神经网络控制系统研究

本文讨论了两种基于BP网络的自适应控制方法,给出了仿真结果,取得了较好的控制效果,显示了神经网络用于控制系统的优越性和巨大潜力,最后提出几点值得进一步探讨和研究的问题。     

基于遗传算法学习的复合神经网络自适应温度控制系统

针对一类温度控制系统中存在的非线性和参数不确定等问题,提出一种复合神经网络自适应控制结构.在控制系统中构造了神经网络正模型来再现被控对象的动态特性,用神经网络控制器实现优化控制律的非线性映射.文中选用了被控对象80组历史数据作为样本集,并利用遗传算法的全局搜索能力及高效率来训练多层前向神经网络的权系数.最后用升降温工艺曲线作为输入对温度控制系统进行仿真.仿真结果表明,应用遗传算法能够提高神经网络的学习效率.保证神经网络全局快速收敛,从而克服了传统的误差反传学习算法的一些缺点.证明了采用这种神经网络自适应控制结构.使神经网络控制器的输出可以适应对象参数和环境的变化.使温度控制系统具有很好的学习和自适应控制能力,取得了良好的控制效果.     

神经网络模型参考自适应控制系统及其应用

提出了一种基于神经网络非线性系统的模型参考自适应控制方法,通过对其结构和应用的介绍,表明该系统的性能良好,将会明显提高产品质量。     

基于LabVIEW的神经网络自适应逆控制系统

目前基于人工神经网络的非线性自适应逆控制研究主要集中在Matlab仿真研究方面,无法直接推广为实际应用。为此,采用基于LabVIEW的动态神经网络非线性自适应逆控制方法,首先在LabVIEW中建立动态神经网络结构及在线学习算法,并依此建立非线性对象的辨识器和逆控制器等模型;然后构建完整的非线性对象自适应逆控制系统,并在LabVIEW环境中通过仿真验证了系统性能。通过配置相应的数据采集设备,该系统可以直接推广为实际应用。     

基于模糊神经网络的自适应控制系统的设计

自适应控制系统往往结合神经网络技术和模糊理论来实现规则节点和隶属度函数调整。但是这种系统的运行过程往往是顺序的,自适应过程慢。此外,在网络结构中往往存在冗余节点,加大了计算量,降低了控制反应速度。针对以上问题本文设计1个新的模糊神经网络控制系统(FNCC),FNCC在结构学习中引入了减少规则节点的操作,降低了由于过量计算所带来的时间滞后。同时,此系统的参数学习与网络结构学习同步进行,降低了由于顺序操作所带来的时间滞后。通过研究得出FNCC具有以下特点:(1)无需预知系统的模型,(2)无限制的结构设计。在研究中我们将此系统应用到一非线性系统上,通过仿真结果来验证FNNC的可行性和准确性。     

基于神经网络的反馈式自适应逆控制系统

由于在建立非线性逆模型时采用带有复杂非线性函数的滤波器来完成,而由此带来了结构复杂、运算量大等缺点,在实际运用上受到了很多限制.为此,采用较为简单的线性逆控制方式与单层神经网络相结合构成逆控制结构,其良好的非线性特性使系统具有逼近任何非线性模型的能力,且结构简单实用.应用举例表明这种方法在运算量和控制性能上均取得了非常好的效果.     

神经网络控制系统的研究与展望

本文综述了近年来神经网络应用于控制领域的研究概况,并对其存在的问题和发展趋势作了讨论。     

基于神经网络的模型参考自适应照度控制系统

本文提出一种基于神经网络的模型参考自适应照度控制系统,为缺乏精确数学模型及非线性的对象--人工气候高压的钠灯照度,提供了一种有效的有适应控制方案。仿真结果表明,这种系统可获得满意的控制效果。     

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。     

基于复合正交神经网络的自适应逆控制系统

目前,在自适应逆控制系统中常采用BP神经网络,而BP网络存在算法复杂、易陷入局部极小解等不足。而正交神经网络能克服BP网络的不足,但由于正交神经网络学习算法存在某些局限性,提出了一种复合正交神经网络,该正交网络结构与三层前向正交网络相同,不同的是正交网络的隐单元处理函数采用带参数的Sigmoid函数的复合正交函数,该神经网络算法简单,学习收敛速度快,并能对网络的函数参数进行优化,为非线性系统的动态建模提供了一种方法。仿真实验表明,网络在用于过程的自适应逆控制中具有很高的控制精度和自适应学习能力。该动态神经网络比其它神经网络具有更强的建模能力与学习适应性,有线性、非线性逼近精度高等优异特性,非常适合于实时控制系统。     

