制粉系统球磨机的神经网络预测控制

通过对制粉系统球磨机这一非线性被控对象建立神经网络预测模型,提出了基于神经网络预测控制器的非线性预测控制方法。为了克服大多数非线性系统预测控制在线计算量大的问题,在预测控制性能指标约束下,采用非线性优化求解技术,得到当前工作点的最优预测控制量,用来训练神经网络预测控制器,最终实现非线性系统的神经网络直接预测控制。新的方法大大减少了在线计算量,仿真试验结果证实了所提方法的有效性。     

一类基于对象正向模型的神经网络自适应控制器的设计

提出了一种基于对象正向模型的神经网络自适应控制器,该方法只须辨识对象的正向模型,将神经网络与优化方法相结合,对控制量进行优化迭代求解。仿真结果表明,该算法能精确跟踪设定输出,响应速度快,超调量小,无稳定误差,控制效果好。     

一类基于对象正向模型的神经网络自适应控制器的设计

提出了一种基于对象正向模型的神经网络自适应控制器 ,该方法只须辨识对象的正向模型 ,将神经网络与优化方法相结合 ,对控制量进行优化迭代求解。仿真结果表明 ,该算法能精确跟踪设定输出 ,响应速度快 ,超调量小 ,无稳定误差 ,控制效果好     

基于RBF神经网络二级倒立摆系统的PID控制

针对二级倒立摆系统,提出一种基于RBF神经网络的PID控制方法。该方法采用RBF神经网络对 PID控制器的参数进行优化修正,从而使控制器处于最优状态,实现二级倒立摆的稳定控制。仿真结果表明,该方法 的控制精度较高,响应迅速,超调量较小。对于多变量、非线性、不稳定的快速系统,具有较好的控制效果。     

基于RBF神经网络二级倒立摆系统的PID控制

针对二级倒立摆系统,提出一种基于RBF神经网络的PID控制方法。该方法采用RBF神经网络对PID控制器的参数进行优化修正,从而使控制器处于最优状态,实现二级倒立摆的稳定控制。仿真结果表明,该方法的控制精度较高,响应迅速,超调量较小。对于多变量、非线性、不稳定的快速系统,具有较好的控制效果。     

混合动力汽车动力电池自适应神经网络优化控制

针对二阶（RC）等效电路模型所建立的动力电池非线性系统,研究了自适应神经网络（NN）输出反馈优化控制的设计问题并进行了稳定性分析。首先,利用神经网络逼近系统未知不确定,并设计了时变增益非线性状态观测器,解决了电池阻容电压和电荷量（SOC）不可测的问题。然后,在Actor-Critic网络框架下,提出了一种基于观测器的自适应神经网络优化控制设计算法。基于Lyapunov稳定性理论,证明了闭环系统所有信号半全局一致最终有界（SGUUB）。最后,通过仿真验证了本文优化控制理论的有效性。     

变风量空调系统的模糊神经网络预测控制

针对变风量中央空调系统具有多变量、大滞后和非线性的系统特性及常规控制算法系统响应慢、控制精度不高等问题,提出了模糊神经网络预测控制策略.该方法将模糊神经网络控制与预测控制技术相结合,建立了模糊神经网络与预测控制结合的复合控制器模型,通过优化变风量控制方式,有效地实现了中央空调系统的预测控制.结果表明,该控制方法能使系统具有良好的动态性能和稳态性能,控制精度高,节能效果显著,具有广泛的应用前景.     

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.     

基于PSO优化BP神经网络的光伏发电量预测

为了实现对光伏发电量的预测,降低光伏并网的不利影响,通过建立粒子群算法(Particle Swarm Optimization,PSO)优化的前馈神经网络光伏系统发电预测模型,进行光伏发电量的预测。该模型采用粒子群优化算法来优化神经网络内部权重和阈值,不仅收敛快,而且不易陷入局部极值,具有较强的泛化能力。以天气参数和光伏发电历史数据作为样本,比较了该模型与未经优化神经网络模型的预测效果。结果表明,经PSO优化的神经网络模型预测精度更高,预测性能更好。     

神经网络在水泥窑优化控制系统中的应用

提出了基于RBF神经网络的水泥窑优化控制系统方案,采用“定值控制回路＋RBF神经网络”两层控制结构,并通过接口外挂于水泥窑集散控制系统的高速数据通道上,实现窑的综合优化控制。仿真实验表明：该优化控制方案有很大的参考价值和实际意义。     

ATM业务控制中的一种新的神经网络方法

采用一种新的神经网络方法建立有效的网络业务控制器, 即利用蚂蚁算法训练神经网络的权值, 应用到ATM的业务控制中. 并进行了仿真.     

