基于BP神经网络算法的结构振动模态模糊控制

为了更合理、方便地控制土木工程结构地震动力反应,提出基于反向传播(back propagation, BP)神经网络的结构振动模态模糊控制算法。以结构地震动力反应数据训练神经网络建立结构分析模型,以时域模态坐标作为被控变量,实现系统降阶,使建立模态模糊控制规则所需要的模糊推理数量处于可接受范围内,并以体系能量最小作为控制目标制定控制规则。建立结构动力反应模糊控制数值模型,根据计算地震动力反应评价所提出算法的减震效果。结果表明:经过训练的BP神经网络可以准确地预测结构的地震动力反应,并可以据此建立模糊控制规则。仅对结构第一阶振型采用模态模糊控制就能达到满意的减震效果。采用主动质量驱动(active mass driver, AMD)最优控制力幅作为各楼层控制力的论域时,模态模糊控制减震效果与其存在差距;增大控制力的论域,可以得到更好的减震效果。     

基于神经网络实现模糊控制的方法

介绍了一般模糊控制器的结构和主要组成部分的工作原理，介绍了实现模糊控制的查表法，硬件表用模糊控制器和软件模糊推理法的特点。     

基于前馈多层神经网络的振动模态参数计算

提出了用于振动模态分析的BP神经网络模型,设计了适用于此类问题的神经网络拓扑结构,在此基础上得到了一种振动模态参数的计算方法.这种策略利用了误差反向传输法的特点.此方法被用于一个具体的振动系统,得到了满意的结果.通过对一个实际振动系统的仿真考察了相关神经网络结构的收敛性能及计算效果,结果令人满意.     

基于前馈多层神经网络的振动模态参数计算

提出了用于振动模态分析的BP神经网络模型,设计了适用于此类问题的神经网络拓扑结构,在此基础上得到了一种振动模态参数的计算方法。这种策略利用了误差反向传输法的特点。此方法被用于一个具体的振动系统,得到了满意的结果。通过对一个实际振动系统的仿真考察了相关神经网络结构的收敛性能及计算效果,结果令人满意。     

基于递归神经网络的减震结构模糊控制研究

根据神经-模糊控制理论和减震结构混合控制理论,利用基于弹塑性时程分析自动提取减震结构模糊控制规则的方法获取原始训练样本,能考虑不同地震动特性的影响.应用带偏差单元的递归神经网络(RN-NWBU)形成减震结构模糊控制规则的关系生成方法和推理合成算法,能够实现神经网络驱动的混合控制结构体系模糊推理,从而能实现神经-模糊控制器的设计,应用装设有神经-模糊控制器的系统能够在线控制结构地震反应.通过半主动调谐质量阻尼器(SATMD)与消能减震相结合的混合控制结构体系的数值仿真分析,可看出本文方法能有效地在线控制结构地震反应.本文对推动结构控制理论的发展具有重要意义.     

用BP算法实现模糊控制规则的自校正

利用ＢＰ算法对模糊神经网络（ＦＮＮ）所能执地的控制规则进行自校正,使应用到工业过程的模糊控制器的性能得到改进。仿真结果表明,用改进后的方法设计的模糊控制器能够显著地减小系统的稳态误差,具有比较快的响应速度和较强的鲁棒性。     

基于神经网络的自学习模糊控制

将神经网络与模糊控制相结合，提出了一种基于神经网络实现自学习模糊控制的方法，并给出了神经网络训练、控制器离线自学习、控制器在线自学习的相应算法，利用该方法，可以实现控制器的离线自学习和在线自学习，从而在控制对象发生变化时，通过控制器自学习改善系统的控制性能，仿真结果表明了该方法的有效性。     

基于模态频率和神经网络的结构损伤检测

把结构损伤识别问题分为损伤辨识、损伤定位、损伤程度标定三个子模块，对每个子模块用模态参数构造对损伤敏感的标识量，并作为特征参数输入到神经网络中实现损伤识别。将优化的BP网络和频率相结合成功地实现了矩形梁的损伤检测，为结构健康监测研究提出一条新的技术途径。     

连续梁横向振动模态分析

本文分析了连续梁横向振动主模态的解,采用按固有频率变化的集中力代替连续梁的中间支承,且在集中力作用处的变形满足原约束的要求,则该单跨梁作受迫振动时的频率,振型即为主模态.     

