基于阻尼最小二乘法的神经网络预测偏差补偿自校正控制器

本文提出一种神经网络预测偏差补偿自校正控 制器,用线性模型的预测控制去控制非线性系统,其预测偏差用神经网络进行补偿．线性模 型的辨识和神经网络的学习均采用阻尼最小二乘法．仿真结果表明,用这种控制器能有效地 控制非线性系统,并具有超调小,鲁棒性好的特点．     

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。     

基于小波变换的非线性广义预测控制

提出了基于小波变换的非线性广义预测控制算法。预测模型采用Hammerstein模型,对于其静态非线性部分采用小波网络来辨识,动态线性部分用最小二乘法来辨识。这种辨识方法比传统的多项式拟合的模型误差要小得多。基于这种预测模型广义预测控制器弥补了传统广义预测控制的模型失配问题。以CSTR为例对所设计的控制器进行仿真研究,结果表明控制器能够取得良好的控制效果。     

神经网络PID速度控制器的研究

本文提出了一种基于神经网络的ＰＩＤ控制器。利用递推最小二乘法在线整定ＰＩＤＣ 克服神经网络ＢＰ算法收敛速度慢和可能出现的局部最小,仿真研究表明,这种ＰＩＤ控制器参数整定方便,控制精度高,跟随特性好,抗干扰能力强。     

模块化反步自适应大机动飞行控制

针对飞机大机动飞行时模型非线性和参数不确定性的特点,提出一种输入状态稳定反步自适应控制的模块化设计方法.基于模块化设计思想,设计一个输入状态稳定的反步控制器,保证在输入有界情况下系统状态的有界特性.基于最小二乘算法设计参数自适应律和滤波器的辨识器模块,保证独立于输入状态稳定控制器之外的参数误差及其导数有界,并利用一种基于免疫克隆原理的改进粒了群算法优化固定参数,改善动态性能.仿真结果表明了所提出算法的有效性.     

一类工业运行过程多模型自适应控制方法

针对一类动态未知的工业运行过程,提出一种基于神经网络补偿和多模型切换的自适应控制方法.为充分考虑底层跟踪误差对整个运行过程优化和控制的影响,将底层极点配置控制系统和上层运行层动态模型相结合,作为运行过程动态模型.针对参数未知的运行过程动态模型,设计由线性鲁棒自适应控制器、基于神经网络补偿的非线性自适应控制器以及切换机制组成的多模型自适应控制算法.采用带死区的递推最小二乘算法在线辨识控制器参数,克服了投影算法收敛速度慢、对参数初值灵敏的局限.理论分析和仿真实验结果表明了所提方法的有效性.     

非线性系统的LSSVM联合逆控制器

为获得非线性系统的逆系统,提出一种非线性系统的最小二乘支持向量机联合逆控制器,介绍联合逆控制器和原非线性系统的整体架构,实现对非线性系统的线性化解耦控制,仿真结果表明,使用最小二乘支持向量机的辨识联合逆控制器模型精度高,具有较好的泛化能力,且有一定实际应用价值。     

变惯量负载的调速系统抗扰动速度控制器设计

针对使用永磁同步电机作为执行机构的高精度交流调速系统中存在负载惯量时变、转矩扰动和未建模动态的情况,利用带遗忘因子的递推最小二乘算法(FRLS)在线辨识系统时变参数,通过扩张状态观测器(ESO)观测参数辨识误差和未建模动态等非线性因素,设计一种集 PI 控制器、基于 FRLS 的补偿器、基于 ESO 的补偿器和鲁棒控制器的复合速度控制器,并分析了闭环调速系统的稳定性.仿真结果验证了该复合速度控制器的有效性.     

基于T-S模糊模型的神经网络的系统辨识

基于T-S模糊模型,提出了利用神经网络实现非线性系统的辨识。首先,利用一种无监督的聚类算法分析输入输出数据生成初始的结构模型,确定系统的模糊空间和模糊规则数,构造神经网络辨识模型前提参数,使前提参数自适应变化,有较好的自学习能力和优化能力,采用最小二乘法取得结论参数。仿真结果验证了该方法是有效和可行的。     

限定记忆法辨识带钢热镀锌退火炉模型参数

最小二乘参数估计方法可用于线性的或非线性的系统参数辨识,包括动态的、静态的和参数的或非参数的模型辨识,其递推算法更是收敛可靠,简单实用。但是随着数据的不断增长,最小二乘的递推算法将失去修正能力,出现数据饱和现象,限定记忆最小二乘法解决了这一问题,并能得到无偏、一致、有效估计。以已建立的连续带钢热镀锌退火炉数学模型为实例,用限定记忆最小二乘法辨识连续带钢热镀锌退火炉模型参数。通过对限定记忆最小二乘法的研究,进行模型参数辨识,并给出辨识结果和分析,结果证明了该方法的优越性。     

