基于神经网络的自适应控制器

提出了一种基于神经网络的控制系统，将传统ＰＩＤ工程整定法与神经网络相结合，采用直接自适应控制方法，使基于神经网络的控制器在ＰＩＤ控制的基础上实现自适应控制，更有效地改善控制品质。     

自适应Smith预估控制器在温度控制系统中的应用

本文研究了大时延温度对象的控制问题。提出了一种十分实用,效果较好的自适应Smith预估控制器,并成功的用TP—802单板机实现。在实验室的温度控制系统上进行了实验,效果不仅优于常规PID控制,也优于一般的Smiith预估控制器.     

一类基于对象正向模型的神经网络自适应控制器的设计

提出了一种基于对象正向模型的神经网络自适应控制器,该方法只须辨识对象的正向模型,将神经网络与优化方法相结合,对控制量进行优化迭代求解。仿真结果表明,该算法能精确跟踪设定输出,响应速度快,超调量小,无稳定误差,控制效果好。     

卡尔曼滤波在CSTR系统中的应用

从现在的工艺条件及经济方面考虑,在连续搅拌反应釜(CSTR)系统中直接测量其组分的浓度是很困难的.本文基于卡尔曼滤波技术,通过实时测量反应釜的反应温度与冷却温度来在线估计其组分的浓度,取得了很好的效果.最后给出了在CSTR系统中应用的仿真结果.     

神经网络自适应控制技术在空调系统中的应用

目的采用神经网络自适应控制方法，来解决中央空调系统大惯性、大时滞问题，提高控制效果．方法利用两个BP神经网络NNC和NNI，分别做控制器和辨识器，神经网络辨识器通过采集相关的输出量，监控系统的工作状态，并通过实时调整神经网络控制器参数．结果实现中央空调智能控制，仿真结果验证有良好的动态性能和稳态性能．结论神经网络自适应控制器优于常规控制器．调节速度快，超调小，具有良好的控制性能．     

一种基于神经网络的直接自适应控制器

对于具有不确定因素的非线性系统 ,通过校正神经网络的预报输出 ,应用最优化及网络辩识器模型局部线性化的思想 ,提出一种鲁棒自适应神经网络控制器 ,仿真研究证明该控制器具有较强的抗干扰能力     

RBF神经网络自适应模糊控制在短期负荷预测中的应用

为了能够及时准确地进行电力系统短期负荷的预测,采用RBF神经网络和自适应模糊控制相结合的预测方法,首先通过RBF神经网络进行负荷预测,然后利用自适应模糊控制对预测结果进行在线修正,实验结果证明了该方法的正确性与可行性。     

自适应模糊控制器在直流调速中的应用

本文旨在研究自适应模糊控制器在微机控制直流调速系统中的应用问题．仿真结果表明,与PID控制器相比,本控制器对被控对象的参数变化具有更强的鲁律性．     

基于自适应小波神经网络的复杂系统模式识别方法

针对传统神经网络应用于复杂系统建模和辨识中存在的训练效率、精度瓶颈问题,提出了一种自适应小波神经网络方法(adaptive wavelet neural network,AWNN).首先,通过设计自适应层、综合层,使神经网络能根据待处理的系统的样本数据特征自适应工作于最佳工作区间;然后,通过将小波分析方法与对经典的基于误差反向传播算法的神经网络(back propagation neural network,BPNN)、径向基神经网络(radical basis function neural network,RBFNN)结合,保留了上述方法的优点,克服了传统神经网络方法各自的问题;最后,通过对BPNN、RBFNN和AWNN方法进行计算机仿真实验,验证了各算法的可行性、可达性和算法参数特性.实验结果表明:AWNN方法具有更快的收敛速度、更高的精度和更好的鲁棒性.     

一种新型动态RBF网络自适应控制器

在选择节点激活的基础上,设计利用动态ＲＢＦ逼近非线性函数的神经网络自适应控制器,提出了催眠／唤醒（激活）技术,由于对动态网络中的某些节点进行了催眠,从而使网络规模最小。依此设计仿射非线性系统自适应控制器,得到了基于Ｌｙａｐｕｎｏｖ稳定性定理的网络权值更新律,同时引入了滑模控制,对由网络内在逼近误差、忽略不活动节点及暂时睡眠节点所引起的扰动项进行补偿,这样就确保了系统的稳定性。仿真结果表明,与仅采用选择节点激活技术的控制器相比,采用催眠／唤醒（激活）技术的控制器具有更优的跟踪性能、更小的网络规模和更短的执行时间。     

