基于小波神经网络辨识器的模糊神经自适应控制在VAV空调系统中的应用

针对空调温度控制的大惯性、大滞后、非线性等特点,提出采用基于小波神经网络辨识器的模糊神经自适应控制的中央空调房间温度控制器的设计方案。由于小波神经网络的非线性映射能力比一般神经网络要强,所以基于小波神经网络的辨识器可以获得很高的辨识精度。而且,模糊神经自适应控制器随着系统动态特性的改变可以在线改变其控制规则,从而进行客观准确的控制。与普通模糊控制方法相比较,仿真试验说明系统设计的有效性。     

六自由度运动平台控制系统的神经网络优化

阐述了六自由度运动平台的控制原理，并根据控制系统的特点，提出采用基于RBF和BP神经网络来改进常规PID控制器实现系统控制性能。在该控制系统结构中，提出了在RBF网络辨识Jacobian的基础上，将BP神经网络引入了平台控制系统中PID控制器的控制参数在线整定的算法，最后给出了在MATLAB下的具体仿真算法。     

基于神经网络的悬臂梁在线辨识与振动主动控制

针对压电悬臂梁结构进行了基于神经网络在线辨识的振动主动控制研究。设计了基于NARMA-L2神经网络模型的在线辨识器和振动主动控制器,分析了神经网络各层的输入输出结构,建立了神经网络权值和阈值调整公式。在此基础之上,进行了外扰激励为单频和扫频信号时系统的在线辨识和振动主动控制实验,结果表明：该控制系统对悬臂梁的振动响应有较好的抑制作用和较强的鲁棒性。     

船舶发电机组转速神经网络模型参考自适应控制研究

将基于神经网络的模型参考自适应控制（NNMRAC）作为控制策略用于研究船舶发电机组的时变与非线性转速控制,以提高控制质量。研究中建立了船舶发电机组二阶传递函数模型,模型参考自适应控制的神经网络辨识器与控制器均采用多层前馈拓扑结构,网络训练采用量化共轭梯度反向传播优化学习算法。学习完成的神经网络模型参考自适应控制器与PID控制器并行作用于船舶发电机组,仿真数据表明船舶发电机组转速控制系统的调速快速性得到了提高、灵敏度得到了改善。     

基于神经网络优化的交流自抗扰伺服系统控制

目的 为了解决传统交流永磁同步电机伺服自抗扰控制系统中外界扰动、非线性特性和本身自抗扰控制中参数较多且整定难的问题.方法 利用小波神经网络对自抗扰控制中的扩张状态观测器的误差校正系数进行在线整定,设计出基于小波神经网络优化的自抗扰控制器及相关的控制系统,以实现对整体控制系统的性能优化,并通过在Matlab/SIMULINK仿真实验与传统PID伺服控制系统和未进行优化的交流自抗扰伺服系统进行对比验证.结果 仿真结果表明,基于小波神经网络优化的交流永磁同步电机伺服自抗扰控制系统对目标位置动态响应快、稳态误差小、抗干扰能力强,稳态时转矩脉动小.结论 与常规未优化自抗扰伺服系统和传统PID伺服系统相比,基于小波神经网络优化后的自抗扰伺服系统,能有效地提高伺服系统控制性能和鲁棒性.     

基于神经网络的机器人模型参考自适应控制的研究

提出一种新的基于神经网络的机器人模型参考自适应控制方法,采用动态对角回归神经网络作为辨识器和控制器,实现了机器人轨迹跟踪的最小误差控制,给出了神经网络的学习算法,通过实例仿真证明了控制方法应用于未知模型机器人系统的正确性和有效性。     

基于神经网络的弹性对象的动态压力控制

基于神经网络的弹性对象压力控制方法,研究出动态递归神经网络间接自适应控制器的结构和数学模型,利用实验数据离线设计了神经网络辨识器与神经网络控制器,并应用到出口自行车手闸和脚闸性能测试的静负荷实现的控制中.实用结果证明了该方法的有效性.     

数控机床高速无轴承异步电动机悬浮子系统RBFNN逆独立解耦控制

为了实现对数控机床用高速无轴承异步电动机(Bearingless Induction Motor,BIM)动态解耦控制以实现降低悬浮电主轴抖动,提出了一种基于径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的悬浮子系统自适应独立控制方法。首先,基于RBFNN构建了气隙磁链观测器,因为RBFNN具有较强的自学习和自适应能力,所以辨识的气隙磁链较为精确;其次,基于Hamilton-Jacobi-Isaacs(HJI)原理设计RBFNN逆系统鲁棒控制器,应用基于HJI不等式的RBFNN辨识系统模型不确定和外界干扰,提高系统的稳定性,悬浮子系统动态独立解耦控制得以实现;最后,将磁链辨识器和逆系统鲁棒控制器组成双RBFNN悬浮子系统逆独立控制系统。仿真和实验结果表明,采用该控制方法 BIM系统能获得良好的动、静态性能。     

模糊神经网络在高层建筑横风向振动控制中的应用研究

提出了模糊神经网络方法控制高层建筑横风向风振反应。通过观测部分楼层加速度和控制力输出，建立了模糊神经网络控制器，解决了传统控制中有限的传感器数目对系统振动状态估计的困难．利用模糊神经网络控制器预测结构的控制行为，消除了闭环控制系统中存在的时滞。利用模糊神经网络控制器的自学习能力来确定模糊规则和语言变量隶属函数，解决了土木工程复杂结构模糊控制中，难于依据专家的主观经验来确定模糊控制规则和语言变量隶属函数等困难。模糊神经网络方法的优势在于算法自身的鲁棒性，处理结构非线性、参数不确定性及时变等问题的能力。通过对基准建筑的刚度不确定性分析，讨论了模糊神经网络控制器的鲁棒性。仿真分析表明，模糊神经网络控制策略能有效地抑制高层建筑的横风向风振反应，控制效果略优于LQG控制，而拥有LQG控制不具备的诸多优点。     

