神经网络内模控制及其在大迟延系统中的应用

针对大迟延非线性系统,设计了一种基于神经网络和内模控制理论的控制系统。系统结构为串级,内回路采用常规比例控制;外回路采用神经网络内模控制。辨识器和控制器均采用3层BP网络实现,并用加入动量项的BP算法来训练网络。以电厂主汽温对象为例对系统进行多种负荷下的仿真验证,结果表明,所设计的系统在模型变化时具有较好的控制品质和鲁棒性及抗干扰性,明显优于常规主汽温控制系统。     

一类不确定非线性系统的鲁棒自适应控制

针对具有有界扰动的参数化严格反馈非线性系统,提出了一种鲁棒自适应控制方案。用辨识器估计系统未知参数,利用“确定性等价原则”构成自适应控制方案,从而实现了辨识器与控制器设计的完全分离。所设计的自适应控制器既能保证闭环系统所有信号的全局有界性,又能使输出跟踪误差以指数速度收敛到零的一个小邻域内。仿真结果表明了所提控制方案的有效性。     

基于神经网络的一种PID控制技术

提出了一种基于神经网络的ＰＩＤ控制方案。用神经网络辨识器与神经网络控制器构成间接自校正控制系统,其中,神经网络辨识器采用单稳层结构,其辨识算法采用预报误差（ＲＰＥ算法）：神经网络控制器为２层的线性结构,具输入为系统偏差及其一阶和于阶微分,控制器具有增量型ＰＩＤ控制结构。将该控制方案应用于电阻炉的炉温控制中,获得了满意结果。     

基于多模型IMC-PID的三水箱液位控制算法研究

针对具有非线性、大惯性、时滞性的三容水箱液位过程系统,通过建立多个模型和设计对应的IMC-PID控制器来获取更好的系统性能指标。根据系统的非线性程度,在不同液位高度分别建立多个局部线性系统模型来拟合全局非线性系统模型;采用最小二乘算法和粒子群算法分别对模型参数进行辨识;采用内模算法对所辨识的多个局部线性系统模型分别设计相应的局部控制器,并转化为PID形式。通过Matlab软件仿真可以看出,基于多模型IMC-PID的三水箱液位过程控制算法改善了系统的性能指标。     

一种非线性系统的鲁棒型预测控制算法

提出一种基于神经网络的鲁棒型广义预测控制（GPC）方法,该方法首先用神经网络对非线性系统进行辨识,然后在控制中将模型输出值与测量输出值进行综合,代替量测输出用于控制中,从而降低辨识器与控制器对未建模动态的敏感性,增强控制器的适应能力和鲁棒性.仿真结果表明：将本方法应用于非线性系统控制,对未建模动态具有较强的鲁棒性和控制能力.     

一种非线性系统的鲁棒型预测控制算法

提出一种基于神经网络的鲁棒型广义预测控制(GPC)方法,该方法首先用神经网络对非线性系统进行辨识,然后在控制中将模型输出值与测量输出值进行综合,代替量测输出用于控制中,从而降低辨识器与控制器对未建模动态的敏感性,增强控制器的适应能力和鲁棒性.仿真结果表明:将本方法应用于非线性系统控制,对未建模动态具有较强的鲁棒性和控制能力.     

基于改进最近邻聚类的机械手神经网络逆控制

机械手具有非线性时变、多变量、强耦合的特性,在机械手系统可逆的基础上,设计一种机械手的神经网络逆控制方案。通过神经网络逆辨识建立机械手的神经网络逆模型,把神经网络逆模型作为控制器模型与原机械手串联,构成一个伪线性动态模型,把非线性问题转化为线性问题。其中,辨识器和控制器均采用RBF神经网络结构,网络学习采用具有在线学习功能的最近邻聚类学习算法。仿真结果验证了本方案的有效性和可行性。     

汽车半主动悬架的神经网络控制及仿真

基于 1 /2汽车非线性模型和对角回归神经网络模型 ,应用模型参考自适应控制对半主动悬架系统进行了离线辨识 ,构成了非线性神经网络控制器 ,在线训练了神经网络控制器 ,并对半主动悬架进行了控制仿真 ,对仿真结果进行了分析、总结。     

基于支持向量机的磁力轴承系统辨识研究

针对磁力轴承控制系统的设计分析,提出了一种基于支持向量机(SVM)的磁力轴承系统辨识方法。首先通过闭环控制使转子稳定悬浮,然后在控制器的输出信号中加入扰动信号,以使系统被充分地激励。在该闭环控制系统的基础上,对控制输入数据和输出数据进行采样,然后用SVM算法对磁力轴承系统进行辨识分析。该辨识系统的输入为控制电流,输出为转子位移。将该方法与BP神经网络进行比较,仿真结果表明,SVM用于磁力轴承系统辨识具有良好的辨识效果,辨识精度高,且训练速度快。     

