基于鲁棒稳定高阶动态神经网络的非线性系统的辨识

将高阶动态神经网络作为非线性系统的辨识模型,运用Lyapunov稳定性理论,提出一种有效的鲁棒稳定学习规则及相应的学习网络结构,从而确保在对非线性系统辨识时,即使存在建模偏差,辨识误差和动态神经网络的参数能一致最终有界(UUB)稳定,解决了动态神经网络的学习稳定性问题．仿真结果也证明了该辨识方法的有效性．     

基于AIS聚类的模糊神经网络在热轧优化建模中的应用

针对现有的钢坯热轧过程智能建模方法——模糊神经网络建模存在的收敛速度慢、建模精度不高、易陷入局部极小值、系统输入输出向量维数和空间划分增加使网络结构趋于复杂等问题,提出了一种基于人工免疫系统（AIS）聚类的自适应神经模糊推理系统的建模方法。该方法采用人工免疫聚类学习算法来确定模糊集合的划分,并确定模糊神经网络的结构和初始参数,能以较少的模糊规则达到理想的建模精度,仿真结果表明了该方法的有效性。     

基于模糊小脑模型神经网络的直线伺服跟踪控制

以永磁直线同步电机为被控对象，在高精度直线伺服跟踪控制系统中，为使输出响应快速地跟踪输入指令，需要克服系统滞后、未建模动态、不确定性以及负载的变化因素等的影响.为此，提出了一种模糊小脑模型(FCMAC)神经网络直接逆控制的方案，可动态地克服上述这些因素的影响.同时，还给出了较详细的原理分析及实现过程.仿真结果表明，此控制方案是十分有效的，能够明显地提高伺服系统的快速跟踪能力，并使系统具有较强的适应性和鲁棒性.     

应用聚类和模糊神经网络方法设计模糊规则库

基于聚类技术和模糊神经网络提出一种新的自动生成模糊系统规则库的设计方法．采用结构辨识和参数辨识相结合的方法，构造模糊系统完善的模糊规则库．用此设计方法对函数逼近问题进行仿真，结果表明该方法具有规则数目少、学习速度快、建模精度高等特点．     

基于RBF神经网络和重复控制PID的电动负载模拟器复合控制

针对电动负载模拟器运行过程中存在的多余力矩问题,提出RBF神经网络和重复控制PID与前馈补偿控制器相结合的电动负载模拟器复合控制方法。该方法充分利用重复控制PID的优点,加入RBF神经网络控制,形成一种具有较强的抗干扰能力、较好的跟踪性能和自适应能力的控制算法;结合舵机速度的前馈补偿,实现多余力矩的抑制;引入弹簧杆,降低系统有害力矩,提高系统稳定性。仿真分析验证了所提复合控制方法的有效性和可行性。     

带不确定性的船舶航向动态神经模糊跟踪控制

针对常规水面船舶的航向跟踪控制中建模参数随航速时变引起的不确定性问题,提出一种基于动态神经模糊模型的控制算法.动态神经模糊模型在学习中同时调整结构和参数,充分逼近船舶的逆动力学.训练好的动态神经模糊模型作为逆控制器,与传统的PD控制器并联,用于船舶航向的跟踪控制,且控制过程中能进一步调整模型权值.以5446TEU大型集装箱船为例,进行航向跟踪控制的仿真结果表明,该算法能克服建模参数不确定性的影响,快速有效地跟踪期望航向,控制效果良好.     

基于密度聚类的模糊神经网络和CHP分解过程建模

针对基于样本数据的复杂系统建模问题,提出了基于密度聚类的模糊神经网络（DFNN）的建模方法,研究了利用密度聚类原理提取数据样本的内在规则的理论和方法,提取的规则能较好地反映样本数据输入输出的对应联系,根据提取的规则给出了模糊神经网络的模型结构.本文以化工生产过程过氧化氢异丙苯（CHP）分解反应过程为对象进行仿真建模,结果显示在模型精度和可靠性上均优于基于c均值聚类提取规则的模糊神经网络模型（CFNN）.     

