半主动悬架自适应模糊神经网络控制的研究

提出了一种半主动悬架系统自适应模糊神经网络控制方法。该方法采用径向基神经网络作为辨识器,模糊神经网络作为控制器,根据辨识器提供的雅可比信息和汽车自身运行状态在线调整控制器参数,以达到自适应减振控制。最后以我国常见的B级路面为激励信号用Matlab进行计算机仿真,并与被动悬架和目前已有的模糊控制方法进行对比,结果证明了该控制方法能够明显地改善舒适性,而且改善的幅度又要明显地优于现有的模糊控制方法。     

自适应反演神经网络控制在并联机器人中的应用

针对未知非线性、外界干扰等各种不确定因素对二自由度冗余并联机器人控制系统的影响,提出了反演自适应神经网络控制方法.RBF神经网络实现了不确定性函数的逼近,自适应反演控制作为主控制器完成并联机器人控制系统的输出.仿真结果表明,自适应反演神经网络控制方法跟踪性能好,系统误差小,具有很强的鲁棒性,能够满足并联机器人的控制要求.仿真实验证实了该控制策略的正确性和有效性.     

汽车发动机振动主动控制试验研究

为实现发动机振动的主动控制,建立了神经网络自适应控制模型.应用XPC目标构建了发动机振动自适应实时主动控制的硬件在环系统并进行了实车试验.分析了系统的控制效果,验证了控制器的跟踪性能.试验表明.应用神经网络自适应主动控制方法可以较好地控制发动机的振动.     

神经网络自适应控制的研究进展及展望

关于人工神经网络与自适应结合的研究，近年来已成为智能控制学科的热点之一。自适应具有强鲁棒性，神经网络则具有自学习功能和良好的容错能力，神经网络自适应控制由于较好地结合了二者的优点而具有强大的优势。本文系统地综述了神经网络自适应控制的进展，讨论了神经网络自适应的主要模型和算法，并就其存在的一些问题、应用与发展趋势进行了探讨。     

基于神经网络的通用模型自适应控制

应用复合正交神经网络来实现过程的自适应逆控制方法,和通用模型控制器策略相结合,提出了一种基于神经网络的通用模型自适应控制方法,将非线性过程模型应用逆系统的方法可以在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性.另一方面,在自适应逆控制中采用复合正交神经网络具有算法简单、学习收敛速度快等优点,可以克服常用的BP和RBF神经网络一些缺点.基于神经网络的通用模型自适应控制方法中的参考轨迹是一条典型的二阶曲线,该控制器参数具有明显的物理意义,参数整定方便.仿真验证了该控制策略的有效性.     

基于T-S模糊神经网络的机械手轨迹跟踪

以两自由度并联机械手为研究对象,提出了一种以T-S模糊神经网络作为反馈器,以粒子群算法优化的BP神经网络学习作为前馈控制器的机械手自适应轨迹跟踪方案。并运用ADAMS软件建立虚拟样机模型与Simulink进行联合仿真实验。仿真结果表明设计的控制方案能够较好地控制机械手的轨迹跟踪。     

柔性和摩擦力不确定条件下RBF神经网络自适应轨迹跟踪方法

提出一种基于径向基神经网络(Radial basis function, RBF)的力/位置混合自适应控制方法并用于机器人轨迹跟踪控制,解决机器人柔性末端执行器轨迹跟踪过程中柔性和摩擦力模型难以精确描述的问题。RBF神经网络是一种高效的前馈式神经网络,具有其他前向网络所不具有的非线性逼近性能和全局最优特性,并且网络结构简单,训练速度快。设计一种基于RBF神经网络非线性逼近能力来估计模型中的不确定参数的自适应控制器,给出控制器中神经网络权值更新规则,并证明所设计控制器输出力和位置误差的最终一致有界性。将该控制器应用于风管清扫机器人仿真试验,结果表明该自适应控制器能很好地用于柔性和摩擦力不确定条件下轨迹跟踪控制,与传统自适应控制方法相比具有更精确的跟踪特性和更强的鲁棒性。     

神经网络自学习PID控制器

针对常规PID的缺点,这里以锅炉为对象,采用神经网络与PID控制相结合的方法,构造一种神经网络自适应PID控制器.利用神经网络自适应控制器的在线调整进行大量的仿真研究,然后在仿真试验的基础上将其应用于实际控制.     

基于神经网络的卷烟共线分拣系统自适应控制

针对目前方法自适应控制卷烟共线系统时,由于未能依据Lyapunov函数确定系统的控制规律,导致在实施系统自适应控制时,存在控制效果差、控制误差高和控制性能低的问题,提出基于神经网络的卷烟共线分拣系统自适应控制方法。首先依据Lyapunov函数确定系统的控制规律,建立对象控制模型并使用前馈神经网络训练模型,优化控制器参数,完成控制器的设计;再利用控制器的参数建立线性和非线性2种自适应控制方法;最后通过制定的切换规则,完成自适应算法的平滑转换,实现系统的自适应控制。实验结果表明,运用该方法控制系统时,控制效果好、控制误差低以及控制性能高。     

混沌光学系统之快速神经网络自适应控制研究

提出一种用于光动力学系统控制之快速神经网络自适应控制技术。该技术以一前向神经网络作为光动力学系统之系统辨识器,由其与光动力学系统之输出差值对系统控制参数进行调整以达到控制目的,由于神经网络系统辨识器在混沌加速BP算法的支持下可从光动力学系统输出时间序列进行快速动力学模型重构,因而此控制技术特别适用于对未知动力学表述的光动力学系统进行快速控制。文中成功地将此神经网络自适应控制技术应用于布喇格声光混沌系统进行的快速控制仿真实验中     

