perform control effectively for a real world system, based on minimal system information.     

基于观测器的机械手神经网络自适应控制

提出了一种基于观测器的机械手神经网络自适应轨迹跟随控制器设计方法,这里机 械手的动力学非线性假设是未知的,并且假设机械手仅有关节角位置测量.文中采用一个线 性观测器重构机械手的关节角速度,用神经网络逼近修正的机械手动力学非线性,改进系统 的跟随性能.基于观测器的神经网络自适应控制器能够保证机械手角跟随误差和观测误差的 一致终结有界性以及神经网络权值的有界性,最后给出了机械手神经网络自适应控制器-观 测器设计的主要理论结果,并通过数字仿真验证了所提方法的性能.     

Neural Network Based Adaptive Tracking Control for a Class of Pure Feedback Nonlinear Systems With Input Saturation

In this paper, an adaptive neural networks (NNs) tracking controller is proposed for a class of single-input/singleoutput (SISO) non-affine pure-feedback non-linear systems with input saturation. In the proposed approach, the original input saturated nonlinear system is augmented by a low pass filter. Then, new system states are introduced to implement states transformation of the augmented model. The resulting new model in affine Brunovsky form permits direct and simpler controller design by avoiding back-stepping technique and its complexity growing as done in existing methods in the literature. In controller design of the proposed approach, a state observer, based on the strictly positive real (SPR) theory, is introduced and designed to estimate the new system states, and only two neural networks are used to approximate the uncertain nonlinearities and compensate for the saturation nonlinearity of actuator. The proposed approach can not only provide a simple and effective way for construction of the controller in adaptive neural networks control of non-affine systems with input saturation, but also guarantee the tracking performance and the boundedness of all the signals in the closed-loop system. The stability of the control system is investigated by using the Lyapunov theory. Simulation examples are presented to show the effectiveness of the proposed controller.      

控制增益为未知函数的不确定系统预设性能反演控制

对一类控制增益为未知函数的不确定严格反馈系统的预设性能反演控制进行研究.首先,提出一种新的变参数约束方案,放宽了对初始跟踪误差已知的限制,并通过误差转化将不等 式约束的受限系统转化为非受限系统.随后,通过引入积分型Lyapunov函数,避免了因控制增益未知而引起的系统奇异问题.最后,综合应用自适应技术、径向基函数(Radial basis function,RBF)神经网络和反演控制技术完成了控制器的设计,系统中的未知函数利用RBF神经网络直接进行逼近.所设计的控制器能够满足预设性能的要求,且保证闭环系统所有的状态量有界.仿真研究证明了控制器设计方法的有效性.     

基于PSO训练的NN PID控制器设计及其FPGA实现*

提出了一种基于PSO学习、VHDL描述和FPGA实现的NNPID控制器设计方法。首先借助MATLAB系统仿真工具,在闭环控制系统中通过PSO优化算法训练前馈网络,得到优化的NNPID控制器参数;然后在FPGA集成开发环境下进行控制器的VHDL层次化设计,重点研究单个神经元和前馈网络的结构以及实现方式;最后对该控制器进行了闭环时序测试,并在一个具体的FPGA器件上实现。研究结果表明,PSO用于NNPID控制器训练速度快,VHDL描述和FPGA实现该控制器时序验证方便,而且控制器具有较好的鲁棒性。     

Adaptive L2 control of nonlinear systems using neural networks

An adaptive neural network controller is developed to achieve output-tracking of a class of nonlinear systems. The global L2 stability of the closed-loop system is established. The proposed control design overcomes the limitation of the conventional adaptive neural control design where the modeling error brought by neural networks is assumed to be bounded over a compact set.Moreover,the generalized matching conditions are also relaxed in the proposed L2 control design as the gains for the external disturbances entering the system are allowed to have unknown upper bounds.     

基于RBF神经网络的一类不确定非线性系统自适应H控制

基于RBF神经网络提出了一种H_∞ 自适应控制方法.控制器由等效控制器和H_∞ 控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H_∞ 控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.