基于神经网络的自适应控制

在常规模型参考自适应控制器基础上采用神经网络作为辨识器和控制器，组成模型参考神经网络自适应控制系统。利用神经网络的优点弥补传统自适应方法的不足，使系统具有更强的鲁棒性。仿真结果表明，该系统比传统模型参考自适应系统具有更好的稳定性和更快的响应速度。     

NARX网络在自适应逆控制动态系统辨识中的应用

针对动态神经网络的学习算法问题,提出了一种适用于带外加输入的非线性自回归 (NARX)动态网络的改进型RTRL学习算法. 该算法基于LM算法的思想,取代传统RTRL中的梯度寻优算法,以改善RTRL的学习速度, 并将该方法应用于NARX动态网络自适应逆控制的对象辨识中. 数值仿真结果表明该改进学习算法是可行而有效性的,并且也验证了NARX动态神经网络具有很强的动态描述能力.     

基于小波神经网络的永磁同步直线电机自适应逆控制

针对永磁同步直线电机(PMLSM)受推力波动等干扰,采用反馈误差学习法,利用小波神经网络在线得到PMLSM的逆模型,避免了求取PMLSM的Jacobian信息,结合PID反馈控制,实现了PMLSM的小波神经网络自适应逆控制.仿真结果表明,与PID控制以及复合前馈PID控制方法相比,所提出的方法有效提高了PMLSM系统的跟踪性与鲁棒性.     

加工过程的神经网络自适应控制

通过对数控加工过程的分析和建模,提出了一种基于神经网络的自适应控制系统,并进行了系统仿真.仿真结果表明,该系统在切削工况发生时变的情况下仍能实现恒切削力控制,具有很强的鲁棒性,达到了提高加工效率的目的.     

基于自适应逆控制的无人机舵控系统设计与仿真

针对无人机舵控系统获取精确模型难、控制器设计复杂、超调量大、抗干扰能力弱等问题,采用自适应滤波器方式,对无人机的舵控系统进行了建模和逆建模,设计了一种无人机自适应逆舵控系统,并以某型无人机舵控系统为例,进行了仿真验证．仿真结果表明,与传统PI控制相比,自适应逆控制的舵控系统具有更好的动态响应和抗干扰效果．     

基于自适应逆控制的永磁同步电动机控制系统

为进一步提高交流永磁同步电动机控制性能,本文提出了基于自适应逆控制的永磁同步电动机控制系统,采用基于递推最小二乘BP（RLS-BP）算法,对永磁同步电动机系统的进行建模、逆建模和自适应控制器的设计。提高了永磁同步电动机系统建模和逆建模的辨识收敛速度以及辨识精度和系统控制精度。仿真结果表明,基于本文提出的自适应逆控制方法的永磁同步电动机系统,具有良好的动态响应,并且在电机参数摄动情况下具有较强的鲁棒性。     

基于神经网络直接逆控制的交流伺服系统的仿真研究

提出了神经网络直接逆控制的一种策略，实现对神经网络控制器在的线自校正，仿真结果表明，伺服系统响庆快，精度高，无超调     

基于动态递归神经网络的自适应控制非线性系统研究

提出一种基于动态递归神经网络的自适应控制器,该控制器能通过自学习进行适应性控制,且结构简单,易于实现。其主要特点是能够提供一个跟踪网络来辩识系统模型,进而确定控制器的网络参数,实现间接自适应神经网络控制。经过对大量非线性系统的仿真研究,证明其具有良好的控制性能。     

神经网络非线性系统自适应控制的研究

提出了一种新的神经网络非线性系统自适应控制方法采用改进的ＢＰ算法，避免了选取学习速率的麻烦仿真结果表明：该方法对非线性系统及突加外干拢、参数突变具有较强的自适应能力     

基于改进最近邻聚类的机械手神经网络逆控制

机械手具有非线性时变、多变量、强耦合的特性,在机械手系统可逆的基础上,设计一种机械手的神经网络逆控制方案。通过神经网络逆辨识建立机械手的神经网络逆模型,把神经网络逆模型作为控制器模型与原机械手串联,构成一个伪线性动态模型,把非线性问题转化为线性问题。其中,辨识器和控制器均采用RBF神经网络结构,网络学习采用具有在线学习功能的最近邻聚类学习算法。仿真结果验证了本方案的有效性和可行性。     

