基于决策逻辑的模糊粗糙神经网络建模

为建立相关量的预测模型,提出了一种新的基于决策逻辑的模糊粗糙神经网络建模方法.首先对原始数据进行预处理,并基于粗糙集理论进行属性约简,得到最简决策表.然后基于决策逻辑建立模糊粗糙神经网络.最后提出了一种结合混沌搜索算法和最小二乘法的Chaos-LS算法,训练模糊粗糙神经网络的参数,从而建立起系统的模糊粗糙神经网络模型.实验证明,这种建模方法建立的模糊粗糙神经网络模型具有较高的精度和泛化能力a     

基于逆系统的非线性自适应逆控制

针对非线性系统自适应逆控制的不完善,本文引入逆系统方法将非线性系统转化为伪线性系统,然后使用最小二乘支持向量机(LS-SVM)建立了逆系统模型,最后利用成熟的线性系统自适应逆控制理论实现非线性系统的自适应逆控制。引入逆系统方法后实现了两大功能:其一,消除了非线性系统的干扰,而且不需要设计逆对象模型:其二,实现了多变量(n维变量)之间的解耦,而且节省了3n(n-1)个线性滤波器的设计。本文针对一个典型多变量二阶系统实现了非线性系统的自适应逆控制,仿真试验表明该方法不但能够很好地消除非线性系统的干扰,而且还实现多变量的解耦控制。     

基于神经网络逆系统方法的同步发电机非线性励磁控制律研究

根据神经网络逆系统方法，将大型同步发电机非线性励磁控制问题变换为一个相应的线性控制问题，并利用最优控制理论研究非线性励磁控制器。     

非线性系统的支持向量机逆模型辨识及控制

针对非线性系统逆模型建立难的问题,提出了基于回归型支持向量机(support vetor regression,SVR)的非线性系统逆模型辨识建模的方法,在此基础上,提出了基于SVR的非线性系统逆模型控制的方法.仿真试验结果表明:采用SVR建立的非线性系统逆模型具有很高的建模精度和较强的泛化能力,基于SVR的逆模型控制...     

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.     

基于神经网络逆系统的发酵过程多变量解耦控制

发酵过程是时变、非线性、不确定的多变量耦合系统，高性能的解耦控制一直是追求的目标。将逆系统方法与神经网络相结合，提出了一种基于神经网络逆系统的发酵过程解耦控制方法。根据发酵过程的特点，给出了相应的数学模型，并证明了系统的可逆性，进一步构造神经网络逆系统并与发酵系统串联复合成伪线性系统，再设计线性闭环调节器实现高性能解耦控制。仿真结果表明，提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性，具有较强的鲁棒性，克服了解析逆系统解耦控制方案依赖于过程模型和对模型参数的变化很敏感的缺点。     

一种基于逆模糊模型的自适应逆控制方法

利用模糊逆建模方法,结合自适应逆控制思想,提出了一种基于模糊逆模型的自适应逆控制方法。首先利用模糊系统理论对未知非线性对象进行离线逆建模,得到模糊逆模型;然后将对象与初始逆模型进行串联,利用LMS算法在线调节逆模型,同时将其进行数字复制作为系统控制器,与对象进行串联。该方法可用较少的模糊规则数达到很好的跟踪控制效果,将该方法用于一混合非线性系统及球形液位控制中,仿真结果验证了该方法的有效性与实用性。     

基于神经网络的磁流变阻尼器逆控制研究

为了解决阻尼器的非线性问题,设计了一种纯剪切型磁流变阻尼器,并针对其非线性特性,提出了利用径向基函数（RBF）神经网络的非线性映射能力,以建立磁流变阻尼器的逆模型。由已训练的磁流变（MR）阻尼器的逆向神经网络模型和MR阻尼器组成的控制单元,在给定所需控制力的情况下,使MR阻尼器产生相应的阻尼力,实现了MR阻尼器提供连续可调输出力的目的,也使得纯剪切型MR阻尼器在一些需要精确控制的场合能够方便使用。仿真结果表明,神经网络逆控制的方法是有效的、可行的。     

基于神经网络的非线性系统约束预测控制

利用非线性激励函数的局部线性表示,提出一种可用于非线性过程的基于神经网络模型的约束广义预测控制算法。该算法将非线性搜索转化为只对当前控制增量的约束,避免了非线性优化求解,并不需要很多的计算量。文中给出了仿真结果。     

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...     