基于神经网络的模糊控制规则校正方法研究

对由模糊控制器构成的集散控制系统，现场模糊控制器的控制规则的校正是一个关键问题。若使其自身具有自校正功能，对于基于数字单片机开发的模糊控制器来说，采用神经网络的构成在线自校正方式，存在一定的困难。为了提高控制器的性能，规则校正又是必需的，为此，本文提出了一种由监控机对每台现场控制器进行分时校正规则的方法，该方法是”半在线式”校正。     

基于BP神经网络的模糊PID风量控制

针对煤矿主风机通风系统多变量、非线性、时变滞后性等问题,提出一种基于BP神经网络的模糊PID算法。该算法综合神经网络、模糊控制与PID调节的各自优点,既具有神经网络的自学习和自适应能力,又具有模糊控制的非线性控制作用,同时兼备PID调节的广泛性。仿真结果表明,该算法的响应速度、稳态精度均优于传统的PID调节,取得比较理想的控制效果。     

基于神经网络的视觉机器人模糊控制

设计人工神经网络(ANN)替代机器人的图像雅克比矩阵,基于ANN和视觉机器人构成的增广被控对象设计了模糊控制器,组成了基于神经网络和模糊逻辑的机器人视觉伺服控制系统,给出了实验结果.实验表明,该方法简捷、易行、有效.     

基于神经网络干扰观测器的Terminal滑模控制

针对一类非线性不确定系统,通过构建动态干扰观测器系统,提出一种快速神经网络干扰观测器。根据干扰观测误差在线调节神经网络权值,实现对未知综合干扰的逼近,逼近误差一致最终有界。基于神经网络干扰观测器设计了自适应Terminal滑模控制方案,严格证明了闭环系统状态在有限时间内收敛到零,从而提高了状态的收敛速度。最后,通过一个倒立摆的仿真例子,验证了系统的快速性和神经网络干扰观测器的逼近能力。     

Fuzzy optimization neural network model based on LM algorithm

A new fuzzy optimization neural network model is proposed based on the Levenberg-Marquardt (LM) algorithm on account of the disadvantages of slow convergence of traditional fuzzy optimization neural network model. In this new model,the gradient descent algorithm is replaced by the LM algorithm to obtain the minimum of output errors during network training,which changes the weights adjusting equations of the network and increases the training speed. Moreover,to avoid the results yielding to local minimum,the transfer function is also revised to sigmoid function. A case study is utilized to validate this new model,and the results reveal that the new model fast training speed and better forecasting capability.     

模糊神经网络及其在智能控制中的应用

本介绍了一门新兴学科——模糊神经网络，给出了其在智能控制中的几种应用，指出了今后研究中有待解决的许多问题，并对模糊神经网络将来的发展与应用作了展望。     

基于自适应神经网络滑模观测器的容错控制

针对机电伺服系统可能发生的故障,提出基于自适应神经网络滑模观测器的快速终端滑模容错控制策略.在自适应滑模观测器中引入神经网络估计故障,以提高故障发生时观测器的状态估计精度和故障检测准确性.利用观测器的状态估计值进行状态重构,结合参数自适应技术和快速终端滑模控制方法设计主动容错控制器.针对参数不确定性设计参数自适应率进行估计,并利用前馈补偿技术补偿故障和参数不确定性.针对未知上界的扰动设计具有自适应增益的鲁棒项.利用Lyapunov定理证明所提出的控制方法可以实现系统有界稳定,大量仿真和实验结果验证了控制器在系统发生故障时具有良好的容错能力、控制精度和响应速度.     

基于神经网络的鲁棒自适应滑模迭代学习控制

对一类不确定非线性系统，包括不确定性机器人，提出一种自适应鲁棒迭代学习控制方案，学习控制用于学习周期性的系统不确定性，自适应滑模控制用于抑制非周期性系统不确定性，并且利用RBF神经网络自适应学习系统不确定性的未知上界，对不确定性系统动态和有界输入拢动具有鲁棒性，通过Lyapunov直接方法，确保了对每次迭代闭环系统是一致有界的，并且沿着迭代次数的增加，跟踪误差渐近收敛于零，仿真结果表明了该方案的有效性。     

神经网络-标称系统混合模型的离散变结构控制

提出将神经网络和标称系统混合建模方法引入到柔性结构主动控制当中，在混合模型的基础上，利用离散变结构控制（VSC）对柔性结构振动进行控制．离散变结构控制的滑模面是以标称系统为基础，由最优化二次型价值函数确定，并通过黎卡提方程求解．利用标称模型和神经网络混合建模方法来减小系统的不确定性，达到减弱变结构控制在实际控制系统中的抖动问题．神经网络采用多层前馈网络（MFNN），来对不确定部分进行建模．仿真结果表明系统振动受到了有效的控制，说明提出的神经网络变结构控制（NNVSC）方法非常有效。