高速公路可变速度标志模糊逻辑控制及其仿真研究*

高速公路主线速度控制是通过设置可变速度标志来限制行车速度,实现车辆在高速公路上高效、安全运行的控制目标。分析了模糊控制系统的结构,阐述了模糊控制算法,给出了具体的模糊隶属度函数,并设计了高速公路可变速度标志模糊逻辑控制器,充分利用计算机可视化仿真的优点对控制器进行了仿真研究,得到了较满意的结果。     

城市高速公路交通的神经网络建模与控制

从城市高速公路交通流的宏观、动态特性出发 ,分析了交通流控制中常用的宏观、动态、确定性模型 在此基础上 ,利用人工神经网络技术建立了城市高速公路的神经网络模型 ,并提出了入口匝道放行和路段速度相结合的多变量神经网络控制策略 利用该控制策略建立的自适应神经网络控制器 ,可以使高速公路上的交通密度维持在理想的密度值附近 .进一步分析可以得到 ,该控制器是一个状态和控制作用均可跟踪的伺服系统 .以杭州某高架高速公路为背景的仿真结果表明 :该控制器具有较强的鲁帮性 ,控制效果令人满意 .     

高速公路交通的神经控制器

本文分析了高速公路车辆群交通模型并建立了高速公路交通的神经网络模型,提出 了具有入口匝道放行和路段速度两项控制作用的高速公路神经内模控制器,该控制器是一个 状态和控制作用均可跟踪的伺服系统．文章以沈大高速公路为实际背景进行系统仿真实验, 效果良好．     

基于RBF神经网络整定的高速公路匝道PID控制器

研究RBF神经网络整定PID控制器的参数,并应用到高速公路入口匝道控制中。首先阐述了入口匝道控制原理,然后建立了高速公路交通流模型,并设计了RBF神经网络整定的高速公路匝道PID控制器,RBF神经网络通过对被控对象Jacobian信息的辨识来动态调节PID控制器的参数,最后用MATLAB软件进行系统仿真。仿真结果表明,该控制器具有优越的动态和稳态性能,用于高速公路入口匝道控制中效果良好。     

基于强化学习的神经网络在船模速度控制中的应用

讨论了强化学习模型,以及基于进化学习的神经网络模型,在此基础上结合强化学习的自适应能力,通过神经网络的在线学习对船舶模型速度进行跟踪控制,并以强化学习神经网络结构设计出神经网络控制器,最终取得对船舶模型航行速度的自适应控制。经过仿真研究,将开发与训练好的自学习神经网络控制器用于对船舶模型速度跟踪控制,所开发的基于强化学习的神经网络控制器具有良好的速度跟踪性能,控制效果明显。     

基于混沌优化的非线性预测控制器

针对非线性系统的控制问题,本文将神经网络辨识、混沌优化和预测控制思想有机结合,提出了一种新型非线性预测控制器.该控制器以神经网络作为预测模型,混沌优化算法作为滚动优化策略,避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题.另外在训练神经网络过程中,采用了带混沌机制的自适应学习率的BP算法,以提高神经网络的收敛能力和收敛速度.仿真研究说明了该非线性预测控制器的有效性及实时性.     

基于降阶模型的斜拉索振动的半主动神经网络控制

根据模态降阶理论,获得了斜拉索-阻尼器系统的降阶模型,有效地缩减了系统的自由度.根据ER/MR阻尼器特性和主动控制中LQG控制理论,建立了面向速度剪切的半主动LQG控制方法,并获得了很好的控制效果.本文设计了神经网络的观测器,使用的传感器数目大大减少,根据智能控制理论,设计了神经网络控制器,并提出采用该神经网络作斜拉索半主动控制的控制算法.振动仿真的结果表明,经过离线训练后的神经网络观测器和控制器,有效地抑制了斜拉索的振动.     

基于反馈增益的AUV稳定神经网络反步变深控制

为解决自主水下航行器的变深控制问题,提出一种基于反馈增益的反步控制方法.首先,通过设计控制器参数消除部分非线性项,在保证系统稳定性的同时设计神经网络控制器来补偿纵倾运动中的模型不确定性;然后,通过自适应鲁棒控制器对神经网络的逼近误差予以消除,以加快神经网络的收敛学习速度,神经网络权值和逼近误差估计的学习律可由李雅普诺夫稳定性理论推导得出,保证了闭环系统的一致最终有界性;最后,通过仿真实验验证了所提出方法的有效性.     

神经伺服控制器及其应用

提出一种新的神经网络伺服控制器,采用ＢＰ网络建立神经网络模型,依据梯度算法建立优化器,可以同时跟踪状态和控制设定变量。环城高速公路交通问题的仿真实验表明该控制器是有效的。     

基于神经网络的新型复合速度控制器的设计

针对传统PID控制和神经网络直接逆动态控制各自的特点,提出了将两者相结合构造一种新型复合神经网络速度控制器的方法：基于感应电机间接磁场定向矢量控制系统．对该复合速度控制器进行仿真研究。仿真结果表明,在电机参数变化和负载扰动的情况下,该控制器的应用使感应电机间接磁场定向矢量控制系统具有很好的鲁棒性和抗扰性能：     

Multi‐Variable Direct Self‐Organizing Fuzzy Neural Network Control for Wastewater Treatment Process

A multi‐variable direct self‐organizing fuzzy neural network control (M‐DSNNC) method is proposed for the multi‐variable control of the wastewater treatment process (WWTP). In this paper, the proposed control system is an essential multi‐variable control method for the WWTP. No exact plant model is required, which avoids the difficulty of establishing the mathematics model of WWTP. The M‐DSNNC system is comprised of a fuzzy neural network controller and a compensation controller. The fuzzy neural network is used for approximating the ideal control law under a general nonlinear system. Moreover, the neural network is designed in a self‐organizing mode to adapt the uncertainty environment. Simulation results, based on the international benchmark simulation model No.1 (BSM1), demonstrate that the control accuracy is improved under the proposed M‐DSNNC method, and the controller has a much stronger decoupling ability.     

