神经元解耦模糊控制器在球磨机控制系统中的应用

结合解耦理论和神经网络的思想,介绍了一种由神经元实现的解耦算法,并依据这种算法设计了新型的磨煤机控制系统.根据该系统设计的控制器在河南开封火电厂3号机组的运行结果表明:该系统有效地解决了球磨机制粉系统存在的大时滞强耦合问题,提高了磨煤机的可靠性和经济性.     

基于动态径向基函数神经网络的多变量解耦控制

为提高工业控制领域中多变量、非线性、强耦合系统的解耦能力和动态特性，基于聚类结合算法和神经网络原理，提出了一种改进的基于动态径向基函数（RBF）神经网络的多变量解耦控制方法.采用聚类结合算法优化动态RBF神经网络，更好地描述了控制对象的动态行为，获得了PID参数在线调整信息，实现了多变量非线性系统的解耦控制.仿真结果表明，与基于常规RBF神经网络的PID控制方法相比，该方法具有更高的控制精度、更快的系统响应以及更好的适应性和鲁棒性，是解决多变量、非线性和强耦合问题的一种简便、有效的控制算法.     

DRNN神经网络的电加热炉解耦控制

基于DRNN神经网络参数自学习的PID原理对电加热炉进行解耦控制。给出了网络的结构和算法,分析了时变对象的特点,并对电加热炉时变系统进行了仿真。仿真结果表明:DRNN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。     

基于神经网络的除氧器水位解耦控制

基于神经网络的PID控制,针对电厂除氧器被控对象的耦合特性,提出了一种比例、积分和微分参数在线自整定的神经网络PID控制算法,结合神经元补偿解耦网络,用来消除除氧器水位与凝泵出口压力之间的耦合影响,实现对除氧器水位系统的解耦控制。仿真结果表明控制系统基本消除了耦合变量之间的耦合作用,消除了系统输出的稳态误差,大大改善了系统的调节品质。     

船用核动力装置二回路PID神经网络解耦控制研究

直流蒸发器的船用核动力装置是一个非线性、时变及多变量强耦合的被控对象.针对该被控对象设计了改进型PID神经网络控制系统,用于船用核动力装置多变量解耦控制,该神经网络控制器不需要对系统进行辨识,在调整权值的学习过程中使控制系统具有良好的解耦控制性能.仿真结果表明,直流蒸发器压力和汽轮机转速控制之间协调性好,并具有响应速度快、鲁棒性好等特点.     

双马达同步驱动系统自适应神经元网络控制

针对三轴飞行姿态仿真转台中枢架双电液伺服马达同步驱动系统的特点和技术要求,采用自适应神经元网络控制策略,实现了两通道的静态解耦。仿真结果表明,自适应神经元网络控制以其特有的自学习、非线性等优点,使控制系统具有良好的动态性能及强的鲁棒性与适应性,取得了良好的同步效果。     

无人水下航行器PID神经网络解耦控制

通过无人水下航行器动力学分析和运动建模,将系统解耦为航向、横滚、纵向三通道控制系统。为了消除解耦过程中存在的问题,采用PID神经网络控制算法来实现三自由度的独立控制。仿真结果表明,该控制方法不仅减少了计算时间,提高了响应速度,而且具有超调量小、稳态精度高等控制品质,对无人水下航行器的实际应用具有一定意义。     

汽包锅炉燃烧的PID型神经网络解耦控制系统仿真研究

介绍了汽包锅炉燃烧控制系统的控制任务、物理量间关系、原则性控制方案、传统控制方法,以及解耦控制方法的发展,引入了PID型神经网络控制系统的结构、学习算法、初始权值参数选取.MATLAB仿真结果表明,该控制系统对多变量强耦合时变的锅炉燃烧控制对象具有良好的解耦性能和自学习控制特性.     

一种基于神经元的解耦控制算法研究

针对实际工程中MIMO耦合系统调节困难、控制质量差的现象提出了一种基于神经元的解耦控制算法,并以三输入三输出系统为例,详细分析了神经元解耦的学习方法及其在多变量系统中的工作机理．仿真结果表明该方法有效可行。     

电弧炉电极系统双模控制策略研究及应用

针对交流电弧炉电极控制系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,采用基于最近邻聚类方法的径向基函数(RBF)神经网络快速学习算法,通过实时在线辨识,建立电弧炉电极系统的精确逆模型并用于控制,实现了将具有强耦合特性的多变量输入/输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与比例微分(P/D)控制相结合的双模控制策略。应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性。     

多变量系统解耦方法综述

介绍当前应用于多变量系统解耦的各种方法 ,主要介绍频域解耦方法和神经网络解耦方法 ,并着重评价各方法的优点与局限性 ,最后对多变量系统解耦控制研究领域的前景进行了展望     