基于BP神经网络和TOC的工程造价预控研究

为了有效控制工程造价,使建设投资确定,运用BP神经网络对工程造价进行预测,以预测结果对工程量清单计价模式进行优化,再以优化的工程量清单计价模式为计价依据,通过TOC理论对工程造价进行控制.以六条高速公路为样本数据,其中一条为检测数据,运用BP神经网络仿真,建立仿真模型.通过十三次迭代,模型顺利拟合,并且代人样本检测数据的输出结果与实际吻合.再以检测数据的输出结果为依据对这条高速公路进行TOC理论优化,最终相比优化前工程决算总额减少了2 072.6万元,降低了1%.     

基于神经网络的过程系统动态建模

针对生产过程中参数容易受外界影响而改变,传统的系统辨识方法难以得到精确的数学模型的实际情况,提出利用神经网络的自学习、自适应功能实现动态在线建模。本文对这种方法进行了仿真研究。由计算机产生仿真输入信号：随机信号或Ｍ序列伪随机信号,输入到生产过程中普遍存在的一阶纯滞后对象。通过三层ＢＰ神经元权值的不断调整,实现离线辨识和在线辨识,直到神经网络的阶跃响应曲线几乎和实际系统的阶跃响应重叠。仿真结果表明,     

ANN开关矢量选择器及其仿真实现

针对三电平逆变器的异步电机直接转矩控制系统，应用神经网络设计逆变器的开关矢量选择器，采用MATLAB软件的神经网络工具箱NNToolbox实现开关矢量选择器的设计。仿真结果表明：神经网络开关矢量选择器控制的直接转矩系统可以获得更好的控制效果。     

航天器非线性神经元控制方法研究

针对航天器控制问题,提出了一种非线性动态逆与状态反馈控制相结合的神经元控制系统设计方案,并成功的将其应用于登月舱软着陆过程的控制问题.该方案包含两部分:①应用神经元网络通过学习建立被控系统的非线性动态逆模型,实现被控非线性系统的线性化;②在线性化模型的基础上构造系统的神经元最优状态反馈控制器.本文给出的仿真结果显示出神经计算学在航天器控制问题中所具有的潜在能力.     

灵巧手指力回路自适应神经网络模糊PID控制

在多指灵巧手位置控制的基础上 ,提出一种在力控制回路采用基于模糊规则的自适应神经网络 PID控制的方法 ,将神经网络、模糊规则和 PID控制相结合 ,以 Fuzzy控制粗调 ,ANN控制为细调 ,改善了常规 PID控制中参数线性组合的缺点 ,有利于提高系统对灵巧手指与外界工作环境接触时 ,接触力控制的自适应能力和对外部干扰的抗干扰能力。最后 ,通过仿真实验验证了提出方法的有效性     

变风量空调系统末端的模糊神经网络控制研究

针对目前传统PID控制对模型依赖性强,难以在线调整,对具有非线性和不确定性的变风量(VAV)空调系统的控制动态性能差的特点,提出将模糊神经网络应用于该系统.建立了模糊神经网络控制器,基于变风量空调系统末端装置的数学模型进行了仿真研究.结果表明,该控制策略比传统PID控制更适合于VAV系统,控制系统具有更好的鲁棒性和自适应能力,可以取得更优的动态性能.     

神经网络BP算法在噪声主动控制中的应用

在噪声主动控制系统中采用神经网络控制方法，给出了神经网络BP算法的一种变异算法。仿真实验表明，基于神经网络的噪声主动控制系统具有非常好的降噪效果和稳定性。     

一种具专家能力的模糊神经网络自组织控制器

随着现代科学技术的迅猛发展,人们所面临的问题日益复杂多变。传统的控制技术与信息处理技术对这些复杂问题时常无能为力,因而产生了智能控制技术。近年来智能控制的研究主要集中在模糊系统、神经网络以及二者结合的模糊神经网络技术方面,特别是模糊神经网络已成为研究者们倾注的焦点。因此提出了一种具有专家调整策略的模糊神经网络自组织控制器的设计方案。其特点是：用神经网络代替传统模糊控制器的隶属函数和权值,实现了模糊规则的自动更新;采用一种对量化、比例因子进行专家调整的策略。仿真结果表明,这种智能控制器具有良好的控制性能。