神经网络技术在非线性系统控制中的应用

神经网络控制自问世以来得到广泛的应用。本文介绍了神经网络控制的概念及特点，概述了神经网络控制的主要控制策略并且讨论了它在实际应用中遇到的问题。同时，我们也根据自己在实际研究中的经验提出一些解决这些问题的方法。最后，我们对神经网络控制的应用前景和研究方向作一个展望。     

神经网络α阶逆系统在离散非线性系统控制中的应用

给出一般离散非线性系统的神经网络α阶逆系统(将α阶逆系统与原系统直接串联起来,构成一伪线性系统,具有α阶时延性质)的结构与辨识,并研究其在非线性系统控制中的直接应用。仿真结果表明该方法具有较普遍意义,且结构简单,易于实现。     

遗传神经网络及其在非线性校正中的应用

针对遗传算法和神经网络的不足．介绍了对非线性校正的遗传神经网络方法。计算机仿真结果表明了该方法的收敛速度优越于其它传统方法，且具有较强的鲁棒性。     

基于人工鱼群的PID神经网络非线性系统控制

研究造纸工业中的流浆箱非线性系统优化控制问题。流浆箱系统是工业过程中常见的一类非线性系统,存在着非线性、强耦合等特性。针对流浆箱要求动态响应好、精度高的特点,提出并设计了人工鱼群算法训练的PID神网络控制器。人工鱼群算法克服了PID神经网络采用BP算法训练权值时,初始权值难以确定,易陷入局部最优的缺点,实现对流浆箱的有效控制。在MATLAB环境下,对流浆箱系统进行了控制仿真。仿真结果表明,人工鱼群算法训练的PID神经网络在动态性、稳定性和精确性等方面均优于BP算法,明显改善了流浆箱这类非线性系统的控制性能,具有很好的应用效果。     

连续非线性系统的神经网络α阶逆系统控制方法

对连续非线性系统,采用连续系统的设计方法,利用神经网络对非线性函数的逼近能力加上用来表征系统动态特性的若干积分器,构造工程上可实现的原系统的神经网络α阶逆系统(将α阶逆系统直接与原系统串接,构成α阶积分伪线性复合系统),并对α阶积分伪线性复合系统设计线性控制器,实现对原非线性系统的有效控制.仿真结果表明,该方法适用于较一般的线性、非线性连续系统,且结构简单,易于工程实现.     

神经网络广义逆系统控制

提出适合于高阶非线性系统线性化解耦的广义逆系统，它与被控系统复合后，不但能实现原系统的线性化和解耦，而且通过合理地设计逆系统，可使伪线性复合系统的极点在复平面上任意配置，进一步提出由静态神经网络和若干积分惯性等线性环节组成的神经网络广义逆系统，为模型未知且内部状态不易测量的高阶非线性系统的线性化解耦控制提供一条有效途径，进一步拓展了神经网络逆系统控制方法的适用范围。     

神经网络在状态估计中的应用

本文提出了一种基于神经网络的状态估计方法,避开了依靠数学模型的传统途径,为在那些建模困难的场合实现状态估计提供了可能,仿真结果令人满意.     

复合型非线性控制器在时变非线性系统控制中的研究及应用

在对增量式PID研究和改进基础上,以增益的方式引入模糊非线性控制技术,构建了一种新型的复合型模糊非线性增益PID控制器.这种复合型控制器在误差进入不同范围时,分别具有全速、积分分离、变速积分和稳态控制等控制特性,并根据误差大小采用非线性增益调节方式,有效地克服了控制过程不同阶段中出现的响应失控、收敛慢以及波动的现象.实际应用表明,这种复合型控制器在模拟风浪对防波堤模型动态激励控制过程中,达到了响应迅速、抗干扰能力强、鲁棒性能好的控制效果.     

神经网络广义逆系统控制

提出适合于高阶非线性系统线性化解耦的广义逆系统.它与被控系统复合后,不但能实现原系统的线性化和解耦,而且通过合理地设计逆系统,可使伪线性复合系统的极点在复平面上任意配置.进一步提出由静态神经网络和若干积分惯性等线性环节组成的神经网络广义逆系统,为模型未知且内部状态不易测量的高阶非线性系统的线性化解耦控制提供一条有效途径,进一步拓展了神经网络逆系统控制方法的适用范围.     

