污水处理过程中对泥龄的模糊神经网络控制

针对污水处理过程的高度非线性、进水流量及水质变化剧烈、各状态变量之间存在强耦合关系等特性，提出了一种自适应模糊神经网络控制方法，以泥龄作为运转控制参数，调节排出的污泥量．仿真结果表明该控制器能够在线调整输入变量的隶属函数、优化控制规则，将其应用于活性污泥法污水处理系统中，可以快速地去除污水中的污染物，使污泥具有良好的去污能力和沉淀性能，并且具有很强的鲁棒性．     

神经网络滑模变结构控制研究综述

综述了近年来将人工神经网络控制和滑模变结构控制相结合的研究工作．从神经网络在滑模变结构控制中不同的应用方式出发，论述了神经网络在提高和改善滑模变结构系统性能方面的理论和方法，分析了它们各自的特点与相互之间的联系．最后展望了该领域未来的研究方向．     

多输出非线性系统神经网络变结构控制的算法及其实现

在变结构控制系统中，切换函数的实际值与理想值之差反映了模型与实际系统的差别，引入神经网络的目的是在线辨识出这种差别。方法实现了对输入多输出非线性系统轨迹踊跃的控制，且对摄动具有很强的鲁棒性，大大减小了系统在切换面上的抖动。     

Event‐triggered Control for Cluster Consensus in Multi‐agent Networks

This paper considers the issue of cluster consensus for multiple agents in fixed and undirected networks. Agents in a network are supposed to split into several clusters, and a fraction of the agents in each cluster are pinned by virtual leaders. According to the Lyapunov stability theory and graph theory, some appropriate event‐triggered protocols are developed for consensus of the agents belonging to the same cluster, which can greatly reduce both the number of communication updates and that of control actuation updates. Finally, a numerical example is shown to demonstrate the effectiveness of the proposed theoretical results.     

注塑机料筒多段温度PID神经网络解耦控制系统

注塑机料筒温度是一类多变量、强耦合、大惯性控制对象,本文根据注塑机料筒温度控制的要求,利用PID神经网络构成多变量解耦控制系统。文中分析了注塑机温度控制的特点,给出了网络的结构和算法,对多段温度系统进行了实时仿真,显示了PID神经网络对注塑机料筒温度控制的良好解耦性能和自学习控制特性。     

基于RBF神经网络的热电偶建模方法

针对热电偶的测量精度问题,建立了热电偶传感器的数学模型。此数学模型采用RBF神经网络,利用带遗忘因子的梯度下降算法进行网络参数的调整,并给出了建模步骤。实际结果表明,该模型具有较高的精度。     

多变量强耦合时变系统的PID神经网络控制

介绍了一种新的神经网络———PID神经网络及其多变量强耦合时变控制系统。文中给出了网络的结构和算法,分析了时变对象的特点,对一组二变量强耦合时变系统进行了实时仿真。仿真结果显示:PID神经网络对多变量强耦合时变对象具有良好的解耦性能和自学习控制特性。     

控制中的一种神经网络结构

本文介绍通过利用神经网络计算算法怎样将神经网络两个重要的计算特点用于自适应控制。以单自由度机械手为例,对神经形态控制方法和模型参考自适应控制方法进行比较,对很大规模的系统,利用神经网络作为自适应控制提供定速,比传统的方法优越。     

质子交换膜燃料电池的神经网络建模与控制

该文从设计质子交换膜燃料电池（PEMFC）控制方案的角度出发,首先提出了采用Elman动态神经网络对PEMFC系统进行建模的新方法,以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络,并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度;Elman神经网络辨识可使辨识过程简化并提高了辨识精度。然后在此基础上设计了自适应模糊神经网络控制器。最后的仿真实验以Elman神经网络模型为参考模型,使用自适应神经网络控制算法控制PEMFC的工作温度,取得了较好的控制效果。结果显示所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

基于Elman神经网络的网络流量建模及预测

根据实际网络中测量得到的网络流量数据,建立一个基于Elman神经网络的流量模型,介绍Elman神经网络的架构设计,并提出一种基于正交最小二乘的学习算法,在此基础上对网络流量进行预测。仿真实验结果表明,该模型具有良好的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和更好的自适应性。     

T-S模糊神经网络应用于变参数系统的控制研究

针对基于模型的传统控制策略在线性时变系统中的应用受到系统的时变性和不确定性限制,通常难以获得理想的控制性能这一问题,提出了线性时变系统的一种变参数系统模型。该模型具有有界性和不确定性特点,利用模糊神经网络具有的自学习能力强、模型依赖性小以及鲁棒性强的优点,提出一种基于遗传算法的T-S模糊神经网络控制器对其进行控制研究,并通过仿真实验证明了该模糊神经网络控制器对变参数系统控制的可行性与有效性,为线性时变系统的控制问题提供了一种新思路。     