一种改进的非定常气动力模糊逻辑建模方法

针对飞机过失速机动时气动力和气动力矩出现严重的非线性、耦合性和迟滞性等现象,提出了一种改进的模糊逻辑非定常气动力建模方法。该方法基于大幅振荡风洞实验数据分析结果,充分考虑了影响飞机气动力和气动力矩的不同因素,通过二次型隶属度函数将迎角、迎角导数、迎角二阶导数、侧滑角和缩减频率等转化为模糊输入,将模糊规则计算出的气动力和气动力矩作为模糊输出。与其他方法相比,该方法能够对模糊逻辑模型的结构和参数统一辨识,通用性强,模型精度满足给定的多层相关系数要求。最后,根据奇异摄动理论,设计了时标分离的动态逆控制律,采用了串接链方法实现过驱动系统的舵面偏转分配。通过对比常规气动力和非定常气动力下典型的"眼镜蛇"机动仿真结果,说明了过失速机动时建立精确非定常气动力模型的必要性,也验证了动态逆方法对于非线性系统有良好的控制效果。     

弹翼电动加载系统多余力矩分析与消除

电动加载系统的优点在于加载跟踪速度快。由于多余力矩的存在严重影响了加载精度和系统动态品质，因此消除多余力矩是加载系统保障加载精度的难点也是技术关键。基于实时性要求极高的导弹弹翼电动加载系统的硬件结构和控制原理，对多余力矩的产生原因、理论计算及消除方法进行了详细研究。实验结果表明，系统能有效消除多余力矩，精确、快速地模拟导弹弹翼在展开过程中的气流阻力，为导弹弹翼设计和导弹发射提供了大量实验数据。     

电动式位置扰动力矩伺服系统的控制方法仿真

在位置扰动型力矩伺服系统中,由于受力对象的运动给系统带来很大的位置干扰,给系统的校正和优化带来了困难,位置扰动型力矩伺服系统设计的主要任务就是消除它的多余力矩.针对多余力矩和参数变化问题,在建立电动式位置扰动型力矩伺服系统数学模型的基础上,提出了一种新的控制方法:采用单神经元自适应比例积分微分(PID)控制来抑制多余力矩和提高系统的控制性能.仿真结果表明这种控制方法有效地抑制了多余力矩的干扰,提高了系统的鲁棒性和跟踪性能.     

无刷直流电机直接转矩神经模糊控制研究

为简化无刷直流电机控制系统结构的同时又能使其具有较快的转矩响应速度,提出一种适用于无刷直流电机直接转矩控制的神经网络模糊推理控制方案,用神经网络定子磁链观测器取代传统的定子磁链观测器．采用模糊控制算法设计逆变器开关状态选择器。利用MATLAB对系统两种不同控制方法的仿真实验结果进行比较,通过比较得出,本文的控制方法转矩、转速、磁链响应快、脉动小,具有优良的稳定跟踪性能和较快的动态响应,具有一定的工程研究价值。     

摩擦加载式电液负载模拟器力矩加载实验

为研究加载结构对摩擦加载式电液负载模拟器力矩加载性能的影响,介绍该负载模拟器的加载原理,搭建单向摩擦加载式电液负载模拟器实验样机.建立该负载模拟器的线性数学模型;设计PID+前馈的控制器,在提高控制精度同时避免引入多余力矩抑制补偿;实验研究弹簧刚度、摩擦盘摩擦性能等对力矩加载性能的影响;着重研究该负载模拟器在强舵机干扰条件下的小幅值力矩加载性能.实验结果表明:摩擦加载式力矩加载方法在结构上不存在多余力矩,能够获得高性能的力矩加载结果.优化弹簧刚度,选用摩擦性能优良的摩擦盘材料,以及设计高性能的控制器均可以提高力矩加载性能.     

基于RBF和模糊预测的AGV轨迹跟踪控制

针对AGV系统存在初始位姿误差,而且给定轨迹又不连续时,应用传统的轨迹跟踪控制方法,就会使其初始速度产生较大跳变的问题,基于径向基函数(RBF)神经网络的非线性动态系统在线建模,将模糊控制技术与预测控制技术相结合,提出基于反演(Backstepping)方法的速度控制器和基于RBF的模糊预测转矩控制器,实施AGV路径跟随和轨迹跟踪控制.仿真和实验结果表明,设计的速度控制器和转矩控制器使AGV系统不仅有较好的动态性能,而且具有较强的鲁棒性.     

