基于递归神经网络的加速度传感器动态特性补偿

提出了一种基于递归神经网络的加速度传感器动态性能补偿方法,利用神经网络良好的非线性映射能力,建立传感器的动态逆模型,用实际工作参数训练神经网络,实现对加速度传感器动态特性的补偿。实验结果表明:经过动态补偿后,加速度传感器的系统工作频带得以拓宽,检测信号达到稳态的时间从补偿前的7m s缩短到大约1m s,传感器的动态性能得到明显的改善。     

非线性系统的神经网络自适应逆控制

提出了非线性系统的神经网络自适应逆控制方法。设计中使用了2个神经网络，经离线训练的NN1实现非线性系统的逆，在线网络NN2用于补偿逆误差和系统的动态特性变化，对一非线性系统的仿真结果表明，神经网络自适应逆控制能够提高系统的动态性能，并且具有较好的鲁棒性。     

基于对角递归神经网络系统辨识及应用

提出了一种基于遗传算法的DRNN神经网络辨识方法。该方法是针对动态BP算法训练神经网络时收敛速度慢、动态特性不够理想等不足，用遗传算法来优化神经网络辨识器的参数，以提高辨识系统的性能。仿真实验表明该辨识方法对于动态非线系统具有很好辨识精度。     

改进的动态模糊神经网络及其在人脸识别中的应用

结合动态模糊神经网络和补偿模糊神经网络,提出一种改进的动态模糊神经网络。首先介绍动态补偿模糊神经网络的结构和学习算法,然后将其用于人脸识别。对Weizmann人脸数据库和ORL人脸数据库的人脸图像识别实验表明,动态补偿模糊神经网络分类器算法性能优于一般的动态模糊神经网络。     

不确定非线性系统的神经网络智能重构控制

针对一类不确定非线性动态系统,提出了一种基于神经网络动态补偿的鲁棒模型跟随重构控制策略.该方法吸取了线性模型跟随方法的基本思想,通过引入神经网络在线补偿控制器,以克服系统由故障引起的未建模非线性动态的影响,从而提高模型跟随重构控制的动态性能和稳态精度;并且当系统存在模型不确定性时,其输出仍能精确地跟踪理想模型的输出.文中还给出了特定假设条件下闭环重构控制系统稳定性的严格证明.理论分析和仿真研究表明,所提的方法是有效的并可保证闭环系统具有良好的重构性能.     

具有动态补偿能力的神经网络模型及其在动态系统建模中的应用

本文在多层前馈神经网络模型基础上，引入误差动态反馈环节，从而形成一种新的具有动态补偿能力的神经网络模型。新模型的训练利用反向传播原理实现。采用该模型对非线性动态系统进行建模时，能显著提高建模精度，特别是在网络模型工作时，对新出现的输出误差具有动态补偿能力，文中给出了新网络模型的结构和学习算法，最后是仿真实例。     

一种改进BP神经网络在感应电机速度控制中的应用

该文针对传统BP神经网络的不足，提出了一种改进BP神经网络速度控制器，并且应用于感应电机矢量控制系统。为了提高系统的鲁棒性，采用了在线辨识技术，对参数的变化实时补偿。计算机仿真表明，这种基于改进BP神经网络组成的感应电机矢量控制系统具有良好的性能。     

一种基于改进遗传RBF神经网络的传感器动态特性补偿算法

为了改善传感器的动态特性,减小系统测量误差,分析了传感器动态性能补偿的基本原理,提出了一种基于改进型遗传算法(IAGA)和RBF神经网络相结合的补偿算法,给出了用IAGA-RBF补偿算法建立的数学模型,并应用到瓦斯传感器的补偿环节.实验证明,该补偿算法具有响应速度快、计算精度高和工作频带宽的特点,多项动态特性指标都得到了较大的改善,能够有效地用于传感器的动态特性补偿.     

基于FLNN的加速度传感器动态特性补偿方法

对加速度传感器动态性能进行分析,提出其动态性能补偿的神经网络方法,介绍了补偿原理以及神经网络算法,给出用函数连接型神经网络建立的加速度传感器动态补偿网络的数学模型。结果表明:这种补偿模型精度高、能实现在线修正,有良好的鲁棒性及动态补偿器实现简单等优点。     

采样非线性系统的动态神经网络稳定自适应控制

研究了一类采样数据非线性系统的动态神经网络稳定自适应控制方法.不同于静态 神经网络自适应控制,动态神经网络自适应控制中神经网络用于逼近整个采样数据非线性系 统,而不是动态系统中的非线性分量.系统的控制律由神经网络系统的动态逆、自适应补偿项 和神经变结构鲁棒控制项组成.神经变结构控制用于保证系统的全局稳定性,并加速动态神 经网络系统的适近速度.证明了动态神经网络自适应控制系统的稳定性,并得到了动态神经 网络系统的学习算法.仿真研究表明,基于动态神经网络的非线性系统稳定自适应控制方法 较基于静态神经网络的自适应方法具有更好的性能.     

模糊神经网络补偿的伺服系统二次型最优控制

针对伺服系统二次型最优控制存在的问题,提出了基于模糊神经网络补偿的二次型最优控制方法,该控制方法利用模糊神经网络的实时学习能力,能够及时补偿被控对象建模不准确、参数摄动和外界干扰等非线性因素对控制系统性能的影响,增强控制系统的自适应能力,有效提高控制系统的跟踪性能和抗干扰鲁棒性能.仿真试验结果验证了该控制方法的有效性.     

