基于阻尼最小二乘法的神经网络自校正一步预测控制器

针对非线性控制器设计中遇到的模型结构及模型参数辨识问题,采用多层前馈神经网络去逼近任意的非线性系统,并使用收敛速度快且稳定性好的阻尼最小二乘法在线学习网络的仅植。基于估计的神经网络模型,依据辨识与控制的对偶原则,设计了基于阻尼最小二乘法的一步向前预测控制器。仿真研究表明,这种神经网络自校正控制器不仅具有很好的性能,而且不会产生参数爆发现象。     

基于Davidon最小二乘法的神经网络PID自校正控制器

介绍将PID控制与神经网络相结合,利用Davidon最小二乘法训练用于辨识和控制的神经网络,由此推导出对非线性对象仍有效的神经网络PID自校正控制器,还进行了仿真研究,并将其与常规的PID控制作了比较.     

基于Davidon最小二乘法的神经网络内模控制

为了将内模控制推广至非线性控制领域,本文将其与神经网络相结合,利用神经网络对任意非线性映射的逼近能力推导出一种能对非线性系统进行有效控制的神经网络内模控制器。在网络学习算法上采用收敛速度快的Ｄａｖｉｄｏｎ最小二乘法训练多层前馈神经网络,从而保证控制方案的实时性。仿真结果表明了该方法的有效性。     

基于快速BP算法的非线性系统神经网络自校正控制器

提出了对于一大类未知,不确定,时变单输入单输出离散非线性系统,利用三层BP网络,采用快速BP算法构成学习和自校正控制的方案,针对同一被控对象,设计了PID控制器,仿真结果表明本文所提出的神经网络自校正控制的优越之处。     

基于ANN模型的非线性自校正预测控制器

采用局部建模和线性化方法,提出了一种基于人工神经网络(Artificial Neural Network--ANN)模型的非线性自校正预测控制算法.仿真实例表明,所提控制策略可有效地控制某些未知多变量非线性动态系统.     

新型随机广义预测自校正控制器

基于CARIMA模型,设计了一种新的广义预测控制器.由于本文算法是利用辨识结果直接求解控制器,不需要在线求解Diopbantine方程,因而大大减少了计算量,便于控制系统的在线设计.     

基于BP网络的PID型预测自校正控制器

采用ＢＰ网络对ＰＩＤ型大范围预测控制器（ＰＩＤＧＰＣ）的参数ｋｐ，ｋｉ，ｋｄ及α进行自学习，并在多个模型构成的系统上进行了仿真，验证了该算法的适应性和鲁棒性，为设计通用的ＧＰＣ控制器提供了一种新的手段。     

一种基于最小二乘法的摄像机非线性校正方法

摄像机线性化技术是机器视觉研究中的关键技术之一。本文针对高速彩色摄像机的非线性特性导致的图像畸变问题,分析其产生原因并给出了基于线性化校正的具体实现方法。在Visflal C＋＋6．0环境下实现了此算法,并应用异性纤维清除系统当中。试验结果表明,该方法能够提高系统性能并有效检测皮棉中的异性纤维。     

基于神经网络的两步预测自适应控制器及其应用

设计了基于神经元网络的两步预测自适应控制器.这种控制方法在线运算量较少,并且能很好地控制复杂的非线性系统.仿真结果验证了这种方法的有效性.     

带神经网络补偿的极点配置广义最小方差自校正控制

首先用一个常规线性模型对被控对象进行辨识,再对线性模型辨识的余差用一个神 经网络进行补偿．线性模型和神经网络共同构成对象的辨识模型,并基于这一模型提出了一 种显式极点配置广义最小方差自校正控制．该方法适用于非线性对象,且具有较高精度和较 快的收敛速度,具有较强的鲁棒性．     

基于神经网络的多变量协调预估控制器

针对操作变量多于被控变量的“胖”系统，提出了一种多变量协调控制系统，本控制系统在保证对关键变量实施定点控制的同时，还尽可能将操作变量协调至理想操作区，以达到优化操作变量的目的，文中将生产过程中复杂的操作要求和优化规则归纳整为一系列多变量优化协调逻辑，并进而用人工神经网络予以实现，用预估控制技术实现控制。这种协调控制器结构充分发挥了神经元网络和预估控制算法两方面的优势。在石油分馏塔上实现的多变量协调     

基于输入匹配的广义预测自校正控制器--有色噪声情况

为随机线性系统建立了全局收敛广义预测自校正控制算法,处理的是有色噪声的情况,并给出了完整而严格的收敛性证明.在通常假设条件下使用这种算法,能使适应控制律和最优控制律之差在样本均方意义下收敛到零.     

一种基于CMAC的自学习控制器

现有的基于CMAC的自学习控制器能够有效地减小跟踪误差,但是在跟踪连续变化信号如正弦波时,由于累积误差的影响会产生过学习现象,进而导致系统的不稳定.为此,提出一种新的基于CMAC的自学习控制器,它以系统的动态误差作为CMAC的激励信号,从而避免了累积误差的影响.仿真结果表明,该控制器不仅是有效的,而且具有很强的鲁棒性.此外,它可以使用较高的学习速率,实时性强.     

基于神经网络模型的直接优化预测控制

针对具有时延的非线性系统提出了一种基于神经网络模型直接优于的预测控制。     

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．     

基于神经网络的自适应模糊控制器

本文提出了一种基于神经网络的自适应模糊控制器，控制器为５层前向结构，其输入和输出均为数值量。根据给定的训练数据，通过学习算法，能够实现前件参数和后件参数的辨识，提取控制规则，最后通过仿真实验证明了这种方法的有效性。     

基于遗传算法的神经网络自适应控制器的研究

提出了一种基于遗传算法的神经网络自适应控制方法。该方法是针对ＢＰ算法训练神经网络控制系统时收敛速度慢、动态特性不够理想等不足，用改进的遗传算法来优化神经网络辨识器与控制器的参数，以提高控制系统的性能，仿真实验表明该控制器对于非线性、时变、滞后等对象都具有很好的控制精度、鲁棒性和动态特性。     

GLOBAL CONVERGENCE OF MINIMUM VARIANCE SELF‐TUNING SCHEME BASED UPON DAMPED LEAST SQUARES

This paper presents an analysis of the stability and convergence of a damped least squares identification algorithm and establishes the global convergence of a minimum variance self‐tuning scheme based upon damped least squares. The results mathematically demonstrate that the damped least squares can generally be applied to achieve system identification and adaptive control.     

高速公路动态交通系统的神经网络预测控制

提出一种高速公路动态交通系统的神经网络预测控制方法。根据高速公路的实际北景导出其非线性动态模型，利用神经网络及辨识的串并联结构来建立模型的映射，在此基础上给出控制变量带有上下界约束的预测控制算法。根据实测数据进行了仿真研究，结果表明算法是有效的，因而为解决高速公路的动态控制问题提出了一种新的方法。