基于神经网络的动态系统逆模型辨识及闭环控制

本文提出一种动态线性或非线性系统的神经网络逆模型辨识结构，并引出两种ＰＩＤ与神经网络逆模型相结合的自适应控制方案，神经网络模型采用基于Ｕ－Ｄ分解卡尔曼滤波学习算法（ＵＤＫ）的动态前向多层网、仿真结果表明了所述辨识方案的有效性及特点 。     

基于状态全反馈的动态迟滞非线性系统自适应控制

该文针对不平滑、多映射动态迟滞非线性系统，提出了一种基于神经网络自适应控制方案。在该方案中，通过利用神经网络来逼近模型误差，避免了目前常用逆模型补偿方案中，需求取复杂逆模型的问题。应用Lyapnov稳定定理，证明了整个闭环系统的跟踪误差及神经网络权值将收敛到零点一个有界邻域内。仿真结果表明，所提出的控制方案能够有效补偿迟滞非线性对系统的影响。     

基于高阶神经网络扩展卡尔曼滤波器逆算法的非线性挠性结构的姿态控制

本文针对非线性挠性结构的姿态控制,提出了一种基于高阶神经网络及径向基函数网络（ＲＢＦＮ）相结合的网络模型,用于非线性挠性结构的动态系统辨识,以及基于卡尔曼滤波器（ＥＫＦ）逆算法的控制策略。针对神经网络辨识时的模型误差,提出了一种简单有效的补偿方法,给出了建模误差补偿与补偿时仿真结果。仿真得出,该方法具有收敛快,算法简单,并能有效消除建模误差等优点。     

基于状态全反馈的动态迟滞非线性系统

该文针对不平滑、多映射动态迟滞非线性系统,提出了一种基于神经网络自适应控制方案.在该方案中,通过利用神经网络来逼近模型误差,避免了目前常用逆模型补偿方案中,需求取复杂逆模型的问题.应用Lyapnov稳定定理,证明了整个闭环系统的跟踪误差及神经网络权值将收敛到零点一个有界邻域内.仿真结果表明,所提出的控制方案能够有效补偿迟滞非线性对系统的影响.     

基于支持向量机的船舶锅炉智能控制研究

在非线性系统逆控制的思想基础上,采用SVM辨识系统的逆模型,设计并实现了基于SVM的逆控制.为克服基于SVM输入输出数据辨识的逆模型不精确引起的逆控制不足,提出了一种SVM逆控制与模糊控制相结合的复合控制策略.在复合控制中,模糊控制器主要用来实现前期控制快速响应的要求.在此期间,逆辨识器在线调整其参数并完全传递给逆控制器.SVM逆控制器在后期起主要作用,以消除对被控系统的稳态误差.由于此复合控制系统中增加了反馈环节,因而比直接逆控制具有更优的性能和鲁棒性,有效解决了逆控制模型精确度要求的问题.将其应用于用锅炉蒸汽压力控制系统中,仿真证明了该复合智能控制策略是有效和实用的.     

基于神经网络逆控制的水轮机调节系统

根据神经网络对非线性系统模型的辨识能力,将其与自适应逆控制相结合,对水轮发电机组的逆模型进行建模,构建一种新的水轮机调节系统。该方案以逆系统以及系统辨识理论为基础,以水轮发电机组作为被控对象,分别针对其频率和负荷扰动,建立神经网络在线逆控制器,对系统进行调控,并将仿真结果与传统PID控制进行比较。从仿真结果可以看出,所提的控制方案能够实现对水轮发电机组的有效控制,使系统具有较好的动态性能和鲁棒性。     

压电微定位平台神经网络与专家模糊复合控制方法

为了消除压电微定位平台的迟滞非线性特性,实现高精度定位控制,采用具有两个隐含层的BP神经网络建立压电微定位平台的迟滞模型,以精确描述驱动电压与输出位移的迟滞关系;设计一种基于BP神经网络迟滞逆模型的前馈控制器,对迟滞非线性进行补偿,将迟滞非线性近似线性化.为进一步提高定位系统的精度,提出基于迟滞逆模型前馈补偿和专家模糊控制的复合控制方法.仿真结果表明,该复合控制方法可以将压电微定位平台的定位误差控制在0.091μm以内,从而有效地消除迟滞非线性对压电微定位平台定位精度的影响.     

基于Hammerstein 模型的感应电机变频器调速系统神经网络控制

针对感应电机变频器调速系统的非线性特点,提出一种基于Hammerstein模型的神经网络控制方法。 Hammerstein模型由静态非线性模块和动态线性模块组成。首先,利用ARMA模型实现对感应电机变频器调速系统的线性动态模块辨识;然后,基于该辨识模型,实现调速系统非线性静态模块神经网络逆模型辨识与系统直接逆控制;最后,针对控制过程中存在的电机负载扰动问题,设计了神经网络直接逆控制器在线学习与控制策略。仿真实验表明,所提出的控制策略可以获得满意的控制效果。     

基于RBF神经网络逆系统的机械手解耦控制策略

针对机械手系统具有非线性时变、多变量、强耦合的特点,提出一种基于RBF神经网络逆系统的机械手解耦控制策略。首先证明了系统的可逆性,进一步通过神经网络在线逆辨识建立机械手的神经网络逆系统模型,并将辨识得到的逆模型作为控制器模型与机械手系统串联,构成伪线性复合系统,实现了将具有强耦合特性的多变量输入/输出机械手系统解耦成单个独立的伪线性对象。最后以两关节机械手为仿真对象进行了仿真,仿真结果验证了本方案的有效性和可行性。     

