一类模型未知系统的辨识和混沌化控制

对于一类模型未知的非混沌系统采用模糊神经网络辨识其动力学特性, 将得到的模糊神经网络辨识模型应用于逆系统方法中, 实现了一类模型未知非混沌系统的混沌化控制. 该方法不依赖于被控对象的数学模型, 就可以进行有效控制. 研究了模糊神经网络辨识误差对控制精度的影响, 证明了适当设计参数可以使由辨识误差引起的控制误差小于辨识误差. 针对连续和离散两类系统的仿真研究证明了该方法的有效性.     

不确定混沌系统的动态神经网络跟踪控制

针对不确定非线性混沌系统，提出了一种基于动态神经网络辨识器的自适应跟踪控制新方法，通过滑模控制技术在线调整动态神经网络辨识器权值，并在获取动态神经网络模型的基础上设计出优化控制器，实现混沌系统的轨道跟踪，对辨识误差和轨道跟踪误差进行分析并证明了它们的有界性，Lorenz混沌系统的仿真实验结果表明了控制策略的有效性。     

基于动态函数连接神经网络的自适应逆控制系统辨识研究

自适应逆控制将系统扰动消除和动态响应性能独立分开控制,其性能的优劣取决于系统对象、逆对象及逆控制器模型辨识精度的高低。文中提出用动态函数连接神经网络来实现自适应逆控制系统对象、逆对象的同时在线建模和逆控制器的离线建模,并将模型参数的辨识转化为空间参数寻优。针对混沌初始化对已收敛种群结构的破坏性,提出用变参数混沌粒子群优化算法对神经网络权值进行全局寻优,通过仿真实验可以看出基于动态函数连接神经网络的建模误差小,辨识精度高;与当前的参考模型自适应控制方法进行对比分析,所提方法能取得较好的扰动消除效果,并能使系统的跟踪响应性能得到提高,从而验证了方法的有效性、可行性。     

盾构机密封舱压力控制模型参数辨识

为了解决盾构机密封舱压力控制模型参数辨识问题,提出了基于神经网络的盾构机密封舱压力控制模型参数辨识方法。根据系统输出（密封舱压力）与系统输入（螺旋输送机转速）之间的关系,建立了串并联神经网络辨识器。数值仿真结果表明,该辨识方法对于观测噪声具有良好的鲁棒性。实验台实验结果验证了所提出的模型参数辨识方法的有效性,模型预测的密封舱压力能够较精确拟合密封舱压力观测值。     

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统．提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型，自动调整PID控制器参数，实现系统的智能控制。仿真结果表明，与常规RBF神经网络PID控制方法相比，该方法具有控制精度高、响应速度快的优点，并且具备较强的自适应性和鲁棒性。     

一类工业运行过程多模型自适应控制方法

针对一类动态未知的工业运行过程,提出一种基于神经网络补偿和多模型切换的自适应控制方法.为充分考虑底层跟踪误差对整个运行过程优化和控制的影响,将底层极点配置控制系统和上层运行层动态模型相结合,作为运行过程动态模型.针对参数未知的运行过程动态模型,设计由线性鲁棒自适应控制器、基于神经网络补偿的非线性自适应控制器以及切换机制组成的多模型自适应控制算法.采用带死区的递推最小二乘算法在线辨识控制器参数,克服了投影算法收敛速度慢、对参数初值灵敏的局限.理论分析和仿真实验结果表明了所提方法的有效性.     

基于高阶神经网络扩展卡尔曼滤波器逆算法的非线性挠性结构的姿态控制

本文针对非线性挠性结构的姿态控制,提出了一种基于高阶神经网络及径向基函数网络（ＲＢＦＮ）相结合的网络模型,用于非线性挠性结构的动态系统辨识,以及基于卡尔曼滤波器（ＥＫＦ）逆算法的控制策略。针对神经网络辨识时的模型误差,提出了一种简单有效的补偿方法,给出了建模误差补偿与补偿时仿真结果。仿真得出,该方法具有收敛快,算法简单,并能有效消除建模误差等优点。     

直接转矩控制中的定子电阻辨识方法研究

针对传统的异步电机直接转矩控制在电机低速运行时系统性能受定子电阻变化影响较大的问题,详细分析了定子电阻变化对系统控制性能的影响,提出了一种基于RBF神经网络的定子电阻辨识方法.该方法应用梯度算法训练RBF神经网络各参数.用该方法对定子电阻进行辨识,具有辨识精度高,响应迅速等优点.对该方法在基于Simulink仿真软件上进行仿真,并与BP神经网络对定子电阻辨识时进行比较.仿真结果表明,该方法优于BP神经网络,可以有效地提高直接转矩控制系统的低速运行性能.     

