基于输入空间扩张的动态迟滞神经网络模型

针对神经网络不能直接用于辨识具有多值映射特征的迟滞非线性的不足, 利用输入空间扩张的方法, 引入动态迟滞算子来反映动态迟滞的速率依赖性, 由迟滞的输入、输入变化率和算子输出构造神经网络的扩张输入空间, 将输出空间的迟滞多值映射转换为在新的扩张输入空间上的一一映射, 从而将神经网络应用到动态迟滞非线性的辨识中. 所建立模型结构简单, 易于实现在线调整. 最后, 使用该方法对压电陶瓷执行器中的动态迟滞进行了辨识.     

基于神经网络的超声波电机模型辨识

超声波电机存在着死区、迟滞等复杂的非线性特性.采用传统的系统辨识方法难以直接对该系统进行辨识,因此,根据超声波电机的静态、动态特性,提出了一种改进的BP神经网络以建立关于该电机的一种新的模型.通过引入迟滞算子构造扩张输入空间,将迟滞的多值映射转换为一一映射.提出了变斜率与带死区的神经元,以便于描述电机的死区特性.在训练神经网络时引入了广义梯度,以近似非光滑点处的梯度.最后给出了相应的实验结果,训练、泛化结果证明该建模方法是有效的.     

基于多项式拟合的压电陶瓷迟滞神经网络建模

在压电陶瓷致动器优化设计的研究中,针对压电陶瓷的迟滞非线性特性,提出了一种基于多项式拟合算法的神经网络建模方法.由于压电陶瓷驱动器的迟滞现象是一种多对多的映射关系,而传统的建模方法只能对一对一映射进行建模.为解决上述问题,在对压电陶瓷迟滞现象的形成原因和特点进行深入分析的基础上,采用多项式拟合和神经网络相结合的方法对压电陶瓷驱动器的迟滞现象进行建模.仿真结果表明,采用多项式拟合算法的神经网络建模克服了传统建模方法只能对迟滞曲线进行分段建模的局限性,且拟合精度比较高,神经网络正模型的拟合误差为1.45％,神经网络逆模型的拟合误差为1.16％.表明上述神经网络模型精确地反映了压电陶瓷的迟滞特性.     

一种频率依赖性迟滞的神经网络内模控制

针对压电陶瓷等智能材料存在的依赖输入频率的迟滞非线性问题,采用BP神经网络对迟滞非线性进行辨识,并通过内模控制方案来对其进行控制.在迟滞的建模上,构建了一种静态迟滞非线性环节串联一个对输入频率敏感的线性动态环节组成的Hammerstein模型.在此基础上,得出Hammerstein模型的逆模型,并通过构造的正、逆模型进行内模控制.实验结果说明,提出的建模方法与内模控制方案是有效的.     

压电陶瓷执行器的动态迟滞非线性特性建模

针对精密定位系统中压电陶瓷执行器的迟滞非线性特性建模问题,提出了一种基于Hammerstein迟滞模型的建模方法。通过引入一个Backlash类的算子来描述迟滞非线性的轮廓。在利用"扩展输入空间法"将迟滞特性的多值映射转换为一一映射的基础上,采用引力搜索算法优化的支持向量回归机建立静态迟滞模型。为体现迟滞的动态特性,用ARX模型表征迟滞环的率相关性,从而建立了Hammerstein级联模型。并从精密定位系统中采集了实测数据,通过电容传感器获取压电陶瓷执行器给定电压下的位移值,对所提出的模型进行了实验。实验表明:该模型具有较好的性能,辨识过程简便且易于工程实现。     

基于神经网络的精密运动系统运动平台辨识

针对精密运动定位系统中宏动平台具有死区与迟滞的复合特性,提出了一种特殊的神经网络结构,将通常用于逼近光滑系统的神经网络模型改进为可以描述非光滑非线性特性的模型,在模型结构中引入一种非光滑激励函数,并引入广义梯度改进麦夸特算法,以用其对精密运动系统的含有非光滑非线性的运动特性进行建模.在所设计的神经网络中,同时也采用了扩展辩识空间方法,首先将迟滞特性的多值映射变为一一映射,而且还证明了采用完备化的算子基对辩识逼近的必要性及其扩展辩识空间的途径.实际辨识结果表明,所提出的建模方法取得了令人满意的结果.     