Discrete adaptive neural network disturbance feedforward compensation for non-linear disturbances in servo-control applications

This article introduces a novel adaptive neural network compensator for feedforward compensation of external disturbances affecting a closed-loop system. The neural network scheme is posed so that a non-linear disturbance model estimate for a measurable disturbance can be adapted for rejection of the disturbance affecting a closed-loop system. The non-linear neural network approach has been particularly developed for ‘mobile’ applications where the adaptation algorithm has to remain simple. For that reason, the theoretical framework justifies a very simple least-mean-square approach suggested in a mobile hard disk drive context. This approach is generalised to a non-linear adaptive neural network (NN) compensation scheme. In addition, usual assumptions are relaxed, so that it is sufficient to model the disturbance model as a stable non-linear system avoiding strictly positive real assumptions. The output of the estimated disturbance model is assumed to be matched to the compensation signal for effectiveness, although for stability this is not necessary. Practical and simulation examples show different features of the adaptation algorithm. In a realistic hard disk drive simulation and a practical application, it is shown that a non-linear adaptive compensation scheme is required for non-linear disturbance compensation providing better performance at similar computational effort in comparison to well-established schemes.     

带有干扰观测器的线控转向系统复合自适应神经网络控制

考虑车辆线控转向(SbW)系统存在不确定动态特性以及外界干扰影响.本文提出一种带有干扰观测器的复合自适应神经网络实现SbW系统的精确建模与稳定控制.首先,利用神经网络在线逼近系统不确定动态,避免控制器设计中使用到系统模型的先验知识.然后,结合系统的跟踪误差与建模误差提出一种新的复合自适应学习率来更新神经网络的权值,从而...     

基于RBF神经网络的一类不确定非线性系统自适应H控制

基于RBF神经网络提出了一种H_∞ 自适应控制方法.控制器由等效控制器和H_∞ 控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H_∞ 控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.     

基于RBF神经网络的一类不确定非线性系统自适应H∞控制

基于RBF神经网络提出了一种H∞自适应控制方法.控制器由等效控制器和H∞控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H∞控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.     

粗糙集理论在补偿模糊神经网络中的应用

该文首先引入一种具有快速算法的补偿模糊神经网络.通过对粗糙集理论中的贪心算法进行改进,提出一种新的模糊化方法,并将此方法运用到补偿模糊神经网络的输入模糊化和规则提取中.通过用MATLAB编制程序进行仿真研究,证明改进后的网络与原补偿模糊神经网络相比,在精简决策规则、缩短训练时间、提高误差精度等方面都有显著改善.最后将改进后的网络应用到某位置伺服系统的扰动消除控制中,仿真结果表明此方法的有效性.     

RBF neural networks-based robust adaptive tracking control for switched uncertain nonlinear systems

In this paper, a robust adaptive H∞ control scheme is presented for a class of switched uncertain nonlinear systems. Radical basis function neural networks (RBF NNs) are employed to approximate unknown nonlinear functions and uncertain terms. A robust H∞ controller is designed to enhance robustness due to the existence of the compound disturbance which consists of approximation errors of the neural networks and external disturbance. Adaptive neural updated laws and switching signals are deducted from multiple Lyapunov function approach. It is proved that with the proposed control scheme, the resulting closed-loop switched system is robustly stable and uniformly ultimately bounded (UUB) such that good capabilities of tracking performance is attained and H∞ tracking error performance index is achieved. A practical example shows the effectiveness of the proposed control scheme.     

Adaptive tracking H-infinity control for switched nonlinear systems with unknown control gain sign

This paper addresses the adaptive tracking control scheme for switched nonlinear systems with unknown control gain sign. The approach relaxes the hypothesis that the upper bound of function control gain is known constant and the bounds of external disturbance and approximation errors of neural networks are known. RBF neural networks (NNs) are used to approximate unknown functions and an H-infinity controller is introduced to enhance robustness. The adaptive updating laws and the admissible switching signals have been derived from switched multiple Lyapunov function method. It’s proved that the resulting closed loop system is asymptotically Lyapunov stable such that the output tracking error performance and H-infinity disturbance attenuation level are well obtained. Finally, a simulation example of Forced Duffing systems is given to illustrate the effectiveness of the proposed control scheme and improve significantly the transient performance.     

A nonregressor nonlinear disturbance observer-based adaptive control scheme for an underwater manipulator

A new nonlinear disturbance observer-based tracking control scheme for an underwater manipulator is presented in this paper. This observer overcomes the disadvantages of existing disturbance observers, which are designed or analyzed by the linear system techniques. It can be applied in underwater manipulator systems for various purposes such as payload compensation, interaction effects compensation, underwater current or external disturbance compensation, and independent system control. The performance of the proposed tracking control scheme is demonstrated numerically by the payload compensation and interaction effects compensation for a two degrees of freedom vertical underwater manipulator.     

基于神经网络的一类非线性系统自适应H∞控制

基于神经网络提出一种自适应Ｈ∞控制方法。控制器由等效控制器和Ｈ∞控制器两部分组成,用神经网络逼近未知非线性函数,Ｈ∞控制器用于减弱外部及神经网络逼近误差对跟踪误差的影响。所设计的控制器不仅保证了闭环控制系统的稳定性,而且使外部干扰及神经网络逼近误差对跟踪误差的影响减小到预定的性能指标。