直接自适应动态递归模糊神经网络控制及其应用

针对某些仿射非线性系统中各状态变量间呈微分关系的特点,本文提出仅取某些可测状态变量 作为动态递归模糊神经网络(dynamic recurrent fuzzy neural network, DRFNN) 的输入,而由DRFNN 的反馈矩阵 描述系统内部动态关系的直接自适应DRFNN 控制算法,克服了将系统所有变量作为输入的传统模糊神经网 络(traditioanl fuzzy neural network, TFNN) 因某些不可测状态变量所导致的不可实现问题．在电液伺服系统中的 应用结果表明：直接自适应DRFNN 控制算法相对于TFNN 控制算法对系统稳态特性的改善具有较大的优越 性．     

基于递归模糊神经网络的机器人鲁棒H_∞跟踪控制

利用递归模糊神经网络来逼近机器人系统中的非线性函数,提出了一种具有自适应能力的H∞控制策略.该控制策略能够减弱机器人系统的外扰,并把模糊神经网络的重构误差对系统的影响控制在指定的范围内.同时又能保证闭环系统的所有信号都是有界的.为了验证基于递归模糊神经网络的H∞控制策略的有效性,将其与计算力矩控制方法进行比较,仿真结果表明,在存在外扰的情况下,所提出的控制策略具有比计算力矩控制方法更好的跟踪性能.     

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案,该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络,网络结构为2-4-1;辨识算法为动态BP算法;控制器采用两层线性结构的神经网络,输入为系统偏差及其一阶、二阶微分,因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究,仿真结果表明该控制方案不仅具有良好的跟踪特性,而且对系统参数变化具有较强的鲁棒性。     

电液伺服位置系统的变结构自适应鲁棒控制

该文建立了电液伺服位置系统的带有时变参数和非线性特性的三阶模型。在此基础上。基于滑模控制理论,对其设计了一种具有参数自适应能力的自适应滑模变结构控制器。从初始状态到达滑模面这段运动时间内和在滑模面上运动时,依赖于一个时间函数使系统在两个不同的控制律之间进行切换,以满足不同运动阶段的要求。此外在应用变结构控制的同时,通过参数自适应来消除系统不确定性对控制性能的影响,进而增加了系统的鲁棒性。然后基于李亚普诺夫稳定性理论证明了所设计系统的渐近稳定性。最后将此方法应用于冷轧机电液伺服位置系统进行仿真,结果表明这种针对不同运动阶段的特点所设计的控制器满足了变结构控制的可达条件,达到了减小系统到达滑模面的时间和削弱抖振的目的。与传统的变结构控制对比。该文所设计的控制器在减小响应时间、抑止超调和提高鲁棒性方面都具有先进性。     

基于状态延迟动态递归神经网络的机器人动态自适应跟踪辨识

对一种在Elman动态递归网络基础上发展而来的复合输入动态递归网络(CIDRNN)作了改进,提出一种新的动态递归神经网络结构,称为状态延迟动态递归神经网络(State DelayInput Dynamical Recurrent Neural Network).具有这种新的拓扑结构和学习规则的动态递归网络,不仅明确了各权值矩阵的意义,而且使权值的训练过程更为简洁,意义更为明确.仿真实验表明,这种结构的网络由于增加了网络输入输出的前一步信息,提高了收敛速度,增强了实时控制的可能性.然后将该网络用于机器人未知非线性动力学的辨识中,使用辨识实际输出与机理模型输出之间的偏差,来识别机理模型或简化模型所丢失的信息,既利用了机器人现有的建模方法,又可以减小网络运算量,提高辨识速度.仿真结果表明了这种改进的有效性.     

基于动态递归神经网络的一类非线性不确定系统的自适应观测器

针对一类非线性不确定系统，当其状态不可测时，在基于动态递归神经网络的观测器中，对用来抑制不确定性、保证观测器鲁棒观测的控制项进行恰当的设计。仿真结果证实了该设计的有效性。     

基于自结构动态递归模糊神经网络的无人机姿态控制*

针对无人机非线性、强耦合等特点,提出了基于该自结构动态递归模糊神经网络的姿态控制系统,给出了基于Lyapunov函数的系统稳定性证明。对四层模糊神经网络进行了优化和改进,设计了自结构动态递归模糊神经网络,该网络可以根据系统状态在线更新权值、创建/删除节点、优化网络结构。仿真表明：该控制方法的突出优点是,在兼顾考虑了系统中的不确定性因素、非线性因素及外部干扰并存的情况下,保证系统的稳定性和跟踪性能;同时此网络结构比固定结构的模糊神经网络响应速度快,因此更具优越性。     

电液伺服结构试验系统的神经神经网络快速鲁棒跟踪控制

针对结构试验系统的非线性和不确定性特性,提出一种神经网络并行自学习跟踪控制器,在满足试验系统实时性的条件下线建模和虚拟学习做到了控制器的在线自适应设计,并解决了实时训练样本不足的问题,实例仿真表明设计的控制系统具有 滤形再现能力。     

基于动态递归模糊神经网络的水轮发电机组建模

针对水轮发电机组的复杂动态特征,提出一种新的动态递归模糊神经网络结构,并将其应用于解决水轮发电机组的建模问题.通过在网络规则层引入乘积运算,使得复杂模糊规则容易提取,模糊推理功能易于实现.在网络隐层中引入局部递归单元,该方法能克服基于反向误差传播的静态网络辨识动态系统的局限性,提高辨识水轮发电机组动态特性的准确性.通过与其他智能方法的仿真比较,验证了所提出方法的有效性.     