基于Preisach模型的迟滞系统建模与控制

针对一种复杂的非线性系统一迟滞系统，研究了基于KP算子Preisach模型对迟滞系统进行建模的方法。利用Preisach模型与其边界线之间的映射关系，建立了容易在线更新的迟滞模型。基于Preisach模型进行迟滞非线性系统的控制，采用PID方法来控制一类带有未知非线性特性迟滞的单输入单输出非线性系统。对迟滞非线性系统的建模与控制进行的数值仿真研究结果表明，该迟滞非线性系统的建模和控制方法具有理论意义和应用价值。     

基于改进CQPSO算法的压电陶瓷建模研究

压电精密定位技术在高精度定位与控制领域起着关键作用。针对压电陶瓷迟滞非线性特性进行建模与分析是当前研究的一大热点。传统智能算法对迟滞模型的辨识易陷入局部最优,因此,提出一种改进混沌量子粒子群算法(Improved chaotic quantum particle swarm optimiztaion, ICQPSO)。以量子粒子群算法(QPSO)结合基于早熟系数的混沌映射跳出局部收敛。引入变尺度法缩小可行解空间提升收敛效率和精度,采用Bouc-Wen微分方程模型对多频输入动态迟滞现象进行建模。经实验验证,该算法对Bouc-Wen模型的辨识精度明显高于GA、MFA算法。     

对迟滞三明治系统基于Duhem算子的自适应控制

对具有迟滞非线性的三明治系统,设计了基于Duhem算子的神经网络自适应控制器.首先对前端动态子系统进行近似补偿;然后用Duhem算子描述所提出的迟滞状态,用神经网络逼近迟滞状态与迟滞输出的关系,实现对迟滞非线性的建模.基于该迟滞模型并采用伪控制技术设计神经网络自适应控制器,通过Lyapunov方法证明了系统的稳定性,并推导出神经网络的权值自适应调整律和控制律.最后通过仿真验证了该方案的有效性.     

基于径向基神经网络的压电作动器建模与控制

针对压电作动器(piezoelectric actuator,PEA)的率相关迟滞非线性特性,构建了Hammerstein模型对压电作动器建模.采用径向基(radial basis function,RBF)神经网络模型表征迟滞非线性,利用自回归历遍模型(auto-regressive exogenous,ARX)表征频率的影响,并对模型参数进行了辨识.此模型可以在信号频率在1～300 Hz范围内时,较好地描述压电作动器的迟滞特性,建模相对误差为1.99%～4.08%.采用RBF神经网络前馈逆补偿控制,结合PI反馈的复合控制策略实现跟踪控制,控制误差小于2.98%,证明了控制策略的有效性.     

基于神经网络的迟滞逆模型

一个新的基于神经网络的迟滞逆模型被提出.采用连续坐标变换的方法,建立基本迟滞逆算子(EIHO),EIHO为神经网络提供了基本的迟滞逆信息,并与迟滞逆的输入一起作为神经网络的输入,使迟滞逆由多值映射关系转化为一对一映射关系,从而达到用神经网络逼近迟滞逆的目的.一组实测数据被用来检验模型有效性,实验结果表明,这种建模方法是有效的.     

行波型超声电机基于神经网络的逆模型辨识

行波型超声电机的动态特性受定子压电陶瓷迟滞和接触层非线性摩擦力的影响,表现出复杂的多值映射特征.通过引入动态迟滞逆算子,将存在于超声波电机逆系统中的多值映射在新的扩张输入空间上,转换为一一映射;然后使用神经网络建立超声波电机的逆模型,对迟滞和非线性摩擦力的影响进行补偿.所建立的模型结构简单,可以在线调整适应电机参数的非线性变化.实验仿真结果验证了该方法的有效性.     