基于神经网络的主汽温控制系统

针对火电厂主汽温被控对象的大迟延、模型不确定性,设计了基于神经网络的主汽温控制系统。系统结构为串级系统。内回路采用常规比例调节器,外回路采用带辨识器的单神经元ＰＩＤ控制器。辨识器为３层ＢＰ网络结构,以广义δ规则为学习规则。控制器学习算法为有监督的Ｈｅｂｂ算法,教师信号由系统定值和辨识器输出构成。对系统在多种工况下的仿真结果表明,所设计的系统在控制品质、鲁棒性方面明显优于主汽温常规ＰＩＤ控制系统。     

基于混沌机制的神经网络预测控制及仿真研究

为解决一大类未知、时滞、非线性系统的预测控制问题,提出了一种基于改进的El-man动态回归神经网络预测控制算法.首先,在一般的Elman动态回归神经网络算法中加入了混沌机制,利用混沌机制固有的全局游动有效地消除了Elman网络易陷入局部极值的缺点,提高了系统的辨识速度;然后,结合广义预测控制(GPC)的反馈校正、滚动优化来完成非线性系统的预测控制.仿真结果表明:将本算法应用于非线性系统预测控制,对未建模动态具有较强的鲁棒性和良好的控制跟踪能力.     

基于混沌机制的神经网络预测控制及仿真研究

为解决一大类未知、时滞、非线性系统的预测控制问题,提出了一种基于改进的Elman动态回归神经网络预测控制算法．首先,在一般的Elman动态回归神经网络算法中加入了混沌机制,利用混沌机制固有的全局游动有效地消除了Elman网络易陷入局部极值的缺点,提高了系统的辨识速度;然后,结合广义预测控制（GPC）的反馈校正、滚动优化来完成非线性系统的预测控制．仿真结果表明：将本算法应用于非线性系统预测控制,对未建模动态具有较强的鲁棒性和良好的控制跟踪能力。     

基于遗传算法的ELMAN网络在非线性系统辩识中的应用

分析了ELMAN网络的基本结构，并讨论了ELMAN神经网络的学习算法，针对BP算法的缺陷，提出了采用遗传算法修正网络的权值的学习算法。最后，利用仿真曲线说明了该方法在高阶次非线性系统中进行了辩识的可行性。     

进化Elman神经网络模型与非线性系统辨识

建立了一种采用改进的自适应遗传算法实现动态递归的进化E lman神经网络模型。提出了对网络的结构、权重、结构单元的初始输入和自反馈增益因子同时进化的学习算法。用初始状态优化的E lman网络集成反馈学习算法和E lman网络在线训练两种动态辨识算法形成的集成化动态递归网络辨识算法,实现了超声马达的速度辨识。模拟结果表明,提出的算法不仅实现了动态递归网络的全自动优化设计,而且明显提高了动态递归网络模型辨识算法的收敛精度,为非线性系统辨识提供了一条新的途径。     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机(PMSM)中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。     

Predicting Model forComplex Production Process Based on Dynamic Neural Network

Based on the comparison of several methods of time series predicting, this paper points out that it is necessary to use dynamic neural network in modeling of complex production process. Because self-feedback and mutual-feedback are adopted among nodes at the same layer in Elman network, it has stronger ability of dynamic aping given, dynamic back-propagation (BP) algorithm of training weights of Elman neural network is deduced. At last, the network is used to predict ash content of black amber in jigging production process. The results show that this neural network is powerful in predicting and suitable for modeling, predicting, and controling of complex production process.     

基于改进动态递归神经网络的交通量短时预测方法

针对已有基于改进动态递归神经网络预测方法的不足,并充分考虑交通流本身所存在的复杂性、非线性和不确定性特点,提出了一种基于可变增益Elman神经网络的交通量短时预测方法。该方法通过引入一个基于实时误差分析的可变增益因子,实现了网络的实时更新。通过长春市人民大街的实测数据对方法进行了验证。试验结果表明,本文方法在网络收敛时间和预测精度方面均优于已有的基于Elman神经网络的预测模型。     

应用Elman网络优化非线性模拟电路测试激励

非线性模拟电路瞬态测试激励信号的参数对电路故障识别率影响很大,在搜索最佳激励信号的过程中,需建立非线性模拟电路的系统模型。Elman网络是一种递归神经网络,能逼近任意动态非线性系统。该文用一种改进的Elman网络建立故障电路和非故障电路的系统模型,用遗传算法搜索最佳瞬态测试激励信号参数,仿真实验结果表明经过该方法优化后的激励信号能大大提高非线性模拟电路的故障识别率。     

改进Elman网络的逼近性质研究

提出了能够用于非线性系统建模的一种新型回归网络,该网络是Elman网络的改进,由输入层、隐层和输出层构成.输入层由外部输入和内部状态层组成,隐层到状态层的连接是任意的,因此在逼近系统时,改进的Elman网络比Elman网络有更多记忆空间.同时证明了改进的Elman网络能够逼近一定时间内的非线性系统的输出轨线,提出了利用动态反向传播算法训练神经网络的前向和反向权值,仿真结果验证了该方案的有效性.