基于遗传算法的控制系统在废水处理中的应用

为了结合MATLAB软件和组态软件MCGS的优点,通过OPC通讯技术实现两者之间的数据交换;同时引入遗传算法对人工神经网络进行优化,实现了遗传神经网络控制算法和MCGS的有机结合。仿真结果表明,人工神经网络的预测值与实际值之间的最大相对误差为10.28%,最小相对误差为5.28%,平均相对误差为7.82%,平均绝对百分比误差为0.12%;经过遗传算法优化之后,这些误差分别降为6.25%,1.67%,4.30%,0.073%。说明经过遗传算法优化后的人工神经网络具有更好的性能,遗传神经网络控制算法和MCGS的有机结合对废水处理过程可以实现有效的控制。     

锅炉生产过程的神经网络建模方法研究

针对锅炉效率计算中正平衡法和反平衡法都不能完全反映真实锅炉燃烧过程的实际情况,该文提出基于神经网络的锅炉生产过程建模方法,该方法不需要太多监测数据并且保证了建模的准确性。     

基于自适应神经网络的低速AUV变质心控制

为克服低速情况下舵效低的问题,研究了自治水下航行器(AUV)的变质心控制方法.通过控制布置在AUV三个惯性主轴上的三个可移动质量块的运动,改变系统的质心,进一步改变了AUV受到的流体动力,从而实现对于AUV的控制.基于Kane的多刚体动力学理论推导变质心控制AUV的4刚体9自由度动力学模型,为设计AUV变质心控制系统奠定了基础.之后基于多输入多输出(MIMO)不确定非线性系统理论,设计自适应神经网络控制系统,并用李亚普诺夫稳定理论对该系统进行了稳定性分析.仿真验证了控制方法的合理性.     

不确定机器人的神经网络轨迹控制

针对不确定机器人的轨迹跟踪问题,提出了一种基于自适应神经网络的控制方案.对于系统中的各种未知非线性,通过RBF神经网络和变结构光滑集成的控制器来自适应学习并且补偿,这种控制器克服了局部泛化网络的不足,提高了控制精度及其收敛速度.而且在考虑神经网络失效的情况下,仍能保证系统具有良好的鲁棒性.网络权重的自适应修正规则基于Lyapunov函数方法得到,它保证了跟踪误差的全局渐进稳定性.试验结果证明了这种控制算法的有效性.     

不确定系统的神经网络积分变结构控制

针对一类不确定系统,在系统上界值未知的情况下,结合神经网络能任意的逼近不确定系统的优点,设计出一种神经网络积分变结构控制器,利用RBF(Radial Basis Function)神经网络来实时估计系统的不确定性界限,从而降低了一般变结构控制研究的条件.在变结构控制器中又引入饱和函数取代符号函数,进一步减弱“抖振”现象...     

基于RBF神经网络的摩擦补偿建模与控制

机械系统摩擦的精确数学模型很难建立,因此,尝试采用RBF神经网络系统在线逼近摩擦模型并将辨识结果作为控制算法的补偿项。在控制方法上,采用了基于RBF神经网络系统补偿的PD算法。在系统证明上,从李雅普诺夫函数中导出了自适应参数并且分析了闭环系统跟踪误差的有界性。利用Matlab对提出的方法及证明的有效性进行了验证。     

Pareto‐Set Based Multi‐Objective Dynamic Reactive Power and Voltage Control

A novel approach is proposed in this paper to solve multi‐objective dynamic reactive power and voltage control (Volt/VAR control, VVC). The method is able to attain the Pareto‐optimal solutions, based on the day‐ahead load forecast, for the VVC considering reducing daily power loss, enhancing voltage profile and optimizing dispatch schedules for on‐load tap changer (OLTC) and shunt capacitor switching, which will provide decision maker more options to schedule the dynamic VVC. This approach is simulated in IEEE14 buses system and IEEE30 buses system, and the results are encouraging with respect to performance in dynamic reactive power control. Moreover, the application in an actual distribution system verifies its effectiveness further.     

On‐Line Fault Diagnosis Based on B‐Spline Neural Networks Using Asymptotic Local Approach

Fault diagnosis is crucial in monitoring industrial processes. Faults con be often detected from residuals generated from the system model. For systems with known models, residuals can be readily generated. However, for systems with unknown models, neural networks can be used to model the system. For small or incipient faults, it is difficult to detect faults directly from the residuals. The asymptotic local approach, which transforms the fault diagnosis problem into one that detects statistical changes in a random variable, is proposed here. The proposed scheme is illustrated by a simulation example, and comparison with faults obtained directly from the residuals is also made.     

Distributed Containment Control for Nonlinear Multi‐Agent Systems with Time‐Delayed Protocol

In this paper, the containment control problem is considered for nonlinear multi‐agent systems with directed communication topology. Under the guidance of designed distributed communication protocols with/without previous state information, the followers are expected to converge to a dynamic convex hull spanned by multiple leaders. Two multi‐step algorithms are proposed to construct the corresponding protocols, the state feedback protocol and the delay‐coupled protocol, under which the containment control can be achieved asymptotically. Furthermore, it is found that the delay‐coupled protocol is rather sensitive to time delays. That is, real‐time tracking will become impossible by only using long‐dated previous state information. Finally, a numerical example is given to demonstrate the applicability and efficiency of the proposed schemes.