基于小波网络的非线性系统建模与控制

提出了种基于小波网络的非线性系统的建模和控制方法。使用小波网络对未知控制系统建立一步预测模型,基于Ｄｓａｖｉｄｏｎ最小二乘法得到自适应控制律。小波网络的权值由广义递推最小二乘法来学习,尺度参数和平移参数通过稳定的Ｄａｖｉｄｏｎ最小二乘法来获得。仿真结果表明了该方法的有效性。     

基于最小二乘法的SIMO傅里叶神经网络研究

利用傅里叶级数的原理，构造单输入、多输出(SIMO)傅里叶神经网络，将非线性映射转化成为线性映射，将求解神经网络权值的方法由非线性优化方法转化成为线性优化方法，并采用最小二乘法计算网络的权值，从而大大提高了神经网络的收敛速度并避免了局部极小问题.而且，在训练输出样本受白噪声影响时，最小二乘法具有良好的降低噪声影响的功能．     

Neural network synthesis for thermal processes

Neural networks are relatively new and highly attractive tools for modelling complex systems. The main feature of neural networks is their inherent plasticity which enables them to fit virtually any nonlinear function provided they have a sufficient number of parameters. Neural networks are a general class of nonlinear systems. Neural models can be used advantageously to model the dynamic behaviour of physical processes. In this paper, feedforward neural networks are used for modelling of dynamic thermal processes. The synthesis of neural networks is directly associated with the minimization of an objective function normally defined as the square of the difference between the output of the process being modelled and the output predicted by the network. Learning schemes are used for the evaluation of the connection weights of the feedforward neural network. In this paper, the dynamic modelling of several thermal processes using feedforward neural networks is presented. In one example, the identified neural model of the inverse of the plant is used as a controller.     

基于模糊树模型的自适应直接逆控制

基于模糊树模型, 结合神经网络中的逆向学习和专门化学习, 提出了自适应直接逆控制方法. 首先离线辨识对象的逆模型作为初始的控制器, 然后与对象串联, 用最小均方差 (Least mean square, LMS) 算法在线调节控制器中的线性参数. 本方法辨识得到的逆模型控制器可以减少需要的模糊规则数目, 同时达到较好的跟踪控制效果. 仿真结果表明了方法的有效性.     

基于混沌优化的多模型容错控制方法

为了提高主动容错控制中故障诊断和容错控制律重组重构的快速性和可靠性,在建立了非线性受控对象正常或故障状态的神经网络模型的基础上,采用带有混沌动态量的自适应BP改进算法整定出系统各种运行模式下的控制律,由此建立了模型库;进而以一种隐形的故障诊断机制,通过对系统性能容忍度和模型失配度的在线计算判断系统的工作状态,并从动态模型库中调用与之匹配的控制律,从而达到容错效果.仿真结果表明,混沌机制的引入为提高系统发生故障时在线进行控制律重组重构的实时性和可靠性提供了一条有效途径.     

基于多模型切换的智能主动容错控制方法研究

针对某些具有可能故障先验知识的非线性系统,采用主动容错控制方法,基于神经网络对系统正常及各种先验故障情形建模,并采用基于神经网络的PID控制方法离线整定出各种故障模式下的控制律,由此建立模型库;在系统实时运行时,依据系统性能容忍度指标和模型失配度指标的计算分析,判断系统所处运行模式,切换与该模式匹配的控制律,从而达到系统主动容错控制的目的.最后将所提出的主动容错控制方法应用于某一非线性系统和线性系统,仿真结果表明了方法的有效性.     

基于随机配置网络的非线性系统智能建模方法

针对一类非线性离散动态系统,研究非线性系统的智能建模方法.首先,采用带遗忘因子的递推最小二乘法对低阶模型的未知参数进行辨识;然后,对高阶非线性部分采用随机配置网络进行估计;最后,利用两种辨识方法在外部误差准则下对系统进行交替辨识,进而提出一种改进的非线性系统交替辨识的智能建模方法.将随机配置网络与递推最小二乘算法相结合,可有效提高非线性系统的辨识精度,并且通过数值仿真实验进行对比分析以验证所提出算法的有效性.     

基于神经网络的多变量发酵过程自适应控制

运用非线性系统的线性化方法与神经网络在线辨识技术，提出了一种基于神经网络 的多变量自适应控制策略．提出的控制策略，当过程模型缺乏足够的先验知识时，对多变量 非线性连续发酵过程取得了良好的控制性能．仿真结果表明，提出的自适应控制方法能够适 应过程模型的不确定性和参数的时变性，具有较强的鲁棒性．并且通过对比分析得出，基于 微分几何理论的输入输出线性化解耦控制方案，由于控制器的设计依赖于过程模型，对模型 参数的变化很敏感，应用在发酵过程的非线性控制中，控制精度较低，鲁棒性较差．