基于单步预测的模型参考自适应逆控制

针对非线性系统,提出一种基于单步预测的模型参考自适应逆控制方案.该方案将预测思想引入自适应逆控制中,采用Elman网络作为模型辩识器,利用它建立非线性系统输出的预测模型;采用模糊神经网络作为自适应逆控制器,由预测误差进行参数的在线自适应寻优.仿真结果表明,该方案具有很好的跟踪效果和较强的鲁棒性.     

单级倒立摆系统的神经网络逆模控制

给出了单级倒立摆的一种神经网络逆模控制方案。首先，采用PD控制器控制倒立摆，采集倒立摆的输入输出数据；然后，以这些数据为基础训练倒立摆的神经网络逆模型；再采用比例控制器与逆模型串联构成逆模控制器。整体结构上单级倒立摆系统是一种闭环的逆模控制结构。仿真结果表明，所采用的神经网络逆模控制比传统的PD控制具有更短的调节时间和更小的超调，能更好地实现倒立摆的稳定控制。     

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。     

基于RBF网络的模型参考自适应控制

针对一类非线性动态系统给出了一种基于RBF(径向基函数)神经网络的模型参考自适应控制算法,控制器的结构中使用RBF网络来动态的补偿系统的非线性性。基于Lyapnuov稳定性理论,给出了控制器参数的调整机制——σ-modification-type修正律,并根据神经网络的逼近误差给出了控制误差的估计,控制误差渐近收敛于0附近的一个紧集。仿真实例说明了所给出的算法切实可行。     

基于神经网络的非线性系统复合内模控制

利用RBF神经网络逼近连续非线性系统的α阶积分逆系统,并对原非线性系统及其逆系统构成的伪线性系统采用内模控制方法进行复合控制,从理论上分析了滤波器对跟踪误差的影响,仿真结果表明,内模控制与逆系统方法相结合的复合控制方案是处理非线性问题比较有效的方法之一。     

Study on Adaptive Control with Neural Network Compensation

A scheme of adaptive control based on a recurrent neural network with a neural network compensation is presented for a class of nonlinear systems with a nonlinear prefix. The recurrent neural network is used to identify the unknown nonlinear part and compensate the difference between the real output and the identified model output. The identified model of the controlled object consists of a linear model and the neural network. The generalized minimum variance control method is used to identify parameters, which can deal with the problem of adaptive control of systems with unknown nonlinear part, which can not be controlled by traditional methods.Simulation results show that this algorithm has higher precision, faster convergent speed.     

基于神经网络的自适应PID控制

本文提出了一种采用人工神经网络的自适应PID控制结构。在该控制结构中,一个三层反向传播神经网络用于对被控对象进行在线辨识;另一个二层线性神经网络构成具有传统PID控制结构的控制器。对PID控制器网络的在线训练方法,本文进行了较详细的叙述。仿真及实时控制实验研究表明,本文提出的控制方法可取得满意的效果,并易于在线实现。     

基于神经网络MIMO非仿射系统自适应控制

针对一类多输入多输出非仿射非线性系统,基于神经网络设计了一种自适应控制方案。该系统隐含控制输入,利用隐函数定理和伪控制概念提出了控制运算法则,采用Lyapunov方法证明了系统的稳定性。该方案采用神经网络补偿系统中的非线性部分,设计了鲁棒项来增加系统的抗干扰能力。仿真结果充分证明了该方案的有效性和可行性。     

汽车半主动悬架的神经网络控制及仿真

基于 1 /2汽车非线性模型和对角回归神经网络模型 ,应用模型参考自适应控制对半主动悬架系统进行了离线辨识 ,构成了非线性神经网络控制器 ,在线训练了神经网络控制器 ,并对半主动悬架进行了控制仿真 ,对仿真结果进行了分析、总结。