基于神经网络的时滞系统预测控制

为了克服工业滞后系统难以建立准确模型、控制误差大的问题,文章采用基于神经网络的预测控制方法,将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合,可以用于对具有变化参数或不确定性延迟时并的非线性大延迟系统的控制.仿真结果表明该方法在不引起振荡的同时大大提高了系统的稳定性能.     

基于神经网络的非线性气动弹性系统辨识

由于气动弹性系统的非线性和不确定性的存在,传统的辨识方法在工程中难以满足。针对这种情况提出了一种模糊小波神经网络(FWNN)辨识方法。首先,采用区间2型模糊逻辑系统和小波神经网络结合构建FWNN网络结构,能够较好地逼近具有不确定性的非线性AE系统;然后,考虑到辨识的快速性和准确性,系统采用一组模糊IF-THEN规则,对模糊后件采用单隐层小波神经网络结构;参数学习采用基于Lyapunov稳定性的滑模学习算法,保证系统存在参数不确定的情况下,辨识误差能更快地收敛。最后,对结构非线性二元翼段进行仿真研究,验证了该模型的有效性。     

船舶电力推进系统仿真可信度FCE评估方法研究

为了提高船舶电力推进系统仿真的可信性分析准确性,提出采用模糊综合评判和基于相似度原理的综合方法对系统仿真进行分析。结合船舶电力推进系统的仿真模型,将影响仿真结果的可信性因素综合起来建立层次结构,并依据专家打分确定各子系统的相对权重。针对基于相似度原理所得的结果,采用自适应神经网络模糊控制系统确定子系统的隶属函数,对结果进行模糊化处理,并最终通过模糊综合评判确定系统的可信度。该方法结合神经网络对系统的隶属度函数进行修正,克服了主观确定隶属度函数的缺点;有效地解决了系统中含有定性定量数据求取可信度难的问题,具有一定的科学性和可信性。     

基于改进模糊神经网络的PID参数自整定

针对传统PID整定控制效果差且单纯神经网络整定存在参数学习和调整困难等问题,提出了一种基于改进模糊神经网络的PID参数整定方法。在该方法中,PID控制器的控制参数采用基于Mamdani模型的模糊神经网络进行自适应整定,模糊神经网络参数采用混沌遗传算法离线粗调和BP算法在线细调的方式进行学习和调整,仿真结果表明该整定策略动态响应快、误差控制精度高且网络中各节点及参数物理意义明确。最后分别从模糊规则数的变化及适应度函数的选取两方面提出两种优化方案,仿真结果表明增加模糊规则数或采用不同的适应度函数都有利于进一步减小控制误差。     

基于粗神经网络的仿人智能机器人的语音融合算法研究

将粗集合理论与神经网络相结合，提出一种基于粗神经网络的新的信息融合方法，用于仿人智能机器人的语音融合。该方法不仅可以接受定量输入，而且可以接受定性输入，即输入是一个范围，或在观测时间内输入是变化的。由于粗神经网络的误差传递函数不可微，所以采用遗传算法来训练粗神经网络。仿真实验结果表明，基于粗神经网络的信息融合方法有效地提高了语音的识别率。     

