基于ANN逆模型补偿的复合控制系统仿真

为对复杂非线性系统进行辨识建模和实施有效控制,分析了基于神经网络的非线性系统逆模型的辨识和控制原理,研究了基于神经网络的非线性系统逆模型补偿的复合控制方法。基于复合控制思想,时常规PID控制器＋前馈神经网络逆模型补偿的复合控制结构方案进行了仿真。仿真结果表明,基于神经网络的非线性系统逆模型补偿的复合控制结构方案是有效的、相对简单的网络结构,可提高逆模型的泛化能力和非线性系统的控制精度。     

输入补偿神经网络模型研究

将误差反馈原理引入神经网络的训练和使用，从而提出一种带输入补偿的多层前馈网络模型，将该模型用于非线性系统建模时，能有效消除模型的固有误差，补偿模型工作时出现的动态误差，提高建模精度，给出了新网络模型的结构、学习算法及工作方式，最后通过仿真试验证明了新模型在系统建模中的有效性。     

基于ANN的动态系统状态方程辨识建模仿真

对系统辨识原理、基于神经网络（ANN）的动态系统辨识进行了分析,针对动态系统辨识模型描述的复杂性,为简化ANN辨识建模的输入／输出关系的表达,提高算法的简洁性,采用了状态方程辨识模型,并给出了基于ANN的动态系统状态方程辨识模型。为比较分析不同网络结构的辨识建模效果及网络模型泛化能力,针对三种不同网络结构方案进行了辨识建模仿真研究。仿真结果最示,基于ANN的动态系统状态方程模型的辨识建模是有效的,并且简单合理的网络结构方案,可提高网络辨识模型的泛化能力。     

一种鲁棒BP算法及其在非线性动态系统辨识中的应用

利用多层前馈神经网络的非线性建模特性，基于动态ＢＰ网络的串并联和并联模型，提出了一种高鲁棒性ＢＰ算法，与传统的ＢＰ算法相比，鲁棒ＢＰ算法有５个优点：（１）适合于非线性动态系统辨识，（２）辨识精度高；（３）不必内插所有训练样本；（４）具有高鲁棒性，能抵制过失误差和量测误差；（５）收敛速度得到了改进，因为错误差样本的影响得到了适度的抑制，把该算法用于非线性动态系统辨识，仿真结果表明此方法是有效的。     

基于模糊分类的模糊神经网络辨识方法及应用

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)，给出了网络的连接结构和学习算法。基于竞争学习算法的模糊分类器确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。利用卡尔曼滤波算法在线辨识删的后件参数。AFNN结构简洁，逼近能力强，能够显著提高辨识精度，并且在线辨识的模糊模型简单有效。将该AFNN用于非线性系统的模糊辨识和化工过程连续搅拌反应器(CSTR)的建模中，仿真结果验证了该方法的有效性，表明该网络能够实现复杂非线性系统的建模，而且建模精度高、收敛速度快。可当作复杂系统建模的一种有效手段。     

用神经网络建立非线性系统模型研究

本文针对多层网络结构，运用递推预报误差（ＲＰＥ）算法对离散非线性系统进行辨识研究，作为应用实例，本文对一个工业实际进行了神经网络动态建模，研究结果表明，神经网络方法是用于带有非线性特性工业过程建模的有效方法。     

具有动态补偿能力的神经网络模型及其在动态系统建模中的应用

本文在多层前馈神经网络模型基础上，引入误差动态反馈环节，从而形成一种新的具有动态补偿能力的神经网络模型。新模型的训练利用反向传播原理实现。采用该模型对非线性动态系统进行建模时，能显著提高建模精度，特别是在网络模型工作时，对新出现的输出误差具有动态补偿能力，文中给出了新网络模型的结构和学习算法，最后是仿真实例。     

污水处理过程的递阶神经网络建模

针对污水处理过程的多变量和多非线性子系统的串级结构特点, 提出了一种基于活性污泥过程机理的递 阶神经网络建模方法.该方法将神经网络与过程机理模型以串级方式连接, 以神经网络辨识活性污泥过程模型中的非线性组分反应速率. 分析各子过程建模误差的关系, 给出了模型的稳定学习算法和稳定性理论分析. 最后通过某污水处理厂生化脱氮过程实际运行数据的实验表明所提出的建模方法是有效的.     