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。     

基于递归神经网络的一类非线性无模型系统的自适应控制

给出了基于递归神经网络非线性无模型的自适应控制方案，它具有灵活、简单、方法等特点，可以处理传统方法和非线性无模型系统自适应控制方法不能控制或控制效果不理想的非线性对象。理论分析和仿真结果证明了这种方法的优越性。     

用于非线性动力系统控制问题的自组织神经网络自适应方法

本文提出一种用自组织自学习适应思想解决非线性动力系统控制问题的新方法。在每个小区域感受野,可以把非线性系统近似展开为线性,由神经元执行控制。各神经元的凝视点,感受野和功能由自组织自学习自适应方法进行调节。大量仿真结果验证了本方法的正确性和实用性。     

一类非线性系统神经网络控制的稳定性分析

从理论上研究将神经网络用于非线性系统控制，通过对神经网络的训练，实现一类非线性系统的定点跟踪。证明了神经网络学习算法的收敛性不仅与系统的动态特性有关，而且与网络的初始条件有关。仿真结果表明，适当选取网络的初值和加权的调节速率，可以实现非线性系统的定点跟踪。     

非线性系统的神经网络鲁棒自适应跟踪控制

针对一类具有未知非线性函数和未知虚拟系数非线性函数的二阶非线性系统,提出了一种神经网络鲁棒自适应输出跟踪控制方法.用李雅普诺夫稳定性分析方法证明了本文的神经网络自适应控制器能够使受控系统内的所有信号均为有界.选择的神经网络权值调整规律可以防止自适应控制中的参数漂移.     

基于神经网络的一类非线性系统自适应跟踪控制

提出一种非线性系统的自适应神经跟踪控制方案。通过利用RBF神经网络对未知非线性系统建模,并用一个滑模控制项消除网络建模误差和外部干扰的影响,从而能够保证闭环系统的全局稳定性和输出跟踪误差渐近收敛于零。     

不确定非线性系统神经网络自适应控制

针对一类不确定非线性系统,利用神经网络可逼近任意非线性函数的能力,以及误差滤波理论,提出了一种基于径向基神经网络的自适应控制器设计方案,以使非线性系统在存在不确定项或受到未知干扰时,其输出为期望输出.根据Lyapunov理论,给出了系统稳定的充分条件,并进行了详细证明.该设计方法能够保证跟踪误差收敛,从而进一步说明该控制器的有效性.最后,用Sumulink对设计方案进行仿真,仿真结果表明了其实用性.     

基于神经网络的非线性自适应控制*

本文对非线性自适应控制的一个新领域－基于神经网络的非线性自适应控制（以下简称ＮＮＢＮＡＣ）的研究进展进行了综述，讨论了这一领域中存在的几个重要问题，然后指出了与这些问题相关的未来的研究方向。     

基本积分型李亚普诺夫函数的直接自适应神经网络控制

针对一类具有下三角形函数控制增益矩阵的非线性系统,基于滑模控制原理,并利用多层神经网络的逼近能力,提出了一种直接自适应神经网络控制器设计的新方案.通过引入积分型李亚普诺夫函数及残差与逼近误差和的上界函数的自适应补偿项,证明了闭环系统是全局稳定的,跟踪误差收敛到零.     

Neural Network-based Adaptive State-feedback Control for High-order Stochastic Nonlinear Systems

This paper focuses on investigating the issue of adaptive state-feedback control based on neural networks(NNs)for a class of high-order stochastic uncertain systems with unknown nonlinearities. By introducing the radial basis function neural network(RBFNN) approximation method, utilizing the backstepping method and choosing an approximate Lyapunov function, we construct an adaptive state-feedback controller which assures the closed-loop system to be mean square semi-global-uniformly ultimately bounded(M-SGUUB). A simulation example is shown to illustrate the effectiveness of the design scheme.