基于径向基神经网络的双馈风力发电机低电压穿越控制研究

根据风力机能量转化机理及风电机组运行状态,建立了双馈感应发电机(DFIG)完整的5阶数学模型,分析了其电流控制方案,提出了一种基于径向基(RBF)神经网络辨识的PI控制器自适应控制算法.利用RBF神经网络进行在线辨识,并根据被控对象的Jacobian信息在线调整PI控制器参数,以改善系统的动态响应特性和提高系统的低电压穿越(LVRT)能力.通过构建系统的Simulink仿真模型进行仿真.结果表明,该控制算法有效地抑制了由电压跌落引起的电流震荡,缩短了系统的故障恢复时间,增加了系统的自适应性和鲁棒性,从而提高了系统的低电压穿越(LVRT)能力.     

“倒三角”系统的神经滑模控制

针对高阶非线性、强耦合倒三角平衡系统,设计一种神经滑模控制器（NNSMC）对其进行平衡控制。所设计的控制律由系统进入滑动模态的等效控制量及神经网络学习算法计算得出的系统补偿控制量构成。其中,等效控制部分保证系统滑动模态可达,补偿控制量用于对系统的干扰和不确定性的补偿。该方法既保留了滑模控制所具有的较强的鲁棒性,又使控制系统滑动模态的品质得到保证和改善,同时削弱了系统的抖振。计算机仿真结果表明了该方法的有效性和可行性。     

A Proposal of Adaptive PID Controller Based on Reinforcement Learning

Aimed at the lack of self-tuning PID parameters in conventional PID controllers, the structure and learning algorithm of an adaptive PID controller based on reinforcement learning were proposed. Actor-Critic learning was used to tune PID parameters in an adaptive way by taking advantage of the model-free and on-line learning properties of reinforcement learning effectively. In order to reduce the demand of storage space and to improve the learning efficiency, a single RBF neural network was used to approximate the policy function of Actor and the value function of Critic simultaneously. The inputs of RBF network are the system error, as well as the first and the second-order differences of error. The Actor can realize the mapping from the system state to PID parameters, while the Critic evaluates the outputs of the Actor and produces TD error. Based on TD error performance index and gradient descent method, the updating rules of RBF kernel function and network weights were given. Simulation results show that the proposed controller is efficient for complex nonlinear systems and it is perfectly adaptable and strongly robust, which is better than that of a conventional PID controller.     

具有重构功能的基于RBF神经网络直接自适应飞控系统

反馈线性化方法鲁棒性研究一直是近些年来的研究热点。针对基于反馈线性化方法的鲁棒控制，提出了一种将反馈线性化和RBF神经网络直接自适应控制相结合的综合控制方法，利用李亚普诺夫稳定性定理推导了神经网络权值的自适应规律，保证了闭环系统的稳定性。该方法应用于某型号飞机舵面故障状态仿真，结果表明RBF神经网络自适应控制方法补偿作用显著，相当于系统具有一定的重构功能。     

神经网络数据融合在位移传感系统中的应用

温度漂移误差是位移传感系统的主要误差之一.为了提高位移传感器输出的精度与稳定性,可以把位移传感器的输出与温度传感器的输出进行数据融合.提出一种基于RBF网络(径向基函数神经网络)的多传感器数据融合方法,把位移传感器和温度传感器的输出送入融合中心,通过RBF网络的学习训练,得到稳定的位移输出.实验表明:在相同的温度波动情况下,位移传感器的输出稳定性比原来提高了约4倍.该方法在位移传感系统减小温度漂移的应用中十分有效.     

T-S型模糊RBF神经网络多变量自适应控制器的研究

提出Ｔ Ｓ型模糊ＲＢＦ神经网络模型,并将该网络模型应用于多变量控制系统,构成多变量自适应控制器．同时对网络结构和参数的学习算法及网络参数的在线自学习算法进行研究．仿真结果表明本文提出的学习方法是有效的,该多变量控制器具有良好的自适应控制能力     

带预测模型的神经网络PID控制器

在研究PID控制和神经网络的基础上提出了一种带预测模型的神经网络PID控制器,该控制器是一种3层前向神经网络,它适用于工业过程中觉的慢时变大时滞控制系统以及控制对象具体模型难以确定的控制系统,该系统能在调整PID控制器的3个参数Kp,Kd,Ki,再经PID调节器产生最优的控制作用于被控对象,采用该控制器对模型参数缓变的系统进行仿真,结果表明该器具有良好的自学能力,能获得较好的控制效果。