自适应模糊神经网络控制器设计的线性化方法

基于Ｔ－Ｓ模糊推理系统模型构造一个简化形式的Ｆｕｚｚｙ神经网络（ＦＮＮ），应用Ｓｔｏｎｅ－Ｗｅｉｅｒｓｔｒａｓｓ逼近定理证明了这种ＦＮＮ网络对非线性连续函数的全局逼近性质，并利用Ｃｌａｒｋｅ一步加权最优预报控制性能指标及前向ＦＮＮ网络辨识器模型的线性化思想，提出一种间接Ｆｕｚｚｙ神经网络自适应控制算法，仿真结果证实了该算法的有效性。     

改进的UKF在惯导平台误差模型辨识中的应用

为减小建模误差,建立了基于直接法进行惯导平台误差模型辨识的非线性模型.Unscented Kalman滤波(UKF)是一种新的非线性滤波算法,为此将其引入惯导平台的误差模型辨识中.针对系统模型的特点,对标准UKF算法进行了简化改进.改进的UKF算法计算量小、结构简单,滤波精度与标准UKF一致.同时应用扩展Kalman滤波(EKF)算法和改进的UKF算法进行了惯导平台误差模型辨识仿真研究.仿真结果表明,与EKF算法相比,改进的UKF算法的滤波精度显著提高.     

Fuzzy neural network with general parameter adaptation for modelingof nonlinear time-series

By taking advantage of fuzzy systems and neural networks, a fuzzy-neural network with a general parameter (GP) learning algorithm and heuristic model structure determination is proposed in this paper. Our network model is based on the Gaussian radial basis function network (RBFN). We use the flexible GP approach both for initializing the off-line training algorithm and fine-tuning the nonlinear model efficiently in online operation. A modification of the robust unbiasedness criterion using distorter (UCD) is utilized for selecting the structural parameters of this adaptive model. The UCD approach provides the desired modeling accuracy and avoids the risk of over-fitting. In order to illustrate the operation of the proposed modeling scheme, it is experimentally applied to a fault detection application.     

具有双储层结构的动态误差补偿回声状态网络

针对传统回声状态网络难以有效应对高阶非线性复杂模型问题,本文在理论分析的基础上提出了一种双储层结构的误差补偿回声状态网络,并设计了该网络的学习算法.该网络由计算层和补偿层构成,计算层主要承担拟合任务,补偿层则作为状态跟随器,实时补偿由于计算层对期望方差估计不足而导致的幅值偏差.对多阶振荡器和真实高阶非线性数据集的实验结果表明,本文所提网络结构较常规网络具有更高的稳定性和泛化性能,尤其对高阶非线性复杂模型的预测精度大幅度提升.     

Adaptive Chattering Free Neural Network Based Sliding Mode Control for Trajectory Tracking of Redundant Parallel Manipulators

In this paper, an adaptive chattering free neural network‐based sliding mode control (ACFN‐SMC) method is proposed for tracking trajectories of redundant parallel manipulators. ACFN‐SMC combines adaptive chattering free radial basis function neural networks (RBFN), sliding mode control with online updating the robust term parameters, and a nonlinear compensation item for reducing tracking errors. The stability of the closed‐loop system with modeling uncertainties, frictional uncertainties, and external disturbances is ensured by using the Lyapunov method. The proposed controller has a simple structure and little computation time while securing dynamic performance with expected quality in tracking trajectories of redundant parallel manipulators. In addition, the ACFN‐SMC strategy does not need to know the upper bound of any uncertainties. From the simulation results, it is evident that the proposed control strategy not only has significantly higher robustness capability for uncertainties but also can achieve better chattering elimination when compared with those using existing intelligent control schemes.     