基于小波变换和神经网络的车内噪声信号重构

为获取较高精度车内噪声主动控制(Active Noise Control, ANC)参考信号,提出了一种基于小波变换和BP神经网络的车内噪声信号重构方法。以在某轿车采集到的噪声信号为基础,用声学传递路径分析(TPA)方法确定影响车内噪声的关键点信号。鉴于噪声源信号对车内信号非线性关系的复杂性,建立BP神经网络的噪声重构模型,并利用小波分解来降低噪声信号的非平稳性。为对比重构效果,建立BP神经网络噪声重构模型。结果表明,本文提出算法的重构值与实测值之间的平均绝对误差比BP神经网络小,并且基于小波变换和BP网络重构模型的平均绝对误差均小于0.01。该方法能够对车内噪声信号进行准确、有效的重构。     

飞机液压系统故障诊断

为有效诊断飞机液压系统故障,根据液压系统压力信号采用了熵权ABC-BP神经网络的故障诊断模型。模型先提取飞机液压系统压力信号的特征值,根据熵权法计算特征值信息熵,选取熵权值较大的作为神经网络的输入,同时利用人工蜂群优化BP神经网络,将BP神经网络的误差函数作为人工蜂群的适应度,选择适应度最优的个体参数作为神经网络的权值和阈值,不仅降低模型输入维度,还提高了诊断精度。最后建立了飞机起落架收放系统仿真模型进行仿真研究,结果表明该诊断模型具有较好的故障诊断效果,为飞机液压系统故障诊断提供一种新思路。     

体育成绩测试中BP神经网络的应用分析

基于MATLAB建立了一种BP神经网络算法模型,介绍了其计算流程和计算代码.该BP神经网络模型在运动员3000 m长跑成绩仿真测试中表现出了较高的准确度和可信度,5次实验的平均误差仅为0.18 min,最小误差仅为0.1 min.还利用该BP神经网络模型研究了运动晨脉、血压、血氧与体育成绩之间的关系.其中晨脉和血压稳定...     

溶解氧浓度的直接自适应动态神经网络控制方法

针对污水处理过程溶解氧浓度的控制问题,提出一种直接自适应动态神经网络控制方法(direct adaptive dynamic neural network control,DADNNC).构建的控制系统主要包括神经网络控制器和补偿控制器.神经网络控制器由自组织模糊神经网络实现系统状态与控制量之间的映射;提出一种基于规则无用率的结构修剪算法,并给出结构调整后网络收敛的理论证明.同时,为保证系统稳定,设计补偿控制器减小网络逼近误差,参数调整由Layapunov理论给出.国际基准仿真平台上的实验表明,与固定结构神经网络控制器、PID和模型预测控制等已有控制方法相比,DADNNC方法具有更高的控制精度和更强的适应能力.     

基于改进的BP网络误差修正的广义预测控制

该文利用预测误差的历史数据,基于改进的BP神经网络,对系统的建模误差进行预测。该网络采用了修正激励函数的BP算法,预测性能好,能够克服标准BP算法中Sigmoid函数的不足,加快了网络的学习速度。并将其与模型预测相结合构成广义预测控制算法,有效地克服了模型失配的影响,提高了控制的速度,同时引入控制增量增益,利用这个自由度来提高闭环的稳定鲁棒性。仿真结果表明了该算法的有效性。     

基于广义投影神经网络优化的模型预测控制*

为降低模型预测控制优化问题的计算复杂度,以时滞系统的模型预测控制问题作为研究对象,利用神经网络动态平衡点与优化问题解相对应的特点,提出一种基于广义投影神经网络的模型预测控制优化算法。首先,将模型预测控制优化问题描述为一个带约束的二次规划问题,进一步,通过广义投影神经网络模型进行在线优化。该方法充分发挥了神经网络并行、结构简单的优点,通过具体实例仿真,验证了本文算法的有效性与优越性。     

基于神经网络的多机械臂固定时间同步控制

针对动力学模型未知的多机械臂系统,提出了一种基于神经网络的固定时间终端滑模的位置同步控制器。首先结合相邻交叉耦合同步控制策略,设计固定时间终端滑模面与控制器,保证系统的跟踪误差与同步误差在固定时间内收敛,且收敛时间上界与初始状态无关。其次,设计RBF神经网络权值更新律估计系统多机械臂未知非线性动力学模型,该方法无需对系统模型参数的先验知识。利用Lyapunov函数证明系统的固定时间收敛性与稳定性。最后,仿真结果验证了所提方法的有效性。