船舶发电机励磁系统的CMAC神经网络并行控制

结合CMAC神经网络控制算法与PID控制算法设计了船舶发电机励磁并行控制系统.在控制过程中CMAC神经网络控制器经过不断学习,最终在控制系统中发挥主要控制作用.在网内投入发电机额定负载的15%和75%时,用某大型船舶电力仿真系统对该控制系统进行了仿真试验,并对电网的单相接地短路和三相接地短路故障进行了仿真试验,结果表明该船舶发电机CMAC神经网络励磁控制系统具有良好的稳定性、准确性、快速性和一定的鲁棒性.     

FCMAC实现的再励学习稳定控制系统设计

给出了一种通过再励算法调节网络权值的再励模糊CMAC网络,然后针对一类非线性系统,提出了一种基于此网络的稳定控制系统。控制结构中采用滑模控制使状态到达设计的切换面,保证系统的稳定,另外,用基于瑞励学习的模糊CMAC作为补偿控制器减弱系统不确定部分的影响。最后仿真实例表明了所给算法的有效性。     

基于CMAC神经网络的超磁致伸缩非线性控制

对于超磁致伸缩材料固有的迟滞非线性特性，本文提出一种基于小脑模型神经网络(CMAC)前馈逆补偿与PID相结合的复合控制方法。首先利用CMAC神经网络学习获得超磁致伸缩致动器(GMA)的迟滞逆模型进行补偿，再利用CMAC模型在线快速学习适应的能力，结合PID控制器降低跟踪控制时的误差和扰动，从而实现GMA的精密控制。通过MATLAB建立了CMAC前馈逆补偿控制器和CMAC-PID复合控制模型，最后通过仿真实验验证所提方法的有效性。结果表明，提出的利用CMAC神经网络逼近的迟滞模型具有令人满意的精度，在CMAC-PID复合控制方案的作用下，系统的期望位移与实际位移相对误差值最大值仅2.39%,平均相对误差值不到0.5%。说明该控制策略能适应控制对象的非线性变化，有效地提高GMA的跟踪精度。     

开关磁阻电机模糊神经网络PID转速控制

针对开关磁阻电机调速系统难以控制的问题,提出了基于模糊FCMAC神经网络的PID控制方法,该方法的主要思想是将马丹尼直接推理法与CMAC神经网络相结合,构成模糊FCMAC神经网络,实时调整PID控制参数.仿真结果表明,与传统的PID控制方法相比较,该方法大大改善了开关磁阻电机调速系统的动、静态性能,且无需精确的数学模型...     

免疫小脑模型神经网络优化光伏输出

最大功率跟踪控制方法是光伏发电系统的关键技术,以Matlab/Simulink为仿真平台,建立了光伏模块和最大功率跟踪仿真模块.提出将小脑模型神经网络并行PID应用于跟踪系统的最大功率点,并利用免疫响应理论改进CMAC.仿真结果验证了免疫CMAC控制方法的有效性,该MPPT方法不但可以实时跟踪到光伏发电系统的最大功率点,而且显著减小了系统的输出振动,改善了电能质量,提高了电器设备的供电可靠性.     

神经网络控制APF抑制微电网谐波的研究

针对微电网中的谐波污染问题,运用CMAC神经网络与PID算法相结合控制有源电力滤波器(APF),抑制微电网谐波。该系统采用CMAC前馈控制,确保系统响应速度,PID后馈控制,来抑制扰动,仿真结果表明,该控制方法对微电网谐波有明显的抑制效果。     

基于遗传算法的FUZZY+CMAC优化设计

针对模糊控制器甲的参数与CMAC权值的调整及学习很困难的问题,采用改进的遗传算法对模糊控制器和CMAC神经网络的比例因子和连接权值进行寻优,把模糊控制、CMAC和遗传算法的优点结合起来,设计了基于改进遗传算法的FUZZY＋CMAC控制系统,给出了系统的整体结构和各部分的控制设计。仿真结果表明,该控制系统具有超调量小和实时性强的特点。     

基于CMAC网络和相平面分区的实时耦合控制器设计

将CMAC网络与相平面分区相结合提出了一种新的智能控制器——CMAC网络和相平面分区耦合控制器。该控制器针对非线性系统的控制难点,将系统的控制放在两个子控制策略即CMAC控制器和相平面分区控制器中,这两个控制策略相互耦合,耦合方式类似于生物视觉神经的耦合方式。利用CMAC网络的快速学习性能和根据先验知识确定的相平面分区控制器参数,使整个控制器具有自学习和实时在线控制的能力。实验结果表明,利用该方法设计的控制器稳定性和鲁棒性都比较强。     