基于粗糙集和ART2 神经网络的多传感器信息融合

神经网络是信息融合的一种重要方法,粗糙集理论是处理不完备信息的一种技术。本文提出了一种基于粗糙集和ART2神经网络的多传感器信息融合方法。ART2网络是一种无监督神经网络,能够实现对输入的任何模式信号自动识别和分类。而对信息融合中常遇到的数据超载问题,提出采用粗糙集与神经网络结合的方法解决。文章给出了基于粗糙集理论的组合神经网络的模型结构,最后用一个脱机手写体数字识别的实例验证了该方法的有效性。     

基于神经网络PID控制的系统非线性校正的研究

在对BP神经网络PID控制器系统研究的基础上，提出了单神经元的自适应PSD算法。该算法兼有单神经元和自适应PSD算法的特点，简单、实时性好、自适应能力强，可用于控制过程时变、有大滞后的较复杂的对象，是一种实用价值较高的自适应控制算法。文中采用BP神经网络PID控制与单神经元PSD自适应控制两种方法对压电式微位移系统进行非线性控制，并取得了良好的效果。     

基于BP网络的电厂发电机组动态控制算法

本文将BP神经网络模型应用到电厂发电机组动态控制中,并对发电机组进行数学建模,给出了发电机组在70%和100%不同负荷下的动态特性数学模型,提出了发电机组动态控制系统,并为减少系统的稳态误差,采用了FUZZY-PID复合控制结构,仿真结果表明,本文提出的动态控制算法比传统的PID控制算法在准确性和稳定性都更优.     

基于粗糙集-神经网络的飞机寿命消耗量预测模型研究

飞机的寿命消耗是航空装备管理中的重要问题之一,为进一步完善寿命管理方法,开展了基于粗糙集和BP神经网络理论的飞机寿命消耗量预测研究。通过引入粗糙集理论的属性约简功能,实现对复杂影响因素的主因素提取;运用遗传算法优化BP神经网络的权值和阀值,建立飞机寿命消耗量的粗糙集-神经网络预测模型,提出一种基于粗糙集-神经网络的飞机寿命消耗量预测方法。经过实例分析,约简样本预测情况与实际情况相近,与未经约简的预测相比,可信度、误差基本一致,说明该模型具有很好的实际应用效果。     

基于神经网络的KR脱硫控制工艺模型的研究

脱硫过程是一个非常复杂的非线性工艺过程,针对传统的方法建立的脱硫控制工艺模型无法保证稳定和高精度的脱硫效果,在分析测试了常用BP神经网络后.提出采用贝叶斯正则化BP神经网络建立该模型,并用生产实例予以验证;实践表明,该模型消除了操作工人主观误差,提高了脱硫效率.     

基于神经网络的KR脱硫控制工艺模型的研究

脱硫过程是一个非常复杂的非线性工艺过程,针对传统的方法建立的脱硫控制工艺模型无法保证稳定和高精度的脱硫效果,在分析测试了常用BP神经网络后,提出采用贝叶斯正则化BP神经网络建立该模型,并用生产实例予以验证;实践表明.该模型消除了操作工人主观误差,提高了脱硫效率.     

基于PSO的神经网络机械臂自校正控制

粒子群优化算法(PSO)基于群体的演化算法,本质上是一种随机搜索算法,并能以较大概率收敛到全局最优.针对非线性机械臂系统,利用径向基函数(RBF)神经网络和PID控制器作为混合控制器,运用PSO算法对神经网络参数进行在线学习优化,同时在PID控制器的辅助下对机械臂系统进行在线自校正控制.计算机仿真表明,该控制器具有较高的控制精度和响应速度,可以满足机械臂工作要求.     

The research on structural damage identification using rough set and integrated neural network

A huge amount of information and identification accuracy in large civil engineering structural damage identification has not been addressed yet. To efficiently solve this problem, a new damage identification method based on rough set and integrated neural network is first proposed. In brief, rough set was used to reduce attributes so as to decrease spatial dimensions of data and extract effective features. And then the reduced attributes will be put into the sub-neural network. The sub-neural network can give the preliminary diagnosis from different aspects of damage. The decision fusion network will give the final damage identification results. The identification examples show that this method can simplify the redundant information to reduce the neural network model, making full use of the range of information to effectively improve the accuracy of structural damage identification.     

基于异构粗糙神经网络集成的故障诊断研究

该方法不仅显著提高了神经网络的泛化能力，而且无需预先确定神经网络的拓扑结构，简单易用。设计了四种不同的诊断器在柴油机供油系统的标准样本集上进行的诊断测试实验，结果表明基于异构粗糙神经网络集成的故障诊断方法具有最好诊断正确率。