非线性系统的多神经网络自学习控制

本文提出了一种未知非线性动力学系统的多网络自学习控制方法。通过对系统的神经元网络辨识器和神经元网络控制器的有机结合，发展了基于逆动力学辨识器的控制网络广义Ｄｅｌｔａ学习规则，从而使得整个控制系统具有很强的自、自学习能力。文中最后通过对系统进行的仿真研究证实了这种控制结构的有效性，仿真例子说明经过１００个周期学习后，其系统的跟踪误差控制在１％以内。     

平面交叉路口的神经网络自学习控制方案

针对城市道路平面交叉路口的交通信号控制,构造了一种具有实时学习功能的神经 网络智能信号控制方案．方案中的信号控制器由底层的两个神经网络和顶层的评价准则组成 ．两个神经网络总是交替处于学习和工作状态,评价准则则根据路口的车流情况确定是否需 要对神经网络进行训练．仿真实验结果表明,该控制方案能很好地适应路口的实际交通状况 ,从而达到有效提高路口通行能力的目的．     

基于高斯基神经网络的自学习控制及应用*

本文提出一类基于高斯基神经网络的自学习控制器，该控制器由两个ＧＰＦＮ网络组成，一个完成ＰＩＤ学习控制，另一个完成未知被控对象模型的建模，为加快网络的学习过程，文中提出了递归最小二乘法（ＲＬＳ）用于神经网络的学习，并分析研究了自学习控制系统的收敛性和稳定性，仿真和实验结果表明，这类智能控制是成功的。     

基于不同建模周期的非自衡预测控制研究

对各通道特性差异比较大的多变量非自衡系统，传统的预测控制难以适用。为解决型为预测控制在这种特殊系统中的应用问题，在研究一般预测控制算法和多变量非自衡系统的基础之上，提出了基于不同建模周期的多变量非自衡预测控制算法，并通过对具有这种特性的环境试验设备温度湿度控制系统进行仿真实验，其结果证实了此算法的有效性和实用性。     

神经网络异步自学习控制系统

基于异步自学习控制方法,利用前馈网络对学习动态特性建模,从而将两者结合起来,既避免了前者对重复性的苛求,又避免了神经网络控制方法通常存在的分析与实时控制的困难.文中证明了整个系统的稳定性,并以机械手为例进行了仿真.     

基于并行自学习的神经网络内模控制及其应用研究

基于在线并行自学习的神经网络内模控制,该方法是借助于神经网络对复杂系统的辩识能力对被控对象进行正模型及逆模型的辩识,用NNM辩识对象的正模型,通过一个并行自学习系统训练的NNC辩识对象的逆模型,然后用做内模控制器去控制对象。将该种控制策略应用于火电厂热工对象中具有大迟延、大惯性和时变等特性的主汽温对象,仿真研究表明,该控制方案适应对象参数的变化并表现出良好的控制特性,具有较强的鲁棒性和自适应能力。在实际应用中具有一定的实用价值。     

基于时变神经网络的非线性时变系统建模

提出时变神经网络模型,用以逼近未知非线性时变映射,实现非线性时变系统建模.将时变神经网络的权值学习作为时变系统的时变参数估计问题,并基于迭代学习机制,给出在同一时刻沿迭代轴训练网络权值的迭代学习最小二乘算法.理论上证明了该算法的全局收敛性.给出的数值算例表明所提算法在非线性时变系统建模方面的有效性.     

基于神经网络机械臂自适应控制的研究与实现

提出了一种基于神经网络的机械臂自适应控制方法,该方法主要利用DIRECT模型,采用八叉树算法构建基于空间的神经网络,避免建立复杂的机械臂运动学模型,通过随机映射的方法建立机械臂与运动空间的关系,实现了自适应轨迹规划.仿真实验结果表明,所提出的机械臂自适应控制方法更容易实现.     