未知非线性系统的神经网络建模与控制仿真研究

针对一类未知非线性系统的建模与控制问题，采用基于神经网络的多步预测控制算法进行了仿真研究，仿真对象选取控制工程界常用的单摆试验装置．该算法的实现步骤为：获取系统开环试验数据；辨识神经网络正向动态模型；设计非线性优化控制律．仿真研究结果表明，所提出的建模与控制方法是有效的．     

集成小波神经网络在故障诊断中的应用研究

以非线性Morlet小波基作为激励函数,形成神经元,结合小波变换与神经网络各自的优点,建立集小波分析与神经网络于一体的紧致型小波神经网络,并给出了具体的算法。基于信息融合技术的思想,从设备故障诊断的实际出发,建立了基于信息融合技术的集成小波神经网络故障诊断系统,即通过故障特征信息的有效组合,用各种子小波神经网络从不同侧面对设备故障进行初步诊断,然后对诊断结果进行决策融合。给出了系统的实现策略和子网络的组建原则。从诊断实例中可以看出,此诊断系统充分利用各种特征信息,可以有效的提高确诊率。     

采用小波与神经网络的高效图像数据压缩方案

通过构造特别的映射、整函数和BP神经网络,获得一套基于神经网络的无损数据压缩方案。由于该方案能压缩已被小波编码压缩过的数据,因此将其嵌套入一好的小波编码系统就可以获得一种基于小波与神经网络的高效图像数据压缩方案。实验证明,该高效方案对于Lenna图像的压缩比为43∶1, 并且恢复的图像有较好的视觉效果。     

A Study on Integrated Wavelet Neural Networks in Fault Diagnosis Based on Information Fusion

The tight wavelet neural network was constituted by taking the nonlinear Morlet wavelet radices as the excitation function. The idiographic algorithm was presented. It combined the advantages of wavelet analysis and neural networks. The integrated wavelet neural network fault diagnosis system was set up based on both the information fusion technology and actual fault diagnosis, which took the sub-wavelet neural network as primary diagnosis from different sides, then came to the conclusions through decision-making fusion. The realizable policy of the diagnosis system and established principle of the sub-wavelet neural networks were given. It can be deduced from the examples that it takes full advantage of diversified characteristic information, and improves the diagnosis rate.     

基于小波神经网络的图像表述

小波神经网络有机地融合了小波分析的时频特性和神经网络自适应优点。本文将小波神经网络应用于图像表述，提出相应的图像表述算法。分别采用两种小波函数作为网络激励函数，以验证图像表述效果。实验结果表明，小波神经网络能够有效地表述图像，其算法具有较强的鲁棒性。     

用小波神经网络检测结构损伤

用小波和神经网络ART2相结合的方法检测结构的损伤位置。给出了小波变换和人工神经网络的基本理论及其用于损伤检测的原理与特点。通过把小波变换作为神经网络的前处理来构造小波神经网络。首先通过数值试验检验了小波消噪和小波神经网络损伤检测的能力。然后在一个框架结构模型上进行了试验。实验证明这种方法使网络抗噪声能力增强,使损伤识别的效果更好。ART2网络具有自动从环境中学习的能力,能自动的给出新的识别输出。     

基于小波基模糊神经网络的漂浮基柔性空间机械臂轨迹跟踪控制

讨论了载体位置不受控、姿态受控情况下,参数未知漂浮基柔性空间机械臂关节空间协调运动的轨迹跟踪控制问题。依据系统动量守恒关系和拉格朗日第二类方程,由假设模态法,建立了漂浮基柔性空间机械臂的系统动力学方程。以此为基础,针对系统参数未知的情况,设计了一种小波基模糊神经网络的控制方案,以使柔性空间机械臂的载体姿态到达期望位置的同时,机械臂关节铰能够协调地跟踪关节空间的期望轨迹。该方案具有无需预知柔性空间机械臂的模型和系统参数的优点,且网络权值是通过在线学习进行调整,节省了离线训练的时间。系统的数值仿真表明了所提出方案的有效性和可行性。     

基于 EEMD样本熵与小波神经网络的汽车关门声品质预测

针对传统客观心理学参量在非稳态噪声品质预测中的不足,以汽车关门声为对象,提出一种基于EEMD分解的样本熵表征关门声的信号特征,并结合小波神经网络进行声品质预测。对声样本进行EEMD分解得到IMF分量,计算各IMF分量的样本熵,并构造成特征向量。分别以此特征向量和声品质主观评分值作为输入输出构建小波神经网络预测模型。作为对比,构建了基于该特征向量的BP网络预测模型、基于心理学参量的小波神经网络预测模型和BP网络预测模型。分析结果表明,在关门声品质预测中,EEMD样本熵比客观心理学参数能更好的反映信号的时变非稳态特性,预测效果更好;且小波神经网络较BP网络的预测精度更高,模型训练速度更快。     

小波神经网络在超声检测信号中降噪的研究

摘 要: 为了最大限度的消除粗晶材料超声检测时,晶粒散射波对有用信号的严重干扰,提高接收信号的信噪比,将小波神经网络引入粗晶材料超声检测信号处理领域中。在训练小波神经网络时,采用了改进的梯度下降算法。该网络有一个动态的权值,它随误差变化而调整。结果表明,小波神经网络应用在粗晶材料超声检测信号的降噪时,能够达到较理想的降噪效果。