基于CMAC和PID的非线性耦合系统解耦控制研究

为了实现多变量非线性耦合系统的解耦控制,提出了一种基于CMAC与PID的复杂关联自适应解耦控制策略,并给出了详细算法。该控制策略采用PID控制器和CMAC控制器共同构成一个复合控制器,多个复合控制器通过多输入多输出线性神经网络,实施对复杂非线性耦合对象的控制作用。由于神经网络的自适应特性,可使得耦合系统逼近参考模型,实现解耦控制。仿真结果表明,该控制策略实现了耦合系统的解耦控制,并且具有较强的抗干扰能力和鲁棒性。因此采用此控制策略能够实现多变量非线性耦合系统的解耦控制。     

一类非线性系统的神经网络自适应算法研究

讨论了神经网络在非线性系统控制中的应用.针对一类典型的非线性系统,基于波波夫超稳定性理论,推导出了保证系统稳定性的神经网络学习算法,设计了神经网络模型参考自适应控制器,以改善非线性被控对象跟踪参考模型输出的跟踪效果,并以此为依据进行了MATLAB仿真.对电弧炉三相电极调节系统的仿真结果表明,这种神经网络自适应控制系统具...     

非匹配不确定非线性系统的鲁棒输出跟踪

针对一类非匹配不确定非线性系统,提出一种鲁棒自适应渐近输出跟踪控制方法,该方法无须已知不确定性函数及其各阶导数上界。基于Lyapunov函数方法,给出了鲁棒自适应控制律以及GCMAC神经网络权值调整算法,通过后一个状态镇定前一个状态,最终达到了对期望输出的渐近跟踪,同时系统状态有界。应用于电液位置伺服系统的仿真结果表明该控制策略是有效的,对系统不确定性和未知干扰具有较强的鲁棒性。     

基于神经网络的模型跟随控制方法

提出了一种用于数学模型未知多变量系统的模型跟随神经元控制方案,该方案利用神经网络逼近非线性映射的能力及学习能力实现系统对参考模型的,以达到优化控制的目的.同时,提出了一个模型优化学习控制算法,利用该算法获取作为神经元控制器训练样本的最优模型跟随控制律数值解.将模型跟随神经元控制方法用于一个造纸机网前箱的多变量过程,获得了良好仿真研究结果.     

基于神经网络参考模型的船舶航向智能自适应控制系统

为使船舶能在不同状态和环境下按所希望的要求改变船舶的航向，提出了一种基于神经网络参考模型的船舶航向智能自适应控制算法，利用神经网络建立了参考模型和船舶航向运动的辨识模型。并将模糊控制与神经网络相结合，设计了模糊神经网络控制器。利用神经网络的学习功能对控制器的隶属度函数及推理规则进行修正，以提高其自适应能力。仿真结果表明该算法对船舶转向控制有良好的效果。     

用自适应模糊神经网络建立诊断专家系统模型

本文用模糊神经网络算法解决了坦克故障诊断专家系统的具体模型。该算法是当前学术界上的一具热点。作者提出用坦克目标系统故障输出变量和网络系统输出变量的距离信息优化系统参数，来达到自适应目的的方法。同时提出并讨论网络元素过多时分阶段的算法。     

无辨识自适应算法的大滞后对象的控制方法

在实际工业生产中 ,由于对象纯滞后的存在 ,降低了控制系统的稳定性 ,使控制品质下降 ,对控制系统极为不利。对大滞后对象 ,Smith预估控制是一种重要方法 ,但常规Smith预估控制对模型的误差 (包括时间延迟的估计误差 )十分敏感 ,不适用于具有时变时延参数的系统。因此 ,常规Smith预估控制策略难以广泛用于工业控制 ,但该方法仍然得到了控制界的广泛认可。无辨识自适应控制是Marsik和Strejc提出的一种无需辨识系统参数的自适应控制算法 ,该算法简单、鲁棒性强 ,只需在线检测过程的实际输出及期望输出便可形成具有较好动态性能指标的自适应控制系统 ,但是该方法不能解决大滞后问题。借鉴无辨识自适应控制的思想和神经网络强的函数逼近能力 ,首先用一个神经网络来构成被控对象的Smith预估模型 ,然后利用无辨识自适应控制算法设计了一种适用于大滞后对象的控制器 ,两者结合 ,提出了一种简单、实用、鲁棒性强的大滞后对象控制的新方法     

脐带缆拉弯组合疲劳试验机恒拉力控制

由于深海脐带缆的变拉伸刚度特性、卧式加载条件下脐带缆过长、疲劳试验机弯曲端伸缩状态切换而引入冲击噪声等因素,导致恒拉力控制难度高、精度低。在对疲劳试验机控制系统研究的基础上,将模型参考自适应控制算法应用于该试验机的恒拉力控制系统中。针对液压系统中存在的非线性时变参数,提出了自适应线性神经网络与归一化最小均值M估计(ADALINE-NLMM)的自适应控制策略。其利用系统估计的输出误差调整自适应的神经网络的权值,同时利用最小均值M估计算法调整系统中的不确定参数。根据液压系统内部频率变化而跟踪参考模型的输出,削弱脉冲噪声的干扰,提高了控制系统的鲁棒性。不同弯曲角度下脐带缆的静态拉伸试验表明:系统的静态跟踪误差最大不超过3%,平均跟踪误差接近0.3%。一定角度范围内动态拉伸试验表明,脐带缆拉伸端施加恒定的拉力的控制误差不超过10%。结果表明:提出的模型具有良好的恒拉力控制精度和鲁棒性。     