采用自适应自回归小波神经网络的单步预测控制

针对非线性系统的控制问题,提出一种基于神经网络辨识的单步预测控制算法。算法在自回归小波神经网络的基础上,利用混沌机制消除了神经网络易陷入局部极值的缺点．采用自适应性学习率,提高神经网络的收敛能力和速度．以该神经网络为预测模型,引入输出反馈和偏差校正克服预测误差,以此构造一步加权预测控制性能指标。然后采用Brent一维搜索方法求取控制律,Brent法无需任何相关的导数信息,需调整的参数少,使得Brent法适合实时控制．仿真研究说明了该非线性预测控制器的有效性。     

多变量强耦合时变系统的PID神经网络控制

介绍了一种新的神经网络———PID神经网络及其多变量强耦合时变控制系统。文中给出了网络的结构和算法,分析了时变对象的特点,对一组二变量强耦合时变系统进行了实时仿真。仿真结果显示:PID神经网络对多变量强耦合时变对象具有良好的解耦性能和自学习控制特性。     

基于广义投影神经网络优化的模型预测控制*

为降低模型预测控制优化问题的计算复杂度,以时滞系统的模型预测控制问题作为研究对象,利用神经网络动态平衡点与优化问题解相对应的特点,提出一种基于广义投影神经网络的模型预测控制优化算法。首先,将模型预测控制优化问题描述为一个带约束的二次规划问题,进一步,通过广义投影神经网络模型进行在线优化。该方法充分发挥了神经网络并行、结构简单的优点,通过具体实例仿真,验证了本文算法的有效性与优越性。     

基于小波和神经网络相结合的股票价格模型

针对股票价格构成的时间序列具有随机性与偶然性,传统的单一模型很难满足建模要求的问题,提出一种基于小波和神经网络相结合的股票预测模型.将股票价格进行小波分解成尺度不同的分层数据,分别利用Elman神经网络预测各层数据,将各层的预测结果使用BP神经网络合成最终预测结果.通过实际的股票价格对该模型进行验证,结果表明,该组合模型具有较高的预测效果,可以提高股票价格预测的准确率.     

基于RBF神经网络的余氯浓度预测模型研究

余氯浓度是衡量供水管网水质的一个重要指标,采用混沌理论、模型校正等传统方法不能准确反映余氯浓度变化规律。根据RBF神经网络快速收敛和全局优化的特点,基于时间序列法,建立RBF神经网络余氯浓度预测模型。采用Matlab中的Newrbe函数进行函数逼近,结合某管网水质模拟控制系统提供的样本数据进行仿真计算,最终获得的余氯浓度预测值和实测值十分吻合。结果表明:RBF神经网络预测模型具有一定的工程实用价值。     

加热电流综合神经网络预报模型在线控制实现

在电热镦粗过程中,离线、在线两套网络同时运行。离线网络将神经网络与数学模型相结合,用来对样本数据进行训练、测试,存储最优的知识参数,并建立加热电流的高精度预报模型。在线网络是根据传感器实时采集的镦粗缸速度、砧子速度、镦粗压力,按照知识库中的网络知识参数预报出加热电流,较好地实现了在线跟踪控制。     

Event-based intelligent control of saturated chemical plant using an endomorphic neural network model

An event-based control system with an endomorphic neural network model is designed and realized to control a saturated non-linear plant. The scheme employed in this system is based on an event-based control paradigm previously proposed to control monotonic plants. However, this scheme is different from the previous one in that it can be used to control plants with saturation property. This new scheme may be viewed as a combined method of a time-based diagnosis mechanism in an event-based control system and a state-based control mechanism in a neural network control system. A chemical plant having strong non-linearity and complicated dynamics is controlled using this realized event-based control system. This paper discusses the structure of an event-based controller, the neural network modelling methodology, some related problems, and the simulation results.     

基于局部模型逼近的一种绳牵引并联机器人自适应径向基神经网络控制

为了保证风洞试验绳牵引并联机器人(WTT–WDPR)末端执行器的位姿,提出了一种基于局部模型逼近的自适应径向基(RBF)神经网络控制.采用牛顿–欧拉法建立了飞机模型的动力学方程,并基于动态力矩平衡方程建立了驱动系统的动力学方程.采用RBF神经网络进行了局部模型的逼近设计和控制律设计,并通过构建Lyapunov函数对系统...     

基于PNN和IGS的铅锌烧结块成分智能集成预测模型

针对复杂的烧结块成分预测问题, 提出一种基于过程神经网络和改进灰色系统的铅锌烧结块成分智能集成预测模型. 首先利用过程神经网络可充分表达时间序列中时间累积效应、灰色系统可弱化数据序列波动性的特点, 分别对烧结块成分进行预测, 然后从信息论的观点出发, 提出一种确定各预测模型加权系数的熵值递推算法, 通过对两个预测模型的预测结果进行加权集成, 获得更加准确的铅锌烧结块成分预测结果. 结果表明, 智能集成模型的预测精度高于单一预测模型, 能有效地对烧结块成分进行预测, 满足了配料计算对预测精度和数据完备性的