基于神经网络控制的LMS算法及其仿真

提出了一种新的基于神经网络控制的自适应变步长LMS算法(BP-LMS).通过BP模型构建输入向量之间的非线性关系、偏差、学习步骤及自适应过程来确定学习的步骤.为了扩展BP神经网络的应用范围,同时也提出了如何确定输入信号是否类似的方法.仿真实验表明,BP-LMS算法确实可以有效减少收敛时间并达到满意的效果.     

基于ANFIS的火电单元机组协调控制设计方法

基于自适应网络模糊推理系统,将模糊推理、变结构控制和神经网络结合起来,提出了一种针对某火电厂300MW单元机组协调控制的方法。给出了控制系统的传递函数模型、结构图和自适应训练方法。仿真结果表明,该算法鲁棒性好,抗干扰能力强。自适应控制效果良好。     

A novel method of short-term load forecasting based on multiwavelet transform and multiple neural networks

This paper aims to develop a load forecasting method for short-term load forecasting based on multiwavelet transform and multiple neural networks. Firstly, a variable weight combination load forecasting model for power load is proposed and discussed. Secondly, the training data are extracted from power load data through multiwavelet transform. Lastly, the obtained data are trained through a variable weight combination model. BP network, RBF network and wavelet neural network are adopted as the training network, and the trained data from three neural networks are input to a three-layer feedforward neural network for the load forecasting. Simulation results show that accuracy of the combination load forecasting model proposed in the paper is higher than any one single network model and the combination forecast model of three neural networks without preprocessing method of multiwavelet transform.     

基于混沌变量的神经网络自适应控制系统的优化设计

基于混沌变量，提出一种神经网络自适应控制系统的优化设计方案。采用混沌状态变量优化神经网络辨识器和控制器权参数，实现混沌粗搜索和局部细搜索相结合，搜索出控制系统参数的全局最优值,具有全局性、快速性、并行性。仿真实验表明采用该方案对强非线性对象的控制具有精度高、超调小、响应快、调节时间短等优点。     

时滞系统的神经网络辨识与控制算法

针对时滞系统、应用神经网络的非线性逼近能力,采用神经网络实现内模控制中被控对象的正模型及内模控制器,用Lyapunov稳定性定理证明神经网络控制系统的稳定性。仿真结果说明神经网络内模控制方案的优越性。     

基于混沌变量优化的神经网络PID控制

对神经网络模型辨识器的输入量Y（k）,u（k）进行归一化处理,一种规范化PID控制方法作为控制器。采用Logistic映射构造多个不同的混沌变量,应用到神经网络PID参数域中,根据控制系统性能指标进行混沌寻优,获得近似最优解后,再通过时变因子Z（t）在近似最优解的附近继续混沌局部寻优。仿真实验表明该方案是有效的。     

基于小波神经网络的加工过程自适应控制

把信息熵、小波分析和神经网络相结合,提出了基于小波神经网络的加工过程自适应控制系统及其自适应控制算法。提出并定义了广义熵方误差函数,在理论上证明了广义熵方误差函数的有效性。用广义熵方误差函数准则取代BP算法的均方误差准则,用自适应地搜索小波基函数和自适应地调整小波的尺度参数、平移参数和神经网络权值的方法对参数变化的切削力进行在线控制。仿真结果表明,该系统响应快,无超调,比传统的加工过程神经网络自适应控制具有更好的控制效果。     

线控转向汽车传动比智能控制策略的研究

以线控转向汽车的传动比控制为重点进行研究,提出了传动比智能控制策略,旨在进一步改善系统的转向性能。针对转向系统的不确定性、非线性的特点,在原有基于模型控制方法的基础上,研究了模糊控制和模糊神经网络在传动比控制中的应用;首先利用模糊控制技术设计传动比控制器,然后研究了模糊神经网络的结构和算法,利用模糊神经网络对理想传动比控制进行改进,实现了输入变量隶属函数中心值和宽度的在线调节,进而对传动比进行优化;从仿真结果可以看出基于模糊神经网络的控制方法比单模糊控制扩大了传动比变化的车速范围,更加符合理想传动比的要求,表明基于模糊神经网络控制方法更具有可行性和有效性。     

基于自适应神经网络的激光陀螺温度补偿研究

针对捷联惯性导航系统中激光陀螺的输出信号随温度漂移的问题,研究了激光陀螺的零偏与温度的关系,建立了一种新的考虑温度变化率的零偏温度补偿模型.在分析BP神经网络的基础上,提出了一种基于线性再励的自适应变步长神经网络算法进行激光陀螺的零偏温度模型系数的辨识.仿真结果表明,该方法能够有效地进行温漂补偿,从而提高惯组系统的导航精度.