基于神经网络模型预测控制的混沌运动的研究

为了实现混沌运动的控制,应用神经网络模型预测控制的策略.首先通过系统辨识建立要控制的混沌系统的神经网络模型,并设计出神经网络模型预测控制器,然后通过该控制器对混沌运动进行预测控制,使混沌吸引子中的不稳定周期轨道被镇定到不动点.最后借助MATLAB平台进行数字仿真,结果表明该控制方法对混沌控制是有效的.     

污水生化处理过程中溶解氧的非线性控制

溶解氧浓度是污水生化处理过程中的一个重要参数,传统的控制方法并不能取得理想的控制效果.由于溶解氧过程模型中的呼吸率不易卣接得到,将神经网络建模技术与溶解氧过程数学模型相结合得到溶解氧的混合非线性过程模型.针对所得到的混合非线性过程模型,提出了一般模型的非线性控制方法.该方法不需要任何线性化和模型简化工作,所得到的溶解氧的混合非线性过程模型可以直接整合到控制器的设计中.仿真结果验证了该设计方法的有效性和正确性.     

基于神经网络模型预测控制的混沌运动的研究

为了实现混沌运动的控制,应用神经网络模型预测控制的策略。首先通过系统辨识建立要控制的混沌系统的神经网络模型,并设计出神经网络模型预测控制器,然后通过该控制器对混沌运动进行预测控制,使混沌吸引子中的不稳定周期轨道被镇定到不动点。最后借助MATLAB平台进行数字仿真,结果表明该控制方法对混沌控制是有效的。     

迟滞非线性系统辨识与补偿控制研究

针对智能材料中存在的迟滞问题,对其开展了迟滞非线性特性分析,建立了迟滞系统。该迟滞系统由两个部分串联构成:一部分是滤去传递函数影响的Preisach模型;另一部分是不考虑迟滞影响的系统传递函数。将离线和在线辨识方法应用到辨识迟滞系统中,应用最小二乘法离线辨识得到了辨识传递函数参数,再用此辨识传递函数参数作为神经网络辨识的初始权值,得到了神经网络在线辨识的辨识模型;建立了辨识传递函数的逆模型控制系统和前馈逆模型PID控制系统,并对辨识系统进行了迟滞非线性补偿。研究结果表明,模型辨识方法的可行性和补偿控制的有效性在仿真中得到了验证。     

飞行器垂直尾翼的神经网络模型辩识

以某型飞行器50%的垂直尾翼模型为研究对象,针对模型结构振动主动控制系统的不确定性和非线性特性,研究了该系统的神经网络建模问题.分别采用单频信号和不同频率范围的扫频信号作为激励信号,基于外时延反馈的双BP神经网络,采用改进的非线性自回归滑动平均模型(NARMA)对模型结构振动主动控制系统进行辨识和动态建模.试验结果表明:此方法的辨识精度高,训练时间短,所建网络模型具有很好的泛化能力,辨识结果合理可靠.     

重载大惯性液压驱动系统的神经网络近似逆控制

针对重载大惯性液压驱动系统,考虑系统的强非线性、模型不确定性和工作点的变化,设计了系统的神经网络近似逆控制器.该系统逆控制器可以直接从辨识所得的神经网络模型中得到,因而只需要训练一个神经网络.对大惯性重载非线性液压驱动系统的控制仿真研究表明,与传统PID控制器相比,神经网络近似逆控制器具有更好的动态控制性能,对模型不确...     

基于电气比例减压阀的灰色预估神经网络控制方法研究

针对基于电气比例减压阀的气动压力控制系统具有时延、强非线性、系统参数时变等特点,提出用灰色预估模型对系统输出进行预测,并将此预估值作为系统的反馈量和神经网络辨识器的输入量,通过神经网络对系统进行辨识,最后利用神经网络控制器对系统进行控制.实验结果表明,该方法有效降低了时延对系统的影响,提高了动态响应的快速性和精确性,使系统具有较强的鲁棒性和实用性.     

