随动模拟加载系统的自适应神经滑模控制

针对炮控系统随动模拟加载系统存在的摩擦、间隙、耦合等复杂非线性和参数时变等不确定性特征,提出了一种自适应神经滑模控制策略。对于系统中存在参数时变等不确定性,利用RBF神经网络自适应逼近不确定部分;另外,利用RBF神经网络动态调节切换函数的切换增益,改善系统的动态品质。采用Lyapunov理论推导出自适应律,在线估计神经网络权值和未知函数,并证明了系统稳定性。仿真表明,该控制策略能够较好地抑制干扰力矩,响应快,保证了系统静、动态的加载控制精度和鲁棒性。     

基于模糊控制的飞行仿真电动伺服加载系统

飞行模拟器上利用电动伺服加载系统替代传统的电液伺服加载后,需要进一步提高加载系统快速性、扩宽系统频带.建立了电动伺服加载模型,基于不变性原理对多余力矩进行补偿仍不能满足要求的情况下,利用模糊控制的快速响应特性,针对该系统设计出PI和模糊控制相结合的分段复合控制器.通过Matlab仿真结果表明使该系统既保证了控制无静差,静态稳定性好,同时动态性能有了较大提高.     

基于遗传优化RBF神经网络的电动负载模拟器控制

针对炮控系统电动负载模拟器存在的摩擦、间隙、弹性形变、对象参数时变和位置扰动等复杂非线性,传统的控制方法难以得到良好的动静态性能指标。结合电动负载模拟器系统组成和工作原理,建立了加载数学模型,利用炮控系统位置控制信号进行前馈补偿,设计了RBF神经网络控制器,并采用改进遗传算法对控制器的权值、节点和中心矢量等参数进行优化。实验结果表明:该控制策略能够有效抑制多余力矩,保证了系统静、动态加载时的控制精度和稳定性。     

电磁辐射职业危害及防护对策

针对居住环境内电磁辐射在周期性规律中混有较多高频分量,导致传统时序建模方法和神经网络方法预测性能受限的问题,提出了一种小波分解与季节性差分自回归滑动平均（seasonal autoregressive integrated moving average, SARIMA）模型相结合的混合预测方法. 该方法根据辐射数据的时频特性,利用SARIMA模型对小波分解得到的主要周期分量和细节分量进行分层预测,以适应居住环境内多种发射源形成的复杂电磁辐射状况. 实验结果表明,该方法不仅比单一时序建模方法以及神经网络方法具有更高的预测准确度,而且具有更强的异常值适应性与稳定性.     

舵机电动加载系统的最优控制设计与仿真

针对无人机等飞行器的舵机电动加载系统中存在多余力矩扰动问题,提出了线性二次型最优控制和比例－积分－微分（PID）控制结合的复合控制策略,实现舵机电动加载系统的加载力矩控制。巧妙选取状态变量,建立了系统的状态空间模型并求得最优控制律,较好地抑制了舵机运动带来的干扰。仿真表明,该复合控制策略控制精度较高,且具有较强的抗干扰能力,与电动加载领域常用的小脑模型关节控制器（CMAC）和 PID 复合的控制策略相比,算法简单、计算量小、仿真速度快、输出曲线更加光滑。     

改进混沌粒子群的动态模糊神经网络参数优化及应用

动态模糊神经网络（DFNN）的性能和学习的稳定性取决于其预设参数的选择,针对DFNN多参数优化问题,提出了改进混沌粒子群优化算法,并将其应用于DFNN神经网络预设参数寻优,以获取最佳参数组合。实验结果表明,该方法能够快速有效地提取DFNN的最优参数组合,具有精度高、收敛快、迭代次数少等特点;利用改进混沌粒子群的动态模糊神经网络构建煤与瓦斯突出预测模型,具有良好的建模效果和更高的预测精度。     

基于动态小波神经网络非线性预测的语音编码系统

现在,所有的语音编码系统都采用线性预测技术,但对于本质非线性的语音信号而言,线性预测是不够的.因此,本文提出一种带反馈单元的动态小波神经网络并将其应用于语音编码系统,并对其函数逼近能力和学习高维函数的优越性进行分析.由于反馈单元的内部记忆能力,动态神经网络具有对长时相关的预测能力并能在一定程度上克服小波神经网络的"维数灾难"问题;在对语音信号的预测中,动态小波神经网络预测器的预测性能很好,虽然其预测阶数很低(仅为2).由于预测器较好的预测性能,当将此预测器用于语音编码系统中的后向预测时,实验结果表明:新系统的恢复语音平均分段信噪比比ITU的G.721标准提高3～4dB但二者码率相同.另外非线性预测语音编码系统的计算量是可以接受的.     

