基于神经网络预测节能中央空调控制策略

由于传统中央空调具有大滞后、大惯性、非线性特性,造成常规控制方法下系统供给的能量与负载所需能量不匹配,使得中央空调与使用环境能量供求不平衡,浪费了大量的电能.针对中央空调的控制特性,提出了一种基于神经网络技术的预测控制方法,将Elman神经网络预测器和神经网络控制器有机结合,通过预测未来能量需求,实时调节控制策略,使系统所需能量和空调输出能量达到匹配.采用Elman神经网络预测器和神经网络控制器有机结合的控制方法,使系统具有良好的动态性能和稳态性能,节能效果显著.采用神经网络预测型节能中央空调,可有效控制中央空调与使用环境能量供求的关系,为降低智能建筑能耗提供了可靠的保障.     

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。     

时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机(PMSM)中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。     

时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机（PMSM）中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。     

变风量空调系统的模糊神经网络预测控制

针对变风量中央空调系统具有多变量、大滞后和非线性的系统特性及常规控制算法系统响应慢、控制精度不高等问题,提出了模糊神经网络预测控制策略.该方法将模糊神经网络控制与预测控制技术相结合,建立了模糊神经网络与预测控制结合的复合控制器模型,通过优化变风量控制方式,有效地实现了中央空调系统的预测控制.结果表明,该控制方法能使系统具有良好的动态性能和稳态性能,控制精度高,节能效果显著,具有广泛的应用前景.     

基于智能算法的无速度传感器直接转矩控制系统的设计

为了改善定子电阻对定子磁链的影响以及电机的低速性能，提出一种利用模糊神经网络来构造定子磁链观测器的方法．传统的交流调速系统都带有速度传感器，难以维护．针对这一问题，提出一种利用递归神经网络构造电机转速辨识器的方法，并且利用遗传算法对转速辨识器进行优化．通过Matlab仿真实验，表明递归神经网络速度辨识器具有快速的跟踪效果和良好的辨识精度，并且基于模糊神经网络的磁链观测器有效地改善了直接转矩控制系统的低速性能．     

在线学习自适应模糊控制器在水轮机调节中的应用

针对水轮发电机组系统具有时变非线性,传统的控制方法很难达到最优控制的特性,提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来控制水轮发电机组运行.模糊控制器的比例因子、模糊推理规则和隶属函数由遗传算法在线寻优.由RBF神经网络进行被控对象的动态特性模型辨识,以评价模糊控制器控制性能.仿真实验表明,控制效果良好,特别在变工况和扰动情况下优于最优PID控制.     

参数不确定下的反馈控制混沌同步

为实现参数不确定情况下的混沌同步,提出了一种基于参数辨识的反馈控制混沌同步方法．采用参数自适应控制策略对系统中的不确定参数进行辨识,并设计了线性反馈控制器,实现了参数不确定情况下的线性反馈混沌同步．进一步对线性反馈控制器参数采用自适应改进控制,简化了同步收敛条件的计算、同时,针对线性反馈控制非单调同步的局限性,设计了非线性反馈控制器,实现了性能良好的非线性反馈混沌同步、最后,通过对Lorenz系统的仿真结果验证了方法的有效性．分析表明,该同步方法能够有效地解决工程实际中出现的参数不确定下的混沌同步问题,具有一定的实用性．     

基于神经网络的一种PID控制技术

提出了一种基于神经网络的ＰＩＤ控制方案。用神经网络辨识器与神经网络控制器构成间接自校正控制系统,其中,神经网络辨识器采用单稳层结构,其辨识算法采用预报误差（ＲＰＥ算法）：神经网络控制器为２层的线性结构,具输入为系统偏差及其一阶和于阶微分,控制器具有增量型ＰＩＤ控制结构。将该控制方案应用于电阻炉的炉温控制中,获得了满意结果。     

