一种混合神经网络飞行控制方法研究

讨论了一种基于神经网络控制的飞行控制方法。针对复杂非线性系统难以建立精确模型的特点,利用神经网络的任意非线性逼近能力进行控制器设计,首先应用神经网络在线辨识对象逆模型,进行控制系统反馈线性化;接着利用circle theorem（圆定理）设计线性PID鲁棒控制器,控制系统输出跟随系统输入,然后应用神经网路自适应逆方法设计混合控制器,最后以F-8飞机纵向飞行控制模态为研究对象进行仿真。仿真结果表明,该控制方法具有较强的自适应和抗干扰能力。     

一种容错飞行控制的神经网络方法研究

文章提出了一种新的主动容错飞行控制系统设计方法,可同时进行飞控系统执行器的故障诊断和容错控制;首先建立飞机执行器故障模型,接着应用改进的BP神经网络算法,进行飞行控制系统模型辨识,实时进行故障诊断;然后根据故障诊断信息进行自适应容错控制,为了克服故障系统引起的模型误差和非线性因素的影响,设计了自适应神经网络PID参数整定和动态逆控制器,对飞行控制系统执行器故障进行容错控制,以实现系统的良好模型跟踪和动态性能;仿真结果表明,在保证闭环系统稳定的前提下,实现了执行器的在线故障诊断与容错控制,达到了理想的效果.     

基于神经网络的超磁致伸缩执行器模型参考控制

对超磁致伸缩执行器提出了神经网络模型参考自适应控制;超磁致伸缩材料具有磁滞非线性,随输入信号频率的增加,滞环也会增大,用一般的控制器难以实现精确控制;针对于此,为避免建立被控对象的精确模型实现精确控制,结合超磁致伸缩执行器的动态线性模型设计了基于BP和RBF神经网络的模型参考自适应控制器;RBF网络作为辨识器,BP网络为控制器,先进行离线学习;BP再在线辨识,同时把梯度信息传给RBF,使被控对象跟随参考模型;仿真结果表明,控制器的跟随效果良好,达到了较高的控制精度.     

嵌入式神经网络PID控制器的研究与设计

设计了一种基于嵌入式系统的神经网络PID控制器,以ARM芯片为控制器核心,实现对难以建立精确数学模型的非线性系统的自适应控制;控制器采用RBF神经网络对被控对象进行在线辨识,并根据辨识结果对控制器的参数进行在线修正,实现PID控制器的自适应;该控制器体积小、适应能力强且省电;实验结果表明,该控制器可靠性高,响应快,可以在无法确定被控系统数学模型的情况下达到理想的控制效果.     

基于遗传神经网络的自适应PID控制器的设计

提出了一种基于遗传算法和神经网络的自适应PID控制器的设计方法。该控制器主要由三个部分组成:利用遗传算法优化PID参数,和RBF神经网络结合,对被控对象逼近,搜索出一组准优的初始参数;RBF神经网络完成对被控对象Jacobian信息辨识;基于单神经元的自适应PID控制器,在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能。仿真结果表明,控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程。     

基于Ziegler-Nichols频率响应方法的自适应PID控制

提出一种基于Ziegler-Nichols频率响应方法的自适应PID控制器,它通过控制回路正常运行中的过程对象输入输出数据在线辨识出过程对象重要的临界频率响应特性,然后基于Zieger-Nichols整定规则或改进的方法在线更新PID控制器参数.PID控制器的自适应过程不需要系统的任何先验知识,也不需要建立任何对象模型,可以保证控制回路始终运行在最佳状态.仿真实验表明了自适应PID控制的有效性和可行性.     

自适应反推神经网络的转台鲁棒控制器设计

针对未知非线性、外界干扰和参数摄动等不确定因素对实际转台控制系统的影响,提出了自适应反推神经网络的转台鲁棒控制器设计.首先给出自适应Backstepping控制器的设计方法及步骤,接着采用RBF神经网络对转台对象参数的不确定因素上界值加以辨识,实现转台系统的鲁棒控制.其中Backstepping鲁棒控制作为主控制器,RBF神经网络实现了不确定上界值的在线辨识.仿真结果表明,自适应Backstepping神经网络控制很好地克服了对象的不确定性,实现控制系统的较强鲁棒性,适于高精度飞行仿真转台系统的实时鲁棒控制.     

基于RBF神经网络整定的高速公路匝道PID控制器

研究RBF神经网络整定PID控制器的参数,并应用到高速公路入口匝道控制中。首先阐述了入口匝道控制原理,然后建立了高速公路交通流模型,并设计了RBF神经网络整定的高速公路匝道PID控制器,RBF神经网络通过对被控对象Jacobian信息的辨识来动态调节PID控制器的参数,最后用MATLAB软件进行系统仿真。仿真结果表明,该控制器具有优越的动态和稳态性能,用于高速公路入口匝道控制中效果良好。     

BP神经网络模型预测控制算法的仿真研究

为克服被控对象参数变化导致控制精度降低的问题,研究了一种BP神经网络模型预测控制算法。借助最小二乘递推算法在线预测系统模型参数,利用BP神经网络在线预测PID参数以控制被控对象。该算法基于模型预测,首先在线性系统中验证其控制效果,然后将非线性问题作线性处理,采用BP神经网络模型预测PID控制器予以实现控制非线性系统。仿真曲线显示BP神经网络PID控制器用于线性系统可达到高精度控制要求;对于非线性系统有自适应及逼近任意函数的能力。仿真研究表明,该算法与传统BP神经网络PID控制器相比,其自适应能力更强,稳定性更好,控制精度更高。     

清洗机器人自适应PID控制研究

对于清洗机器人这样一个复杂的非线性、时变系统,常规PID控制方法难以达到满意的控制效果.提出了一种BP神经网络与常规PID(比例、积分、微分)控制相结合的智能控制方法,利用辨识网络逼近被控系统获得BP神经网络学习所需梯度信息,从而实现PID控制参数的在线调整,以适应控制系统的动态变化.对系统辨识模型进行了正弦输入下的逼近仿真;在对建立的运动学模型经离散化处理,得到其传递函数的基础上,对控制系统进行的角阶跃输入响应进行了对比仿真分析.仿真结果表明,辨识模型能很好的逼近被控对象,基于BP神经网络的自适应PID控制方法在解决清洗机器人控制问题时,提高了控制的响应时效,增强了系统的稳定性,获得了比传统PID控制更好的控制品质.