基于新型CMAC控制方法的电动加载系统

在电动加载系统中,多余力矩强扰动和其他非线性因素直接影响力矩跟踪精度,传统的控制方法难以得到满意的控制效果。文中分析了传统CMAC算法不稳定的原因,提出了一种新型CMAC控制策略,并对其结构及算法进行了研究。在控制结构上以系统的指令输入和实际输出作为CMAC的激励信号,采用误差作为训练信号,并根据激励信号的特点,提出了非均匀量化的思想。动态仿真结果表明,该方法有效抑制了加载系统的多余力矩及摩擦等非线性因素干扰,提高了电动加载系统的控制精度,且增强了系统的稳定性。     

动力学神经网络模型的构建及其稳定性研究

针对静态人工神经网络具有在反映系统动态行为时网络结构复杂、不能很好地反映系统动态性能的缺点,提出一种由带有积分器和可调反馈系数的神经元构成的新型动力学神经网络模型。该网络比以前的动态网络即递归网络或在此基础上改进的网络能更好地反映系统的动态性能,网络的结构更加简单,训练过程加快,从而使系统能够更好的运行。利用梯度下降法研究了该网络的权值调整算法,并通过李雅普诺夫稳定性判据讨论了这种新型动力学神经网络的稳定性条件。该网络研究为反映系统的动力学行为提供了更好的模型结构和理论算法,为神经网络的发展提供了新的研究方向。     

一种实现最佳用户检测的非线性优化神经网络

本文提出并讨论了实现码分多址（CDMA）系统上最佳多用户检测（MUD）的一种神经网络方法。该方法通过将最佳多用户检测视为非线性优化组合问题，利用神经网络能有效求解非线性优化问题的优势，导出了一种非线性优化神经网络来实现最佳多用户检测，理论分析和计算机模拟表明，所提出的神经网络具有可实时应用的动态性能和较传统方法优越得多的误码率性能和抗多址干扰的性能。     

基于模糊控制器的异步电机直接转矩控制

为降低传统直接转矩控制(DTC)的转矩脉动,提出了一种基于模糊空间矢量调制的异步电机直接转矩控制方案,该方案将模糊控制技术和空间调制(SVM)技术相结合。模糊控制器的两个输入为转矩误差和误差的变化率,输出为电压矢量的转矩控制分量。为提高控制系统的鲁棒性,采用了基于反电动势的模型参考自适应(MRAS)的无速度估算方法对转子转速进行估算。仿真结果验证了该方案的可行性和有效性。     

Development of new training algorithms for neuro-wavelet systems on the robust control of induction servo motor drive

A robust wavelet neural network control (RWNNC) system is proposed to control the rotor position of an induction servo motor drive in this paper. In the proposed RWNNC system, a wavelet neural network controller is the main tracking controller that is used to mimic a computed torque control law, and a robust controller is designed to recover the residual approximation for ensuring the stable control performance. Moreover, to relax the requirement for a known bound on lumped uncertainty, which comprises a minimum approximation error, optimal network parameters and higher order terms in a Taylor series expansion of the wavelet functions, an RWNNC system with adaptive bound estimation was investigated for the control of an induction servo motor drive. In this control system, a simple adaptive algorithm was utilized to estimate the bound on lumped uncertainty. In addition, numerical simulation and experimental results due to periodic commands show that the dynamic behaviors of the proposed control systems are robust with regard to parameter variations and external load disturbance.     