基于非线性Volterra信道的复数神经多项式盲均衡算法

针对传统常模算法收敛速度慢、均方误差大以及传统神经网络参数多、复杂度高的问题,提出了基于非线性Volterra信道的复数神经多项式盲均衡算法(Fuzzy neural network-complex valued neural polynomial-constant modulus algorithm,FNN -CNP-CMA）。该算法包含单层神经网络和非线性处理器的复数神经多项式,模块结构简单、复杂度低。由模糊神经网络(Fuzzy neural network, FNN）设计的模糊规则控制器能有效提高步长的控制精度。仿真实验结果表明,该算法系统结构简单、复杂度低、收敛速度快且稳态误差小,较好地解决了收敛速度与均方误差之间存在的矛盾。     

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。     

应用前馈神经网络的大柔性机翼阵风响应分析

大柔性飞行器因结构重量低、柔性大使得机翼等部件在受载时产生较大的弹性变形,呈现显著的几何非线性效应,因此准确的结构大变形建模方法对于几何非线性气动弹性分析至关重要,而神经网络对非线性系统具有强大的拟合能力,可通过将神经网络应用于非线性结构建模,构造适用于结构大变形的前馈神经网络预测模型,在样本特征和数据结构相对较优的条件下结合曲面涡格法,搭建非线性气动弹性分析框架,对某机翼模型进行阵风响应计算;结果表明神经网络模型能准确预测大柔性机翼结构大变形,应用到气动弹性分析后能进行准确的阵风响应计算,验证了将神经网络应用到结构大变形预测的可行性,为以后机器学习技术与气动弹性分析结合的研究提供思路和方法。     

基于PSO算法的WNN大包线增益调参控制律设计

提出了一种基于粒子群优化算法的小波神经网络大包线调参控制律设计方法.该方法用小波函数代替了Sigmoid函数作为激活函数.由于结合了小波变换良好的高频域时间精度、低频域频率精度的性质和神经网络的自学习功能,因而具有较强逼近非线性函数的能力.为了克服局部极小值问题并进一步提高对非线性函数逼近能力,利用粒子群优化算法对小波神经网络进行参数训练,并利用该网络实现了大包线增益调参.飞行仿真结果表明,所设计的小波神经网络增益调参控制器具有优良的控制性能,不仅能够保证平衡状态下的控制效果,而且在未训练的平衡状态下依然具有良好的控制性能,并且在存在20%的建模误差时,最大超调量仅为6 m,仅是使用常规增益调参方法的18%.     

质子交换膜燃料电池的神经网络建模与控制

该文从设计质子交换膜燃料电池（PEMFC）控制方案的角度出发,首先提出了采用Elman动态神经网络对PEMFC系统进行建模的新方法,以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络,并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度;Elman神经网络辨识可使辨识过程简化并提高了辨识精度。然后在此基础上设计了自适应模糊神经网络控制器。最后的仿真实验以Elman神经网络模型为参考模型,使用自适应神经网络控制算法控制PEMFC的工作温度,取得了较好的控制效果。结果显示所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

Direct adaptive controller for nonaffine nonlinear systems using self-structuring neural networks

A direct adaptive state-feedback controller is proposed for highly nonlinear systems. We consider uncertain or ill-defined nonaffine nonlinear systems and employ a neural network (NN) with flexible structure, i.e., an online variation of the number of neurons. The NN approximates and adaptively cancels an unknown plant nonlinearity. A control law and adaptive laws for the weights in the hidden layer and output layer of the NN are established so that the whole closed-loop system is stable in the sense of Lyapunov. Moreover, the tracking error is guaranteed to be uniformly asymptotically stable (UAS) rather than uniformly ultimately bounded (UUB) with the aid of an additional robustifying control term. The proposed control algorithm is relatively simple and requires no restrictive conditions on the design constants for the stability. The efficiency of the proposed scheme is shown through the simulation of a simple nonaffine nonlinear system.     

机械臂的CONN控制与CMAC控制的比较研究

由于正交神经网络算法简单，学习收敛速度快，具有线性、非线性逼近精度高等优异特性，取得了较好的应用效果，但在机器人动态建模与实时控制问题上研究较少。为此在机械臂的神经网络控制中，该文提出复合正交神经网络(CONN)与PID并行控制方法，并对小脑模型(CMAC)与PID并行控制作一比较研究。仿真结果表明，当阶跃输入与正弦输入时CONN与CMAC实现的前馈控制具有相同的控制效果，但CONN算法比CMAC算法更简单，这充分地体现了复合正交神经网络的特点。