感应电机的神经网络鲁棒自适应动态面控制

针对感应电机的高阶、强耦合的非线性,设计一种具有自适应性和鲁棒性的动态面控制律,以实现对感应电机的控制。首先通过变量代换,将五阶感应电机模型变为块三角形式;接着采用神经网络逼近,将模型转化为含有结构不确定性和参数不确定性的参数化模型。对于感应电机系统中的参数不确定性,在动态面控制方法的基础上设计参数自适应律,在线估计其未知参数;对于感应电机系统中的结构不确定性,设计鲁棒控制律,使得电机控制系统具有鲁棒性。最后通过仿真实现,以验证所提出的控制方法的有效性与实用性。     

基于神经网络的一类非线性系统自适应滑模控制

针对可以分解为标称系统和不确定系统两部分的SISO非线性系统,提出了一种基于神经网络的自适应滑模控制方案。控制器由标称控制律和补偿控制律组成,标称控制律用来控制标称系统,补偿控制律是基于Lyapunov稳定性理论设计的自适应神经滑模控制律,用来控制不确定系统,而神经网络用来逼近系统的不确定性。理论分析和计算机仿真都证明,本文提出的控制策略不但能解决这类系统的轨迹跟踪控制问题,而且可以保证闭环系统的渐近稳定性。     

神经元自适应控制在心脏起博器中的应用

阐述了神经元自适应PID控制的基本原理及其在心脏起博器中的具体应用。     

基于Hopfield神经网络的直流传动系统模型参考自适应控制

本文将Hopfield神经网络引入直流传动系统的模型参考自适应控制,通过神经网络模型参考自适应控制器来给出常规双闭环调速系统的速度控制器外环动态输出,使速度控制具有对某些参数变化的一定程度的鲁棒性     

非线性时滞系统自适应神经网络Backstepping控制

针对一类未知非线性时滞系统,提出了一种自适应神经网络控制设计方案,将Backstepping、占有方法以及自适应界化技术结合起来构造了一个鲁棒自适应神经网络跟踪控制器,采用神经网络逼近未知时滞函数,放松了对非线性时滞函数的要求。通过构建一个恰当的Lyapunov-Krasoviskii泛函证明了闭环系统所有信号半全局一致最终有界,调节设计参数可以实现任意输出跟踪精确度。实例仿真说明了该方案的可行性。     

Realization of precise force control using both 2‐DOF control and learning control

Recently, two degrees‐of‐freedom (2DOF) control has been widely recognized to be efficient. The major merit of 2DOF control is independence between tracking performance and the feedback performance. However, there is a limitation on tracking performance in the 2DOF control system. In this paper, we propose a new control system that consists of a conventional 2DOF controller and a learning controller. The role of the learning controller is to realize high tracking performance, which cannot be realized alone by the 2DOF controller. The learning controller can be designed by using only information specifying a 2DOF controller, and it does not need information about the controlled plant. We show some experimental results to verify the effectiveness of the proposed system. © 1999 Scripta Technica, Electr Eng Jpn, 128(4): 102–110, 1999     

基于神经网络和智能预测控制的机器人算法

提出了一种新颖的控制方案,即采用神经网络预测控制器来控制机器人的力／位置．这种控制器能任意逼近机器人这种不确定对象,不用知道系统的精确结构,同时由于预测控制的加入,使系统在线计算方便,控制质量提高了。通过对机器人的仿真结果可以看出,传统的PID对于不确定对象不能很好的解决,而采用本文设计的控制器,系统的鲁棒性和快速性都得到了改善,并且具有较好的控制效果。     

乙醇-水溶液电化学浸渍体系的神经网络优化

乙醇-水溶液体系电化学浸渍具有很高的实用价值。采用人工神经网络对实验数据进行建模。采用基于学习参数模糊自适应调整的误差反向传播算法提高网络训练速度。适当拓宽实验各因素的水平范围,经过不同因素、不同水平间的组合模拟,利用建立的神经网络模型预测出二元电化学浸渍体系的适当工艺条件。     

基于改进BP神经网络的智能控制方法研究

针对典型 ＢＰ神经网络存在的缺陷而提出了一些有效的改进措施。通过采用改进的 ＢＰ神经网络来对控制规则样本采样的学习和训练,使网络记忆控制规则,以达到智能控制的目的。仿真和实验结果证明该方法具有优良的控制特性,满足伺服电机控制的需要。     

基于模糊神经网络的机器人自学习控制

研究了一种模糊神经网络与传统PD控制相结合的机器人学习控制系统,该控制系统具有自学习、自适应、控制精度高等特点。     

基于模糊RBF神经网络自学习的不确定机器人模糊自适应控制

针对机器人系统的不确定、非线性特点，设计了模糊RBF神经网络控制器学习机器人系统的不确定性上界，并利用模糊推理机产生的分目标学习误差进行训练，避免了采用系统直接输出反馈误差进行训练所存在的权值饱和与过调整问题。此外，在反馈回路还设计了固定比例增益控制器FC，起着监督的作用，对系统实施渐近稳定的控制。仿真结果表明这种控制方案实现了对机器人系统的高精度控制。     