粒子群优化BP-PID的矿井提升机调速系统

传统PID控制器在矿井提升机变频调速系统应用中,由于控制参数固定且不易整定,导致电机转速超调大、电磁转矩和转子磁链脉动大,进而出现矿井提升机调速系统控制效果差的问题。针对这一问题,文中提出一种改进粒子群优化BP神经网络PID控制器的算法。由于BP神经网络算法存在收敛速度慢和极易陷入局部最优的缺点,现将粒子群算法收敛速度快和全局最优特性与神经网络结合,并通过设计神经网络收敛系数进一步加快收敛速度。仿真结果表明,粒子群优化的神经网络控制效果比神经网络好,且效果明显优于传统PID控制器;相较于神经网络PID控制器,矿井提升机转速调节系统稳速调节速度明显提高;与传统PID控制器相比,电机电磁转矩和转子磁链脉动明显降低,具有较强的稳定性和鲁棒性。     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。     

基于GMM说话人分类的说话人识别方法研究

提出了基于高斯混合模型（GMM）说话人分类的分级说话人识别系统,同时将小波神经网络（WNN）引入到子识别系统中。分别对未分级说话人识别系统和分级说话人识别系统进行了比较。仿真实验结果表明,分级网络在保证正确识别率的同时,不仅改善了网络训练速度,亦大大提高了识别响应速度。     

Generalized predictive control based on self-recurrent wavelet neural network for stable path tracking of mobile robots: adaptive learning rates approach

In this paper, a generalized predictive control (GPC) method based on self-recurrent wavelet neural network (SRWNN) is proposed for stable path tracking of mobile robots. Since the SRWNN has a self-recurrent mother wavelet layer, it can well attract the complex nonlinear system although the SRWNN has less mother wavelet nodes than the wavelet neural network. Thus, the SRWNN is used as a model identifier for approximating on-line the states of the mobile robot. In our control system, since the control inputs, as well as the parameters of the SRWNN identifier are trained by the gradient descent method with the adaptive learning rates (ALRs), the optimal learning rates which are suitable for the time-varying trajectory of the mobile robot can be found rapidly. The ALRs for training the parameters of the SRWNN identifier and those for learning the control inputs are derived from the discrete Lyapunov stability theorem, which are used to guarantee the convergence of the GPC system. Finally, simulation results are provided to demonstrate the effectiveness of the proposed control strategy.     

基于模糊神经网络的异步电机DTC研究

针对异步电机直接转矩控制在低速时脉动大、开关频率不固定等缺陷,提出了一种基于模糊神经网络的直接转矩控制方案,该方案采用模糊神经网络调节器分别对转矩和磁链进行控制。该控制方法综合了模糊控制和神经网络的优点,原理简单、无需大量专家经验、具有优良的非线性逼近和自适应能力。最后通过仿真实验证明,采用该控制器的异步电机系统动态性能良好、低速脉动小。     

基于小波包分析与BP神经网络的氧化铝熟料检测

利用小波包分析与BP（Back Propagation）神经网络相结合的算法,对氧化铝熟料检测的应用进行了研究。通过对回转窑中的氧化铝熟料下落碰撞窑壁产生的声音信号进行采集,利用小波包分析提取特征向量,根据氧化铝的烧结状况与声音信号特征向量的对应关系,提出建立BP神经网络模型。经过MATLAB对测试样本进行验证,结果表明BP神经网络模型在氧化铝熟料检测的可行性,而且具备一定的准确率。     

基于SVPWM的永磁同步电机直接转矩控制系统的仿真研究

针对永磁同步电机直接转矩控制系统的磁链和转矩脉动的问题,设计了基于SVPWM的永磁同步电机直接转矩控制系统。实现了电压空间矢量的连续调节,定子磁链近似圆形,解决了常规直接转矩控制系统电磁转矩脉动较大的问题。在matlab/simulink仿真环境下,对该控制系统进行了建模与仿真,验证了控制理论的正确性和有效性。     

异步电机DTC系统脉动最小化研究

直接转矩控制具有控制简单、动态响应迅速、对参数变化鲁棒性强的特点,因此得到了广泛的应用。在传统的异步电动机直接转矩控制系统中,存在电压空间矢量对定子磁链幅值和磁通角的影响,特别是低速时系统脉动大。针对此问题,文章提出了一种的新的控制方法,该方法将磁链区间细分控制与电压矢量合成结合在一起,并通过引入模糊控制算法进一步提高了转矩响应时间,且减小了转矩脉动。仿真结果表明,本控制方法可以大大减小转矩脉动,具有较好的动静态性能。