基于动态径向基函数神经网络的多变量解耦控制

为提高工业控制领域中多变量、非线性、强耦合系统的解耦能力和动态特性，基于聚类结合算法和神经网络原理，提出了一种改进的基于动态径向基函数（RBF）神经网络的多变量解耦控制方法.采用聚类结合算法优化动态RBF神经网络，更好地描述了控制对象的动态行为，获得了PID参数在线调整信息，实现了多变量非线性系统的解耦控制.仿真结果表明，与基于常规RBF神经网络的PID控制方法相比，该方法具有更高的控制精度、更快的系统响应以及更好的适应性和鲁棒性，是解决多变量、非线性和强耦合问题的一种简便、有效的控制算法.     

飞机牵引车主动悬架模型参考自适应控制

为提高飞机牵引车的平顺性和操纵稳定性,以主动悬架为研究对象,建立飞机牵引车1/4车体模型,提出一种模型参考自适应控制方法.引入广义天棚阻尼控制力并利用最优控制理论得到参考模型,该参考模型在行驶平顺性和操纵稳定性方面均优于被动悬架.采用李雅普诺夫稳定性理论求解自适应控制律,使被控模型跟踪参考模型的动力学状态.仿真结果表明,模型参考自适应控制能够改善悬架系统的性能,其性能指标与参考模型一致,而且对悬架系统参数变化具有一定的适应能力.     

基于ANN-CBR的雷达故障诊断系统研究

新体制雷达系统的复杂性增加了雷达故障诊断的难度.为保证新体制雷达工作的可靠性和维修性能,运用人工智能理论,将神经网络与案例推理相结合,提出了雷达故障诊断系统结构和基于RBF神经网络故障诊断模型,给出了雷达故障案例的表示方法及快速检索算法.最后,通过实例分析证明了模型及方法的合理性和有效性.     

燃料电池空压机的建模及仿真

空压机的工作参数直接影响燃料电池的性能.为了控制空压机的压力,建立了空压机的压力控制模型,用RBF神经网络和Elman神经网络分别对同一组实验数据进行了拟合分析.仿真结果表明,空气压力控制系统采用RBF神经网络的空压机辨识模型,实时性好,偏差小.     

随机多输入多输出系统的自适应神经网络控制

针对一类具有严格反馈形式的随机非线性多输入多输出系统的自适应神经跟踪控制问题,本文利用径向基函数神经网络的万能逼近性,结合自适应Backstepping设计方法,提出了一类新的自适应神经网络状态反馈控制器,并对该系统提出的控制器含有较少的参数问题,通过Lyapunov稳定性理论进行了稳定性分析和证明,并应用仿真算例进行验证,仿真结果表明,闭环系统的所有误差变量概率意义下有界,并使系统的输出收敛到参考信号的一个小的邻域范围之内。该研究对随机非线性多输入多输出系统的跟踪控制有一定的指导意义。     

基于神经网络的自适应相位纠偏器在电液伺服系统中的应用

针对电液伺服系统正弦响应中存在相位滞后的现象,基于Adaline神经网络,使用LMS自适应滤波算法设计了自适应相位纠偏器(APC)。当响应信号对输入信号有相位滞后时,利用LMS算法对神经网络的权值进行调整,经加权后的输入信号作用于控制系统,从而消除相位滞后。该方法并不需要对控制对象进行辨识,能保证控制系统的实时性。仿真和试验结果表明,自适应相位纠偏器能有效消除相位滞后,快速跟踪输入信号。     

基于参考模型神经网络的锅炉燃烧系统控制

大纯时延、煤种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文作者提出了改变神经网络输入样本区间，利用网络输出期望值与输出实际值之间的误差平方和产生的突变，辨识出非线性对象的延迟时间的方法，将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合，可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制，同时，以10t／h链条炉作为研究对象进行仿真，仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快，鲁棒性能好等优点。     

基于人工神经网络的相位跟踪研究

本文介绍了一种基于人工神经网络的相位跟踪控制方法,当电网并网时,用于对控制电流与电网电压进行同相位跟踪,以实现对电网电压的同步跟踪。经MATLAB电力系统动态仿真,验证了该文提出的BP控制方法,跟踪性能良好,具有较强地自适应能力。     

一种基于ART-2改进后的网格入侵检测模型

应用神经网络中的ART-2理论（adaptive resonance theory自适应共振理论）,在传统ART-2模型的基础上增加了伴随神经元和重置系统B,解决入侵检测系统中可能出现的对渐变过程不敏感从而导致的预分类不完全的问题,通过与基于传统ART-2的入侵检测模型及基于朴素贝叶斯的入侵检测模型的对比,发现改进后的ART-2神经网络打破了传统ART-2对渐变过程不敏感的局限性,使得新模型能够分辨渐变过程,提高了预分类的能力。     

An integrated scheme of neural network and optimal predictive control

An approach of adaptive predictive control with a new structure and a fast algorithm of neural network (NN) is proposed. NN modeling and optimal predictive control are combined to achieve both accuracy and good control performance. The output of nonlinear network model is adopted as a measured disturbance that is therefore weakened in predictive feed-forward control. Simulation and practical application show the effectiveness of control by the proposed approach.