个性化网页推荐中基于神经网络的自适应用户模型研究

研究将手工定制和系统自动建模相结合的自适应神经网络建模方法,根据用户浏览网页的信息提取表示网页特征的关键词及权重,转换成代表用户兴趣特征的概念特征关键词,从而动态调整神经网络的参数,修正用户模型,使神经网络的输出能随用户的兴趣而改变.该模型能有效表示用户的长期兴趣,并随用户短期兴趣的改变调整神经网络模型.实验表明该方法能向用户推荐个性化网页,提高了推荐的精度.     

神经网络与参数自寻优PID在柴油机转速控制系统中的应用

针对柴油机模型自身的特点 ,设计了一种神经网络与参数自寻优PID控制相结合的控制器。在很大程度上改善了柴油机转速控制的输出特性 ,实验证明了算法的可行性。     

Design of fuzzy neural network‐based robust gain scheduling controllers

This paper proposes a method of robust gain scheduling control design by intelligent control that uses a fuzzy neural network without a model. We create a system that is robust and capable of automatic gain control against the conventional fixed PID control system, design a neural network which learns inverse dynamics as feedforward compensation, along with a two‐degree‐of‐freedom control to perform feedback compensation, produce a control system which adaptively adjusts the gain according to changes of the target errors, and verify the effectiveness of the proposed method. © 2009 Wiley Periodicals, Inc. Electr Eng Jpn, 169(4): 21–28, 2009; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.20820     

非线性与神经网络控制方法在控制系统中的应用

介绍非线性控制系统中抵消非线性的基本思想和设计方法 ,针对一个非线性控制系统进行了反馈线性化 ,并在控制系统中对一个用于函数逼近的神经网络进行了定义、设计和实现。最后进行了仿真实验 ,并将其实验结果与其它控制方法进行了比较     

采用复合控制的直流力矩电机摩擦补偿

针对陀螺漂移测试转台直流力矩电机系统中存在的非线性动态摩擦和负载扰动,为提高转台位置跟踪精确度,采用复合控制方法进行摩擦补偿研究.在转台直流电机系统中,电机模型采用简化的二阶线性直流电机模型,摩擦模型采用摩擦参数为非一致性变化的动态摩擦模型.补偿方法包含一个参数自适应律和CMAC神经网络,用于估计未知模型参数、辨识位置周期摩擦扰动并给与补偿.仿真结果表明,复合控制补偿方法保证了闭环系统全局稳定性和对期望位置信号的渐进跟踪,提高了转台位置跟踪精确度.     

基于神经网络的模糊控制在开关磁阻电机中的应用研究

把神经网络与模糊逻辑结合起来,利用神经网络的学习控制算法调节模糊逻辑隶属函数,通过对开 关磁阻电机运行特性的分析,提出了一种可应用于开关磁阻电机驱动系统的智能控制方法,理论和仿真结果均证明了这种基于神经网络模糊控制方法在开关磁阻电机驱动系统中应用的可行性和可靠性。     

动态神经网络对功率放大器的建模方法及要点

为了使基于神经网络的功率放大器的行为级建模变得更加灵活且易于实现,主要介绍了动态神经网络应用于功率放大器的建模方法及要点。首先简单介绍了动态神经网络的模型和理论,然后说明了对功率放大器进行建模时所采用的方法。重点讲述了动态神经网络对功率放大器建模过程中的几个要点,包括:如何选择动态神经网络隐层神经元数目和导数阶数、如何确立功率放大器输出电压表达式、长期记忆效应的建模、动态神经网络在仿真软件中收敛性等问题。注意这些要点之后,神经网络模型仿真结果会具有良好的收敛性和准确性,这样就能快速地完成功率放大器的建模以应用到实际系统的设计和优化之中。     

基于模型参考自适应模糊神经网络的直线永磁同步电动机速度伺服系统

针对直线永磁同步电动机全闭环控制系统易受干扰而降低系统性能指标,甚至造成不稳定等问题,采用模型参考自适应模糊神经网络在线辩识方法,用梯度法实时修正模糊控制器的输入和输出隶属度参数,建立了模型参考自适应模糊神经网络速度伺服系统模型,并给出了模糊神经网络控制器的设计。通过仿真和实验结果证明,这种方法提高了速度检测装置的分辨率和动态响应能力,并且使系统具有很强的鲁棒性。     

多变量PID型神经元网络控制系统及其在协调控制中的仿真研究

介绍了多变量PID型神经元网络控制系统的网络结构和学习算法,说明了系统参数选取方法,并分析了单元机组协调控制的特点.仿真结果表明,该控制系统对多变量强耦合时变的协调控制对象具有良好的解耦性能和自学习控制特性.