Development of an adaptive radial basis function neural network estimator-based continuous sliding mode control for uncertain nonlinear systems

In this paper an adaptive neural network (NN)-based nonlinear controller is proposed for trajectory tracking of uncertain nonlinear systems. The adopted control algorithm combines a continuous second-order sliding mode control (CSOSMC), the radial basis function neural network (RBFNN) and the adaptive control methodology. First, a second-order sliding mode control scheme (SOSMC), which is published recently in literature for linear uncertain systems, is extended for nonlinear uncertain systems. Second, an adaptive radial basis function neural network estimator-based continuous second order sliding mode control algorithm (CSOSMC-ANNE) is adopted. In CSOSMC-ANNE control methodology, a radial basis function neural network with adaptive parameters is exploited to approximate the unknown system parameters and improve performance against perturbations. Also, the discontinuous switching control of SOSMC is supplanted with a smooth continuous control action to completely eliminate the chattering phenomenon. The convergence and global stability of the closed-loop system are proved using Lyapunov stability method. Numerical computer simulations, with dynamical model of the nonlinear inverted pendulum system, are presented to demonstrate the effectiveness and advantages of the presented control scheme.     

Research on Power Control of Wind Power Generation Based on Neural Network Adaptive

For the characteristics of wind power generation system is multivariable,nonlinear and random,in this paper the neural network PID adaptive control is adopted.The size of pitch angle is adjusted in time to improve the performance of power control.The PID parameters are corrected by the gradient descent method,and Radial Basis Function(RBF)neural network is used as the system identifier in this method.Simulation results show that by using neural network adaptive PID controller the generator power control can inhibit effectively the speed and affect the output power of generator.The dynamic performance and robustness of the controlled system is good,and the performance of wind power system is improved.     

神经网络数据融合在车用传感器中的应用

在阐述了神经网络数据融合优势的基础上,分析了将神经网络数据融合应用于汽车传感器的可能性,并以汽车自适应悬架控制系统为例,建立了其BP神经网络模型,通过实验仿真,验证了该方法的可行性。     

Adaptive nonlinear control using input normalized neural networks

An adaptive feedback linearization technique combined with the neural network is addressed to control uncertain nonlinear systems. The neural network-based adaptive control theory has been widely studied. However, the stability analysis of the closed-loop system with the neural network is rather complicated and difficult to understand, and sometimes unnecessary assumptions are involved. As a result, unnecessary assumptions for stability analysis are avoided by using the neural network with input normalization technique. The ultimate boundedness of the tracking error is simply proved by the Lyapunov stability theory. A new simple update law as an adaptive nonlinear control is derived by the simplification of the input normalized neural network assuming the variation of the uncertain term is sufficiently small.     

Research on Power Control of Wind Power Generation Based on Neural Network Adaptive Control

-For the characteristics of wind power generation system is multivariable,nonlinear and random,in this paper the neural network PID adaptive control is adopted.The size of pitch angle is adjusted in time to improve the performance of power control.The PID parameters are corrected by the gradient descent method,and Radial Basis Functinn(RBF)neural network is used as the system identifier in this method.Simulation results shaw that by using neural adaptive PID controller the generator power control can inhibit effectively the speed and affect the output power of generator.The dynamic performance and robustness of the controlled system is good,and the performance of wind power system is improved.     

基于CMAC网络的主动隔振控制技术

针对主动隔振系统存在非线性,提出一种基于CMAC神经网络控制器的主动控制方法。由于系统的次通道使得控制器参数无法直接利用振动误差信号来调整,提出一种改进的同时扰动自适应算法,并证明该算法在数学期望上是一种随机梯度法。针对系统的非线性情况进行了仿真和试验研究,结果表明:与传统的FXLMS自适应前馈控制方法相比,所提出的方法对于存在非线性的周期性振动的隔振效果明显。     

水下机械臂运动空间分析与轨迹跟踪算法优化

针对水下机械臂动力学模型不确定和未知外界干扰问题,采用基于HJI理论的径向基函数神经网络自适应控制算法对水下机械臂进行控制。首先,以水下六自由度机械臂为例,基于D-H法则对水下机械臂的运动学进行分析,通过仿真验证该方法的正确性;接着,基于蒙特卡洛法构建水下六自由度机械臂的运动空间云图,真实反映水下机械臂的运动空间;然后,以二自由度水下机械臂为例,设计基于HJI理论的RBF神经网络自适应控制器,利用神经网络的万能逼近原理逼近不确定干扰项,考虑到神经网络逼近存在误差,将逼近误差看作外界干扰项并通过HJI理论对逼近误差在线评价,评价系统对干扰项的抑制能力,并采用自适应算法在线估计网络权值,加快系统收敛;最后,通过仿真可知,该机械臂能较好地完成轨迹跟踪。     

基于神经网络的机翼振动主动控制

根据DARMA模型提出了简单易用的神经网络控制方案,该方法采用线性人工神经网络对系统动态特性进行在线辨识,并利用辨识得到的信息,采用BP神经网络对系统进行控制,将该算法应用于飞机机翼振动主动控制数值仿真。仿真结果表明,该方法能减少算法的计算量,压缩计算时间,便于提高系统采样频率,使得自由振动和调频振动的抑制成为可能。     

采摘机械臂的PSO-RBF神经网络自适应控制

针对采摘机械臂系统的不确定性为控制带来的问题,设计一种PSO-RBF神经网络自适应控制方法.该方法使用径向基函数神经网络来逼近并补偿系统模型误差,用粒子群优化算法来优化RBF的权值参数,确保PSO-RBF控制性能更好.MATLAB仿真结果表明:与RBF神经网络控制相比,PSO-RBF神经网络控制精度和性能更好.