基于混合优化神经网络的机器人力/位置控制

针对机器人在参数变化和外界工作环境的刚度变化时,系统的控制质量会因常规PID控制器没有自适应能力而明显变差,甚至无法工作,提出了一种具有混合H2／H∞性能指标的CMAC控制方法,采用CMAC神经网络加强系统对参数不确定性的补偿,引入混合优化策略来优化CMAC神经网络的结构和权值,保证了系统对外界干扰在给定干扰衰减度下具有鲁棒稳定性的同时,还能使系统达到良好的动态性能,满足一定的H2最优性能指标。仿真结果表明,本文所提控制方案在大量参数不确定性及外部扰动存在的情况下,仍能满足性能要求。     

模糊CMAC神经网络控制系统及混合学习算法

针对CMAC神经网络和模糊控制的特性,给出了一种能反映人脑认知的模糊性和连续性的模糊CMAC神经网络控制器,该控制器采用高斯函数作为模糊隶属函数,利用神经网络实现模糊推理并可对隶属函数进行实时调整,从而使其具有学习和自适应能力。讨论了这种控制器的混合学习算法,即先采用混沌算法离线优化,再采用BP梯度算法在线调整,并推导了变形Elmam网络的系统辨识算法。对电厂锅炉主蒸汽温度控制的仿真结果表明了此控制器及其学习算法的可行性和有效性。     

基于CMAC的双馈水轮发电机系统控制策略研究

针对可调速双馈水轮发电机系统的不确定性、非线性和参数时变的特点，提出了一种采用小脑模型(CMAC)神经网络的自适应控制策略。该控制策略以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相结合构成系统的复合控制。该文对双馈水轮发电机系统的稳态调节和暂态特性进行了数字仿真研究，并与常规的PID控制进行比较。结果表明，基于CMAC的自适应控制策略对系统模型结构和参数变化、负荷扰动都具有很好的适应性和鲁棒性，控制品质优良，是一种适于在线学习控制的双馈水轮发电机系统控制方法。     

基于神经网络的两相混合式步进电机反步控制

两相混合式步进电机是一个非线性、多变量、强耦合的系统。针对两相混合式步进电机开环控制定位精度低的问题,提出了一种基于径向基函数(RBF)神经网络的反步控制方法,该方法克服了单一反步控制对非线性系统控制参数选取困难的缺点,利用RBF神经网络的万能逼近特性,对电机运行过程中的不确定因素进行补偿,使其不过于依赖反步控制器所选取的参数,同时引入高斯基函数和自适应律,能够较好地对其中的非线性项进行逼近。利用神经网络与反步控制方法的结合,有效提高了两相混合式步进电机控制的位置跟踪精度和稳态性能。     

基于小脑模型关节控制器神经网络的短期电价预测

电价预测是电力市场决策的基础。文中介绍了采用小脑模型关节控制器(CMAC)神经网络建立预测提前1天不同时段的电力市场短期电价的预测模型。并以美国加州电力市场的数据作为计算实例，分别采用CMAC神经网络和反向传播算法(BP)神经网络进行短期电价预测。两种预测结果对比表明，CMAC神经网络具有所需训练样本少、输出稳定性好、计算速度快和预测精度高等优点，比较适用于短期电价预测。     

自组织映射神经网络用于动态电压稳定分析的新方法

介绍了一种利用人工神经网络(ANN)进行动态电压稳定分析的新方法。这种多层自组织网络(SHNN)综合利用了自组织映射网络(文中使用Kohonen网络)和多层感知机网络（MLP）。Kohonen网络把输入样本按运行条件的相似性进行聚类,从而使MLP网络的性能得到提高。使用2个SHNN模型,一个用于判定电力系统是否处于动态稳定,另一个预测动态稳定系统的PQ节点的电压幅值。通过动态模拟得到训练样本。最后对WSCC 9节点系统和New England 39节点系统进行数字仿真,证明了该方法的有效性。     

基于多模型和小脑模型关节控制器神经网络的移动机器人故障诊断

提出了一种基于多模型估计方法的神经网络故障诊断技术.该技术根据轮式移动机器人的故障模型,通过一组卡尔曼滤波器生成不同的残差,每一个卡尔曼滤波器对应一种故障类型;对所得的残差进行简单处理,将其作为小脑模型关节控制器(CMAC)神经网络的输入,利用CMAC神经网络的分类逼近能力,建立输入组到输出组(故障类型)的精确映射,最终实现故障诊断任务.仿真实验证明了该故障诊断技术在轮式移动机器人故障诊断上的实用性.     

基于小波分析和智能补偿的三相电力混合滤波算法

在分析传统电力滤波方法的基础上,针对检测电网侧谐波分量和负荷侧谐波分量的复合滤波控制方法无法抑制电网参数对滤波和无功补偿影响的不足,引入智能补偿因子。提出基于小波分析和智能补偿的三相电力混合滤波算法。利用小波算法检测电网电流和载荷电流谐波分量,该结果作为样本利用遗传神经网络进行训练,预测当前电网参数对滤波效果的影响程度,计算智能补偿因子,对混合滤波控制进行补偿。实验结果说明,基于小波分析和智能算法对混合滤波控制进行补偿,是提高其动态性和降低谐波量的有效途径。