基于动态模糊神经网络的航迹跟踪控制研究

论文提出了一种动态模糊神经网络(DFNN)控制算法用于欠驱动水面艇的航迹跟踪控制研究.动态模糊神经网络控制算法集合了模糊系统知识的方便表达和神经网络的强大学习功能.动态模糊神经网络无需任何先验知识和迭代学习,结构和参数同时调整,能充分逼近水面艇的逆动力学模型.同时,动态模糊神经网络能够在线调整权值,确保系统具有快速准确的跟踪性能,克服了由模型参数变化引起的不确定性的影响,具有一定的理论研究意义和实际应用价值.论文的研究通过在MATLAB/Simulink环境中进行仿真验证其有效性.     

基于DFNN的动态矩阵网络控制系统的应用研究

针对网络控制系统中的随机时延,提出一种基于动态模糊神经网络的动态矩阵网络控制系统。利用动态模糊神经网络的特点,提高系统动态响应性能。在以太网的网络环境下,通过实验仿真结果表明,该方法响应快,提高了系统的跟踪精度,具有更理想的控制效果。     

基于D-FNN的开关磁阻无位置传感器的研究

提出了一种基于扩展径向基函数(RBF)神经网络的动态模糊神经网络(D-FNN)的开关磁阻电机无位置传感器控制的新方法。动态模糊神经网络系统以在线采样的相绕组的电流和磁链为输入,以转子位置角度为输出,从而建立起电流和磁链、转子位置角度的非线性映射关系;训练完成后,用D-FNN输出结果取代位置传感器角度信号,实现电机无位置传感器运行。仿真和实验结果表明:由D-FNN获得的角度信号和由位置传感器获得的角度信号相比误差小,电机能够准确换相,且输出转矩波动小,转速曲线平滑,电机在无位置传感器下运行良好。     

动态递归神经网络在柴油机系统辨识中的应用

对所提出的动态递归神经网络进行了分析,以及如何利用它们来进行系统辨识。设计了用于辨识柴油机的实验,最后在此基础上对柴油机的模型进行了辨识,取得了较好的效果。     

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。     

具有输入饱和的电液伺服位置系统自适应动态面控制

针对具有非线性、参数不确定性及输入饱和问题的电液伺服位置系统,提出了一种自适应动态面控制器的设计方法.该方法充分考虑饱和特性,利用双曲正切函数和辅助控制信号对系统非线性模型进行等价变换,进而采用动态面方法设计抗饱和控制器.设计过程中引入Nussbaum函数,以补偿输入饱和引起的非线性项.通过构造合适的Lyapunov函数,证明闭环系统的所有信号一致最终有界.仿真结果表明,所设计的控制器具有良好的跟踪效果,并有效地削弱了输入饱和对系统造成的不良影响.     

基于自适应模糊神经网络的摩擦力分部补偿算法

针对液压位置跟踪系统中的非线性摩擦力,提出对摩擦力模型的不同分量分别进行补偿的分部补偿算法,以解决用模糊神经网络(FNN)对摩擦力整体进行补偿时,因摩擦力非光滑特性引起较大逼近误差的问题．实验结果表明,分部补偿算法能对摩擦力非线性进行有效补偿,使系统表现出良好的稳态跟踪性能。     

Adaptive tracking control of nonlinear systems with dynamic uncertainties using neural network

In this paper, an adaptive neural tracking control approach is proposed for a class of nonlinear systems with dynamic uncertainties. The radial basis function neural networks (RBFNNs) are used to estimate the unknown nonlinear uncertainties, and then a novel adaptive neural scheme is developed, via backstepping technique. In the controller design, instead of using RBFNN to approximate each unknown function, we lump all unknown functions into a suitable unknown function that is approximated by only a RBFNN in each step of the backstepping. It is shown that the designed controller can guarantee that all signals in the closed-loop system are semi-globally bounded and the tracking error finally converges to a small domain around the origin. Two examples are given to demonstrate the effectiveness of the proposed control scheme.     

基于自适应递归模糊神经网络的污水处理控制

针对污水处理过程中具有的非线性、大时变等特征,提出了一种基于自适应递归模糊神经网络(recurrent fuzzy neural network,RFNN)的污水处理控制方法.该方法利用自适应RFNN识别器建立污水处理过程的非线性动态模型,建立的模型可以为RFNN控制器提供污水处理过程中的状态变量信息,保证了控制器根据系统响应调整操作变量的精确性;并且RFNN辨识器及RFNN控制器基于自适应学习率进行学习,确保了递归模糊神经网络的收敛精度和速度,并通过构造李雅普诺夫函数证明了此算法的收敛性;最后,基于基准仿真模型(benchmark simulation model 1,BSM1)平台进行仿真实验.结果表明,与PID、模型预测控制及前馈神经网络相比,该方法对污水处理中溶解氧浓度和硝态氮浓度的跟踪控制精度具有明显的提升.