基于神经网络PID控制器的混沌系统控制与同步

提出了一种基于神经网络参数自整定PID控制器的混沌控制方法。该方法由神经网络辨识器和神经网络控制器组成,神经网络学习算法均采用Davidon最小二乘法。考虑到混沌系统的动力学特性,施加单个控制量可实现模型未知混沌系统的平衡点镇定和自同步,仿真结果证实了该方法的有效性。     

基于模式识别的仿人变周期控制器及其应用

提出一种基于模式识别的仿人变周期智能控制方法.这种方法模仿操作人员的操作过程,根据对象动态特性适时改变控制周期,使控制作用及时灵敏,因而具有一定的智能性,能用于解决一些难于建立对象数学模型的控制问题.将其应用于电厂过热汽温控制系统的仿真实验中,结果表明,该方法具有良好的控制性能.     

专家-模糊自适应PID控制系统的设计

为了解决多容系统控制难度大的问题,设计了专家-模糊自适应PID控制器。这种控制器既具有模糊PID控制器的精度高、稳定性好、鲁棒性强的优点,又具有专家控制器进入稳定状态快的特点。对三容复杂系统的控制仿真结果表明,该方法的控制性能优于单独采用专家PID控制或模糊自适应PID控制的性能。     

基于二阶神经网络的自适应控制

提出了一种二阶神经网络的自适应控制方案,利用二阶神经网络对被控制对象进行在线辨识和控制,仿真实验表明：这种控制系统,其控制效果优良,具有较强的辨识和控制能力,且控制器设计并不复杂。     

基于VPBF网络的直接自适应逆控制方法

神经网络技术在非线性系统自适应控制器的设计中已得到广泛应用,但常见的神经网络存在着各种各样的缺点。为了改进自适应逆控制方法,同时克服一般神经网络的缺点,构造了一种结构简单的改进型VPBF网络,并将其引入自适应逆控制。利用该网络结构选择和参数选择上的优势,离线确定网络的初始规模和权值,在线学习非线性系统的逆,实现了一种非线性系统的直接自适应逆控制策略。仿真结果显示该控制系统能有效地克服扰动,有良好的鲁棒性能。     

基于BP神经网络PID参数整定的空燃比控制策略研究

采用BP神经网络实现在过渡工况下发动机空燃比的PID控制系统的参数整定,建立了发动机燃烧及燃油供给系AMESim仿真模型,利用MATLAB／Simulink设计了改进空燃比BP神经网络PID控制仿真模型,在AMESim环境下进行了动态仿真．仿真试验表明：基于BP神经网络PID参数整定的空燃比控制策略具有良好的自适应性能,与经典PID控制相比,改善了过渡工况下燃油的供给,实现了空燃比的精确控制．     

神经网络自适应控制系统

提出了一种基于神经网络的自适应控制系统，其中一神经网络用于辩识非线性系统，另一神经网络作为控制器，依据本文推出的自适应算法得出了满意的仿真的结果。     

基于组态软件的自适应PID控制器研究

针对工业过程中常遇到的二阶纯滞后系统,介绍了一种基于组态软件的自适应PID控制器的设计方法.该控制器可实现在线辨识并可自动整定控制参数,结构简单,工作稳定,鲁棒性好.对于一些复杂过程和严重非线性过程,在辨识过程不十分有效的情况下,运用Fuzzy PID参数调节,系统仍有较好的控制性能.     

制粉系统球磨机的神经网络预测控制

通过对制粉系统球磨机这一非线性被控对象建立神经网络预测模型,提出了基于神经网络预测控制器的非线性预测控制方法。为了克服大多数非线性系统预测控制在线计算量大的问题,在预测控制性能指标约束下,采用非线性优化求解技术,得到当前工作点的最优预测控制量,用来训练神经网络预测控制器,最终实现非线性系统的神经网络直接预测控制。新的方法大大减少了在线计算量,仿真试验结果证实了所提方法的有效性。