电动汽车用异步电动机的模糊自适应跟踪控制

针对传统的矢量控制因忽略铁损影响而无法对异步电动机实现准确控制的问题,研究了考虑铁损的电动汽车用异步电动机的模糊自适应位置跟踪控制。建立了考虑铁损的异步电动机动态数学模型,利用模糊逻辑系统来逼近异步电动机驱动系统中未知的非线性函数,通过反步设计方法构造了模糊自适应控制器,同时采用李雅普诺夫方法分析了系统的稳定性,并在Matlab环境下进行仿真实验,仿真结果表明,在系统参数未知的情况下,电机位置信号可以快速跟踪期望信号,控制器的性能良好。当t=5s时,负载力矩发生变化,电机仍能跟踪期望信号,说明该控制器能够很好的克服电机参数的不确定性及负载力矩扰动的影响,有较强的鲁棒性,实现了对异步电动机的位置跟踪控制。该控制器结构简单,只有一个自适应参数,减少了系统的在线计算负担,易于工程实现,在电动汽车领域应用前景广阔。     

基于BP神经网络算法的结构振动模态模糊控制

为了更合理、方便地控制土木工程结构地震动力反应,提出基于反向传播(back propagation, BP)神经网络的结构振动模态模糊控制算法。以结构地震动力反应数据训练神经网络建立结构分析模型,以时域模态坐标作为被控变量,实现系统降阶,使建立模态模糊控制规则所需要的模糊推理数量处于可接受范围内,并以体系能量最小作为控制目标制定控制规则。建立结构动力反应模糊控制数值模型,根据计算地震动力反应评价所提出算法的减震效果。结果表明:经过训练的BP神经网络可以准确地预测结构的地震动力反应,并可以据此建立模糊控制规则。仅对结构第一阶振型采用模态模糊控制就能达到满意的减震效果。采用主动质量驱动(active mass driver, AMD)最优控制力幅作为各楼层控制力的论域时,模态模糊控制减震效果与其存在差距;增大控制力的论域,可以得到更好的减震效果。     

基于HCMAC神经网络的控制研究

利用HCMAC神经网络与模糊控制算法近似的特性，以偏差和偏差的变化率作为：HCMAC神经网络控制器的输入，构造一新型HCMAC神经网络控制器，克服模糊控制中模糊规则难以准确确定的缺陷。通过仿真实例看出，HCMAC神经网络控制器与常规PID控制器相比具有很好的跟踪控制精度，在时变、非线性的复杂系统中具有一定的应用价值。     

基于BP神经网络算法的结构振动模态模糊控制

为了更合理、方便地控制土木工程结构地震动力反应,提出基于反向传播(back propagation, BP)神经网络的结构振动模态模糊控制算法。以结构地震动力反应数据训练神经网络建立结构分析模型,以时域模态坐标作为被控变量,实现系统降阶,使建立模态模糊控制规则所需要的模糊推理数量处于可接受范围内,并以体系能量最小作为控制目标制定控制规则。建立结构动力反应模糊控制数值模型,根据计算地震动力反应评价所提出算法的减震效果。结果表明:经过训练的BP神经网络可以准确地预测结构的地震动力反应,并可以据此建立模糊控制规则。仅对结构第一阶振型采用模态模糊控制就能达到满意的减震效果。采用主动质量驱动(active mass driver, AMD)最优控制力幅作为各楼层控制力的论域时,模态模糊控制减震效果与其存在差距;增大控制力的论域,可以得到更好的减震效果。     

导弹尾翼电动负载模拟器快速终端滑模控制

针对永磁同步电机驱动的导弹尾翼电动负载模拟器存在的高阶非线性及参数时变问题,提出一种基于反演设计的快速终端滑模控制方法.建立电动负载模拟器系统的状态空间模型,将建模误差及参数摄动视为未知扰动项,基于反演控制的设计思想,将系统模型划分为3个子系统,采用快速终端滑模方法设计控制律,使跟踪误差在有限时间内收敛到零.然后应用Lyapunov方法证明了闭环系统的渐进稳定性及有限时间收敛特性,最后通过试验验证了该控制策略的有效性.与PI+前馈补偿控制策略相比,该方法能够更好地抑制系统中的多余力矩,提高了电动加载系统的力矩加载精度,同时有效提高了加载系统的鲁棒性.     

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。