基于神经网络逆系统的超临界流体色谱系统控制

针对超临界流体色谱系统具有多变量、非线性、强耦合的特点,提出一种基于神经网络逆系统的超临界流体色谱系统控制方案。通过RBF神经网络在线逆辨识建立了超临界流体色谱系统的神经网络逆系统模型,并将辨识得到的逆模型作为控制器模型与超临界流体色谱系统进行串联,构成一个伪线性复合系统。并将本方案应用于SFC-SEP600超临界流体色谱系统上进行了梯度洗脱流量控制实验,实验结果表明该模型梯度流量控制精度完全符合技术指标要求,实验结果验证了方案的有效性和可行性。     

基于ANN的非线性系统GPC算法及仿真研究

将神经网络（ANN）技术应用于常规GPC算法，设计了基于ANN的非线性系统GPC结构方案，并对其控制原理和控制算法进行研究,基于ANN高度非线性映射等特性，运用数字仿真方法，对所设计的控制结构方案进行仿真研究,仿真结果显示，基于ANN的非线性系统GPC结构方案合理可行，并取得了满意的控制效果．     

Nonlinear system compound inverse control method

A compound neural network is utilized to identify the dynamic nonlinear system. This network is composed of two parts： one is a linear neural network, and the other is a recurrent neural network. Based on the inverse theory a compound inverse control method is proposed. The controller has also two parts： a linear controller and a nonlinear neural network controller. The stability condition of the closed-loop neural network-based compound inverse control system is demonstrated .based on the Lyapunov theory. Simulation studies have shown that this scheme is simple and has good control accuracy and robustness.     

Nonlinear system compound inverse control method

A compound neural network is utilized to identify the dynamic nonlinear system.This network is composed of two parts: one is a linear neural network,and the other is a recurrent neural network.Based on the inverse theory a compound inverse control method is proposed.The controller has also two parts:a linear controller and a nonlinear neural network controller.The stability condition of the closed-loop neural network-based compound inverse control system is demonstrated based on the Lyapunov theory.Simulation studies have shown that this scheme is simple and has good control accuracy and robustness.     

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。     

神经网络广义逆系统控制

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。     

神经网络广义逆系统控制

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.     

多变量系统的RBFNN内模控制

本文研究了基于逆系统方法的神经网络内模控制。选用径向基函数神经网络(RBFNN)逼近对象的α阶积分逆系统，以之与原系统组合，使其解耦线性化以后再采用内模控制。最后以两输入两输出的磁悬浮系统设备的数学模型为对象进行了仿真，结果表明这种方法具有较好的控制效果。     

An offset error compensation method for improving ANN accuracy when used for position control of precision machinery

Artificial Neural Networks (ANNs) have recently become the focus of considerable attention in many disciplines, including robot control, where they can be used as a general class of nonlinear models to solve highly nonlinear control problems. Feedforward neural networks have been widely applied for modelling and control purposes. One of the ANN applications in robot control is for the solution of the inverse kinematic problem, which is important in path planning of robot manipulators. This paper proposes an iterative approach and an offset error compensation method to improve the accuracy of the inverse kinematic solutions by using an ANN and a forward kinematic model of a robot. The offset error compensation method offers potential to generate accurately the inverse solution for a class of problems which have an easily obtained forward model and a complicated solution.Now Lecturing in Taiwan.     

A disturbance reduction scheme for linear small delay systems with modeling uncertainties

A disturbance reduction scheme for linear delay systems with modeling uncertainties is presented in this paper. The linear systems in this study are assumed to be nominally stable, minimum phase and relative degree one systems. The control structure is based on Astrom's modified Smith predictor with a disturbance reduction scheme and an artificial neural network (ANN). Unlike other disturbance rejection methods, the proposed scheme does not require information about unknown disturbance frequencies. The ANN is used to approximate a product of an inverse of a time delay and a nonnegative gain and to augment the robustness of the proposed approach against modeling uncertainties including a time-varying delay. Connective weights of the ANN are trained on-line using a back-propagation algorithm according to a disturbance estimation error function. Simulation results show the effectiveness of the presented disturbance reduction scheme for linear delay systems with modeling uncertainties, subjected to both periodic and non-periodic unknown load disturbances.     

永磁同步电机调速系统的多维泰勒网逆控制

针对永磁同步电机(PMSM)的高性能控制问题,在充分考虑时变特性、不确定性以及测量噪声等随机因素的基础上,通过PMSM的逆系统将被控对象补偿成为具有线性传递关系的系统,提出一种基于改进自适应逆控制的控制方案.采用矢量控制的双闭环控制结构,将多维泰勒网逆控制方法引入速度环.首先,对PMSM数学模型的可逆性进行证明以解决非线性系统逆建模的存在性问题;然后,建立新颖的动态网络化控制器-----多维泰勒网(MTN),其具有结构简单、计算复杂度低的优点;最后,为了实现高精度的速度控制,将3个MTN分别作为实现系统建模的自适应模型辨识器、逆建模的自适应逆控制器和噪声干扰消除的非线性自适应滤波器,并将PMSM的动态响应控制和消除干扰的控制分为相对独立的过程进行,同时实现最优控制.仿真结果表明,所提出控制方案能够实现PMSM伺服系统精确的速度控制,具有良好的跟踪性能和较强的抗干扰能力.