基于CMAC和PID的非线性耦合系统解耦控制研究

为了实现多变量非线性耦合系统的解耦控制,提出了一种基于CMAC与PID的复杂关联自适应解耦控制策略,并给出了详细算法。该控制策略采用PID控制器和CMAC控制器共同构成一个复合控制器,多个复合控制器通过多输入多输出线性神经网络,实施对复杂非线性耦合对象的控制作用。由于神经网络的自适应特性,可使得耦合系统逼近参考模型,实现解耦控制。仿真结果表明,该控制策略实现了耦合系统的解耦控制,并且具有较强的抗干扰能力和鲁棒性。因此采用此控制策略能够实现多变量非线性耦合系统的解耦控制。     

多输入多输出系统的神经网络PID解耦控制器

基于神经网络的ＰＩＤ控制,提出了一种可用于有耦合的多输入多输出系统的比例、积分和微分参数在线自整定的神经网络ＰＩＤ解耦控制器,可以实现对多变量系统的角耦控制,仿真结果表明系统具有很好的动态及稳态性能。     

基于BP神经网络算法的手写数字识别技术研究

BP神经网络由于具有高度的并行结构和并行处理能力,以及固有的非线性特性和自学习、自组织、自适应能力等,特别适合应用于模式识别。以BP神经网络为背景,研究手写数字识别技术,在考虑诸多因素的情况下,最终设计一种能够提供良好识别的方法。根据研究目标,设计BP神经网络模型,并针对BP神经网络的缺陷提出BP神经网络算法的改进,提高了神经网络的性能。MATLAB仿真实验表明,改进后的BP神经网络可以对手写数字进行快速、准确地识别,具有广泛的应用前景.     

基于拟牛顿法多层前向网络的预测控制

通过应用具有二阶线性收敛速度的拟牛顿法于多层前向网络,以作为非线性预测控制中的预测模型,疆非线性优化方法,实现对于一般意义非线性系统的预测控制。仿真表明文中算法大大提高了网络学习收敛速度,使非线性预测控制算法的实时性能有很大改观。     

基于BP神经网络的非线性预测控制

将BP神经网络技术应用于预测控制,并对其控制算法进行研究。采用一个BP神经网络来实现对系统的辨识和多步预测,并将一种新型的非线性混沌映射引入到神经网络的参数学习算法中实现其权值调节,以逐步建立被控对象合理的多步预测模型,并用网络的多步预测输出序列与设定值序列的偏差修改控制律。仿真结果表明了该算法的有效性。     

一种基于神经元的解耦控制算法

根据解耦原理和神经网络的思想,提出一种新的解耦方法－神经元解耦。文章以三输入三输出系统为例,详细分析了神经元解耦的学习方法,及其在多变量系统中的工作机理。仿真结果表明,该方法是有效的。     

利用有效去耦上升时间选择去耦电容的方法

传统的基于频域目标阻抗的电源分配网络设计方法忽略了电源分配网络和电流激励的瞬态特性,不能准确地表征电源分配网络的高频特性．针对该问题,在输入电流激励形式为三角电流的条件下,推导出需要添加去耦网络的电流激励上升时间的临界条件以及去耦电容能有效去耦的电流激励上升时间范围．通过进一步研究去耦电容最大电压噪声与上升时间和电容参数的关系,提出利用有效去耦上升时间选择去耦电容的方法．最后利用该方法对4种典型的输入激励进行电源分配网络设计．仿真结果表明,与频域目标阻抗法相比,这种方法至少可减少31.6%的电容数量．     

BP人工神经网络模型的进一步改进及其应用

针对BP网络存在的缺点 ,有多种改进方法 .本文在文献 [3]的基础上 ,从算法和网络结构设计方面又进行了综合改进 ,不仅加快了网络的收敛速度 ,而且优化了网络的拓扑结构 ,从而增强了BP神经网络的适应能力 .将新改进的BP网络用于成都市消费预测 ,取得令人满意的效果 .     

粒子群优化的BP神经网络在电梯群控系统中的应用

目的提出基于粒子群优化的BP神经网络获取评价电梯群控系统派梯性能指标的新方法．方法综合考虑电梯运行特性,确定电梯调度控制策略,建立了电梯运行性能的评价指标函数,利用神经网络自学习功能获取评价指标的初始权值和阀值,针对平均候梯时间对比研究了普通BP神经网络算法和粒子群优化BP神经网络算法．结果将优化的权值和阀值代入BP神经网络获得平均候梯时间,粒子群优化的BP神经网络与BP神经网络相比,减少了迭代次数,缩短了运行时间．结论仿真实验表明,该方法可以避免BP神经网络训练中产生局部极小值,加快BP神经网络训练速率,提高电梯群控系统控制的速度．