未知控制方向的迟滞非线性系统预设自适应控制

针对一类含有迟滞特性的未知控制方向严反馈非线性系统,设计了基于误差变换的反步自适应控制器.首先提出动态迟滞算子来扩展输入空间建立神经网络迟滞模型.然后利用径向基函数(RBF)神经网络逼近未知函数,并引入Nussbaum型函数来解决系统未知控制方向问题.最后采用误差变换将误差限定在预设的范围内,并利用反步法设计自适应控制器.该控制方案不仅能够保证跟踪精度,还可以提高系统暂态和稳态性能.仿真结果表明了控制方案的可行性.     

基于混合神经网络的压电陶瓷微位移执行器动态迟滞建模

提出了两个动态神经网络串联的混合神经网络动态迟滞模型,用以逼近压电陶瓷的迟滞特性.混合模型由两个动态RBF神经网络构成,前者形成一个相位超前的动态模型,其特性与压电陶瓷的输出特性类似,但在相位和幅值上有所区别;后者实现相位滞后的变换和幅值的非线性变换,以达到对压电陶瓷实际输出的逼近.仿真和实验表明,所提出的描述动态迟滞特性的动态迟滞模型是有效的.与PI模型相比较,具有较高的模型精度.     

Constructing hysteretic memory in neural networks

Hysteresis is a unique type of dynamic, which contains an important property, rate-independent memory. In addition to other memory-related studies such as time delay neural networks, recurrent networks, and reinforcement learning, rate-independent memory deserves further attention owing to its potential applications. In this paper, we attempt to define hysteretic memory (rate independent memory) and examine whether or not it could be modeled in neural networks. Our analysis results demonstrate that other memory-related mechanisms are not hysteresis systems. A novel neural cell, referred to herein as the propulsive neural unit, is then proposed. The proposed cell is based on a notion related the submemory pool, which accumulates the stimulus and ultimately assists neural networks to achieve model hysteresis. In addition to training by backpropagation, a combination of such cells can simulate given hysteresis trajectories.     

Neural model-based adaptive control for systems with unknown Preisach-type hysteresis

An adaptive control scheme is presented for systems with unknown hysteresis. In order to handle the case where the hysteresis output is unmeasurale, a novel model is firstly developed to describe the characteristic of hysteresis. This model is motivated by Preisach model but implemented by using neural networks (NN). The main advantage is that it is easily used for controller design. Then, the adaptive controller based on the proposed model is presented for a class of SISO nonlinear systems preceded by unknown hysteresis, which is estimated by the proposed model. The hws for model updating and the control hws for the neural adaptive controller are derived from Lyaptmov stability theorem, therefore the semi - global stability of the closed-loop system is guaranteed. At last, the simulation results are illuswated.     

基于退化激励信号的含有迟滞的三明治系统辨识

含有迟滞的三明治系统不仅具有非光滑、多值映射等特性, 而且迟滞环节的输入输出信号还是不能直接测量的, 常规方法难以进行有效的辨识. 本文提出了一种基于退化激励信号的两步辨识方案: 第一步, 设计一个特殊的退化激励信号将迟滞环节退化为一条静态曲线, 从而可以将两端的线性动态环节辨识出来, 解决中间信号不可测的问题; 第二步, 利用已辨识的线性模型重构迟滞环节的输入输出信号, 再采用“扩展输入空间法”建立迟滞环节的神经网络模型. 最后, 在压电超精密运动系统的实验结果表明所提出的建模方法取得了令人满意的结果.     

Blur identification by multilayer neural network based on multivalued neurons.

A multilayer neural network based on multivalued neurons (MLMVN) is a neural network with a traditional feedforward architecture. At the same time, this network has a number of specific different features. Its backpropagation learning algorithm is derivative-free. The functionality of MLMVN is superior to that of the traditional feedforward neural networks and of a variety kernel-based networks. Its higher flexibility and faster adaptation to the target mapping enables to model complex problems using simpler networks. In this paper, the MLMVN is used to identify both type and parameters of the point spread function, whose precise identification is of crucial importance for the image deblurring. The simulation results show the high efficiency of the proposed approach. It is confirmed that the MLMVN is a powerful tool for solving classification problems, especially multiclass ones.