联合粉磨稳流仓ELMNN建模及其内模控制

针对水泥联合粉磨稳流仓存在非线性和时滞的问题,提出了由极限学习机神经网络(ELMNN)建立在线的联合粉磨稳流仓的内部模型,并利用泰勒级数(taylor)间接求得内模控制器,实现基于ELMNN的联合粉磨稳流仓内模控制。通过设计联合粉磨稳流仓的内模控制系统,对内模控制系统进行稳定性分析。最后,进行仿真验证,结果显示基于ELMNN的内模控制达到了较好的控制质量。     

基于量子粒子群优化极限学习机的频谱感知算法

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于量子粒子群优化极限学习机(E L M)算法的认知无线电网络频谱感知方法.针对极限学习机算法的特点通过量子粒子群算法(Q P S O)优化极限学习机参数,并构建引入结构风险思想的QPSO-ELM模型,降低算法的经验风险提高模型的泛化能力,提高算法的频谱感知性能.仿真实验表明,与人工神经网络(A N N)、支持向量机(S V M)和极限学习机(E L M)三种机器学习算法,在信噪比为-15 dB时的频谱感知性能进行比较,分别提高了16％、28％、9％,仿真证明所提算法在低信噪比情况下具有较高的性能,可有效地实现对主用户信号的频谱感知.     

基于在线补偿算法的卫星姿态控制系统容错控制

针对卫星姿态控制系统中传感器或执行机构发生故障的情况,提出一种基于在线核学习算法补偿的内模容错控制方法.该方法利用内模控制的性质以及在线学习算法的补偿能力,来实现卫星姿态控制系统的自适应容错控制.首先,提出了一种基于正交匹配追踪思想的在线核学习算法,其正交性增强了算法的稀疏性,匹配追踪思想确保了估计误差的有界性.其次,利用提出的在线学习算法来补偿原系统的逆模型,作为故障后系统的逆模型使用,并与原系统组成伪线性系统.最后,将此系统应用于卫星姿态控制系统的内模控制中,仿真结果证明该算法快速可靠,能够满足故障状况下的性能要求.     

基于Wiener模型的非线性预测函数控制

针对传统的预测函数控制对非线性强、结构多变的实际对象控制效果不佳问题,提出了一种基于Wiener模型的非线性预测函数控制(PFC)方法。通过引入支持向量机回归方法,建立Wiener模型中非线性部分的逆模型,在输出反馈和参考轨迹上分别添加一个Wiener模型中非线性部分的逆模型,将非线性预测函数控制转化为线性预测函数控制,用线性优化算法解决非线性预测函数控制问题,避免了复杂的非线性优化。pH中和过程的计算机仿真结果表明,该方法比PID控制效果更好,而且对模型失配具有很好的自适应性能。     

基于核极限学习机的模拟电路故障诊断研究

核函数极限学习机有效地避免了极限学习机(ELM)模型固有的随机性和支持向量机(SVM)模型求解的复杂性,而且具有更快的学习速度和更好的泛化性能。因此,提出了基于核极限学习机的模拟电路故障诊断新方法,描述了电路故障特征的选取过程,建立了以核极限学习机为基础的模拟电路故障诊断模型。实验结果表明,该方法故障诊断准确率大于99%,性能优于支持向量机和极限学习机。     

非线性动态增量内模控制算法及应用

为了提高非线性工艺对象的控制质量,基于动态增量内部模型提出一种非线性动态增量内模控制算法.其中,动态增量内部模型是利用一阶纯滞后模型建立;动态增量内模控制算法是依据该动态内部模型和传统内模控制算法原理设计.在对该动态增量内模控制系统的稳定性分析的基础上,选择一种具有高度非线性和时变性的生物反应器作为控制对象来检验其控制性能.仿真结果表明:动态增量内模控制算法的控制效果和抗干扰能力等均优于传统PID控制算法和人工神经网络控制等高级控制算法,具有较好的实际控制工程意义.     

基于极限过程学习机的储层微观孔隙结构识别

准确分析储层岩石的微观孔隙结构特征是发挥油气层的产能和提高油气采收率的关键.构建一种具有过程式输入的极限学习机模型,并提出基于灰狼优化算法原理改进的混洗蛙跳算法对模型的网络隐层节点个数及网络权值进行优化,利用基于张量乘积矩阵的广义逆求解方法加速极限过程学习机模型的求解.实验结果表明:与5种改进混洗蛙跳算法对比,所提的算法无论在6个高维函数优化还是微观孔隙结构类型识别方面都取得了最好的优化效果,具有很好的实际应用价值.     

基于改进型自抗扰控制的四旋翼无人机姿态控制系统研究

针对四旋翼无人机姿态控制系统在外界干扰下,跟踪精度和抗扰动性能易受到影响的问题,提出一种改进型自抗扰控制(ADRC)算法。首先,基于原点平滑性和连续性考虑设计了改进型非线性函数。其次,基于线性扩张状态观测器(LESO)和非线性扩张状态观测器(NLESO)各自的优点,设计了线性/非线性可切换的改进型扩张状态观测器(IESO)。最后,基于IESO设计了改进型ADRC,将其应用于四旋翼无人机姿态控制系统,并从响应速度、跟踪精度、抗干扰能力三方面对其进行仿真实验验证。实验结果显示,IESO具有更好的观测效果,改进型ADRC的控制性能比传统的线性ADRC和非线性ADRC更优。     

空气重介流化床的基于逆系统方法的内模控制

为了提高大型空气重介流化床（ADMFB）的鲁棒性和抗干扰能力，提出了基于人工神经网络（ANN）逆系统方法的内模控制.在分析ADMFB系统可逆性的基础上，该方法利用ANN辨识得到的原系统逆模型与原系统相串连，运用逆系统方法的思想，将该多变量、非线性、强耦合的系统通过反馈线性化，解耦成多个相互独立的单输入单输出（SISO）的伪线性子系统，对求得的伪线性系统采用该方法进行控制.ADMFB的仿真结果表明，该方法不依赖于系统的精确数学模型，对恒值扰动具有良好的抑制能力，并当非线性参数发生变化或逆系统存在建模误差时，由该方法设计的闭环系统均具有良好的鲁棒稳定性.     

基于极限学习机的图像超分辨率算法

为了进一步提高基于学习的超分辨率图像重建质量,考虑到极限学习机(ELM)具有学习速度快和良好数据预测与分析能力,提出了1种基于极限学习机的图像超分辨率重建方法.在图像稀疏思想下,将高分辨率图像中的高频细节信息作为原子构建冗余字典.具体是提取训练图像的高频信息,采用改进的K-SVD算法对高低分辨率图像进行字典学习,构建对应的特征字典作为极限学习机的输入训练网络参数,建立超分辨率重建模型.最后仿真实验结果表明,所提算法能取得比对比算法更好的实验数据.