磁流变阻尼器神经网络模型的建立及优化

磁流变阻尼器在振动控制中有广阔的应用前景,建立其精确的力学模型是取得良好控制效果的关键因素之一.文中对某磁流变阻尼器进行了动力学性能测试;并通过统计学方法确定了该阻尼器正向、逆向模型的BP神经网络结构;针对传统遗传神经网络(GA-BP)早熟和收敛速度慢的问题,提出一种结合适应度线性变换、自适应交叉和变异概率的改进遗传神经网络(IGA-BP)算法;在此基础上,分别用BP神经网络、GA-BP神经网络和IGA-BP神经网络对阻尼器正向、逆向非参数化模型进行辨识.研究结果表明:文中提出的改进遗传神经网络算法收敛速度更快,模型精度更高,该非参数化模型能更准确地反映磁流变阻尼器的动力学特性.     

基于微粒群算法的多层前馈神经网络

将微粒群算法和神经网络结合起来,实现了非线形模型的辨识问题和PID控制器参数优化问题.仿真实验表明:微粒群算法在神经网络控制及非线形模型辨识方面的应用具有可行性,具有良好的应用前景.     

低速城市路况下驾驶员制动特性辨识研究

针对现代车辆的智能化、人性化发展的要求,研究"人-车-路"闭环系统中驾驶员在车辆控制中的主导地位.本文通过驾驶模拟器dSPACE实时仿真平台设计实验,通过模拟驾驶员在城市路况的跟车行为,采集驾驶员制动时的相关参数,运用高斯混合模型聚类算法将特征数据分类,并运用BP神经网络工具箱建立了该城市路况下驾驶员制动特性辨识模型,实现了驾驶员制动特性的在线辨识.实验结果表明:该辨识方法在实验设计的城市路况,具有良好的驾驶员制动特性辨识能力.     

Neural network controller for robotic motion control

Since a robotic manipulator has a complicated mathematical model, it is difficult to design a control system based on the complicated multi-variable nonlinear coupling dynamic model. Intelligent controllers using fuzzy and neural network approaches do not need a real mathematical model to design the control structure and have attracted the attention of robotic control researchers recently. A traditional fuzzy logic controller does not have learning capability and it needs a lot of effort to search for the optimal control rules and the shapes of membership functions. Owing to the time-varying behaviour of the system, the required fine tracking accuracy is difficult to achieve by adjusting the fuzzy rules only. The implementation problems of neural network control are the initial training and initial transient stability. In order to improve the position control accuracy and system robustness for industrial applications, a neural controller is first trained off-line by using the input and output (I/O) data of a traditional fuzzy controller. Then the neural controller is implemented on a five-degrees-of-freedom robot with a back propagation algorithm for online adjustment. The experimental results show that this neural network controller achieved the required trajectory tracking accuracy after 15 on-line operations.     

基于神经网络的通用模型自适应控制

应用复合正交神经网络来实现过程的自适应逆控制方法,和通用模型控制器策略相结合,提出了一种基于神经网络的通用模型自适应控制方法,将非线性过程模型应用逆系统的方法可以在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性.另一方面,在自适应逆控制中采用复合正交神经网络具有算法简单、学习收敛速度快等优点,可以克服常用的BP和RBF神经网络一些缺点.基于神经网络的通用模型自适应控制方法中的参考轨迹是一条典型的二阶曲线,该控制器参数具有明显的物理意义,参数整定方便.仿真验证了该控制策略的有效性.     