一类新的RBF 神经网络在非线性系统建模中的应用

提出一种基于输入集分类函数的新的距离度量方法,它与前传回归的正交最小二乘法相结合,不仅可以学习分类超平面的参数,而且可以选择重要的输入节点。这种结构的RBFNN特别适用于非线性动力学系统的辨识（建模）和控制。将改进的RBFNN用于化工中的聚合反应过程建模,结果表明该方法是有效而适用的。     

基于PID神经网络的非线性动态系统控制

基于PID神经网络的控制器可以完成变量的单输入-单输出非线性系统的任务.该控制器采用BP(误差反向传播)算法来修正连接权重值,通过在线训练和学习,使目标函数到达最优值.充分利用了BP神经网络算法逼近任意连续有界非线性函数的能力,显示了神经网络在解决非线性系统方面的潜能.为了达到控制的目的,和其他非线性建模技术相比较,PID神经网络有几个明确的优点和它独特的用法相一致.仿真结果表明,在对非线性动态系统控制时,基于PID神经网络的控制系统具有很强的灵活和高效性,能取得良好的控制效果.     

广义回归神经网络在非线性系统建模中的应用

广义回归神经网络具有设计简单、收敛快等优势,因此在复杂非线性系统建模中得到了广泛应用;在简要介绍了广义回归神经网络的结构和算法的基础上,基于广义回归神经网络和均匀设计理论,提出了一种新的非线性系统稳健建模方法,并给出了仿真算例;仿真结果表明,用文中提出的方法建立非线性系统预测模型,具有预测结果稳定、模型稳健性好等优点.     

CMAC神经网络在非线性预测控制中的应用

0　引　言预测控制是 70年代末从实践中发展起来的一类新型计算机控制算法。它包括预测模型、滚动优化和反馈校正 ,既具有优化功能又利用了实时反馈信息 ,结合了最优控制与反馈控制的优点 ,在实践中已得到了很好的应用。由于预测控制对模型不寻求结构形式 ,只强调其预测功能 ,特别是强调对性能趋势的预测 ,因此 ,非常适合于存在非线性和不确定的被控对象。本文利用ＣＭＡＣ神经网络建立非线性被控对象的性能预测模型 ,并可进行在线修正 ,以克服由于实际对象中存在的时变、不确定性及环境干扰等引起的模型失配的影响 ,提高系统响应的快速性和…     

仿射非线性系统神经网络自适应控制器的研究及其在机械手中的应用

本文提出了一种利用神经网络逼近具有不确定性及 随机干扰的仿射非线性系统的新算法,采用自适应控制率在线调节网络权值,并基于控制理 论选择控制量以削减噪声干扰．从理论上证明采用该算法后系统全局稳定性．最后将该算法 用于两连杆机械手轨迹跟踪,仿真结果表明该算法具有跟踪精度高,收敛速度快的优点．     

非线性系统的模型参考神经网络控制

提出了一种未知非线性动力学系统的神经网络控制策略，用动态多层ＢＰ网进行辨识，静态网进行控制，控制器结构简单，收敛快泛化能力强，仿真结果表明，该策略对几类非线性系统的控制是有效的，且适用于多值逆映射非线性系统，可用于实时控制。     

循环神经网络建模在非线性预测控制中的应用

基于动态Ｌｅｖｅｎｂｅｒｇ－Ｍａｒｑｕａｒｄｔ（ＬＭ）算法,提出两步ＬＭ方法建立非线性过程的循环神经网络模型。该模型以足够的精度并行于过程运行,并能从过程的输入信息模拟过程未来的响应。研究了基于该模型的扩展ＤＭＣ预测控制策略,仿真结果表明该控制器的性能得到了很大提高。     

非线性系统辨识及其仿真研究：应用神经网络方法

本文重点介绍应用神经网络方法研究非线性系统的辩识问题,并提出研究的算法,同时也进行了仿真计算。     

神经网络在控制系统中的应用

本文综述了神经网络在控制系统中的应用情况,并指出了今后可能的研究方向。     

非线性系统的神经网络学习控制

主要控制了一类非线性系统的神经网络学习控制问题。讨论了以迭代学习方式训练的神经网络学习控制器，在满足一定条件，可以实现一定时间内的系统输出跟踪。