基于RBF神经网络在带钢厚度控制中的应用

轧钢厚度控制系统的数学模型难以精确建立,传统的PID控制器的自适应能力较差,很难达到满意的控制效果。本文根据以上问题。提出了一种新的控制方法,即基于RBF神经网络自整定PID控制方法。这种控制方法结合了RBF神经网络和PID控制器的控制优势,不仅具有很强的自适应能力、鲁棒性。而且充分发挥了PID控制优势,并且将这种控制方法应用在带钢厚度的控制系统中,取得了很好的控制效果,证明了控制方案的正确性和有效性。     

基于GA的NMPC在污水处理pH值控制中的应用

污水处理pH中和反应过程具有高度非线性和滞后性。文中首先介绍了污水处理pH值控制过程及其机理模型,然后对其进行分析研究,提出了1种基于遗传优化方法的非线性预测控制策略。利用遗传算法的全局寻优、参数调节简单等优点,解决非线性优化难的问题。仿真实验说明,该方法能够对设定的pH值进行很好的跟踪,并且响应时间较快,实现了对pH值的有效控制。     

污水处理转刷曝气自适应控制系统的研究

针对某污水处理示范工程,对于一体化氧化沟的转刷曝气控制系统及相应的控制算法系统进行了研究.设计了全数字化的闭环控制系统,以溶解氧指标为控制对象进行了控制算法设计,针对转刷曝气工艺的特点,采用神经PID调节算法,引入了线性神经元(NNC)对经典PID算法进行优化、应用梯度下降法对NNC网络权值进行在线计算.在实验的基础上,确定了网络权值的初始值.采用C语言实现了算法的编程,该控制系统已在示范工程中得到初步使用.     

农业灌溉再生水处理过程溶解氧控制研究

为了使污水处理后的再生水可以安全的应用于农业灌溉,采用模型预测控制的方法对活性污泥法污水生物处理过程中的溶解氧进行有效控制。一般认为,溶解氧浓度在2 mg/L等级下,活性污泥过程去除有机污染物的效果最佳。通过Benchmark数据仿真验证,模型预测控制方法在响应速度、减小超调等性能上都要优于传统的PI控制方法,为保证再生水质指标达到灌溉标准有着现实指导意义。     

基于神经网络的大容积环境温度模拟系统的辨识与控制

构建了DFOPDT复合模型及其基于神经网络的阶跃响应辨识方法,该方法用阶跃响应数据和模型参数的预测目标值对网络进行训练,使网络收敛于较优解;提出了Bang-Bang、神经网络和自适应PID三段组合式控制策略.试验证明辨识算法精确度高,控制策略效果好.     

汽车电泳涂装输送用新型混联机构的动力学控制

由于汽车电泳涂装输送用新型混联机构存在高度非线性和耦合性,因此难以实现高性能控制。为此,首先采用拉格朗日法推导该机构的动力学模型。然后,在任务空间设计一种PD滑模神经网络动力学控制器并进行稳定性证明。最后,对该控制器进行了仿真,并将所得结果与PD滑模控制器仿真结果进行比较。比较结果表明：该动力学控制器通过神经网络前馈控制的作用有效解决了PD滑模控制器存在的剧烈抖振问题,使得汽车电泳涂装输送控制系统呈现良好的控制性能。     

用模式识别轧机尾部跑偏的自适应控制

针对铝带热连轧轧制过程中影响跑偏的非线性因素众多,很难建立相应的跑偏控制模型的特点,基于现场测试数据进行分析,通过分析跑偏信号的数据特征,建立轧制过程跑偏量值神经网络辨识模型,找出了尾部跑偏模式与F_4机架敏感轧制参数的非线性关系,给出可应用于实际轧制生产的自适应纠偏控制模型,并以一组实测数据进行分析,纠偏效果良好.     

Adaptive nonlinear control using input normalized neural networks

An adaptive feedback linearization technique combined with the neural network is addressed to control uncertain nonlinear systems. The neural network-based adaptive control theory has been widely studied. However, the stability analysis of the closed-loop system with the neural network is rather complicated and difficult to understand, and sometimes unnecessary assumptions are involved. As a result, unnecessary assumptions for stability analysis are avoided by using the neural network with input normalization technique. The ultimate boundedness of the tracking error is simply proved by the Lyapunov stability theory. A new simple update law as an adaptive nonlinear control is derived by the simplification of the input normalized neural network assuming the variation of the uncertain term is sufficiently small.