基于神经网络的自适应控制研究综述

神经网络与自适应控制相结合的研究,已成为智能控制的一个新的分支。自适应具有强鲁棒性,神经网络则具有良好的自学习功能和良好的容错能力,神经网络自适应控制由于较好地融合了两者的优点而具有强大的优势。该文综述了近年来神经网络自适应控制的研究现状,阐述了神经网络模型参考自适应控制及神经网络自校正控制两种典型的控触方案,并对神经网络自适应控制的应用作了介绍。在此基础上,对神经网络自适应控制存在的主要问题,如稳定性、鲁棒性及收敛性等问题作了积极有益的探讨。最后,展望了神经网络自适应控制未来的发展趋势,并指出了其研究方向。     

神经网络控制的现状与展望

对神经网络在控制中的应用进行了综述,特别对现阶段几种较重要的神经（网络）控制的现状进行了评述,并对神经控制的发展作了展望,最后对神经网络用于控制中存在的几个问题进行了探讨。     

神经网络控制的应用

神经网络首先用于解决模式识别问题。随着80年代神经网络理论的突破性进展，神经网络控制引起控制界的广泛注意。由于系统的复杂性，存在多种不确定性及难以确切描述的非线性。现代工业对工业过程控制不仅要求控制的精确性，还要求控制的鲁律性、实时性、容错性及对控制参数的自适应和学习能力。传统适应控制方法存在局限性，传统控制未能从根本上解决控制问题，所以智能控制得到迅速发展。神经网络在系统辩识、模式识别、信号处理、图象处理、故障诊断等方面得到广泛应用。神经网络控制是从机理上对人脑进行简单结构模拟的新型控制和辩识方…     

神经网络在控制系统中的应用现状及展望

本文分析了神经网络在控制系统中的应用，并对目前几种较重要的神经网络控制现状进行了评述，最后对神经网络控制的发展作了展望。     

神经网络在控制系统中的应用现状及展望

本文分析了神经网络在控制系统中的应用,并对目前几种较重要的神经网络控制现状进行了评述,最后对神经网络控制的发展作了展望。     

神经网络控制应用研究

主要对神经网络控制进行了综述.首先介绍了神经网络的发展历程和结构,讨论了几种常见的神经网络控制方案,简要说明了它们的原理, 并论述了神经网络控制在工业中的应用.最后总结了神经网络的特点及存在的相关问题.     

基于神经网络的机器人智能控制

本文综述了智能控制与机器人控制的特点.并在智能控制的框架下,重点论述了神经网络控制在机器人控制中的应用及基于神经网络的机器人各种控制方法,同时指出今后的研究方向,为神经网络控制乃至智能控制在机器人控制中的应用提供了参考.     

基于神经网络的机器人智能控调

本文综述了智能控制与机器人控制的特点，并在智能控制的框架下，重点论述了神经网络控制在机器人控制中的应用及其于神经网络的机器人各种控制方法，同时指出今后的研究方向，为神经网络控制乃至智能控制在机器人控制中的应用提供了参考。     

基于神经网络PID电子负载控制系统设计

以电子负载为研究对象,针对其控制系统复杂的非线性和时变性,常规的PID控制方法存在着精度低,自适应能力不强等缺点,以定点32位DSPTMS320F2812作为控制芯片,结合神经网络和常规PID设计了一种神经网络PID控制器.仿真结果表明,通过神经网络PID控制器,能够在线调整PID控制参数,使系统具有更小的超调量和更短的调节时间,而且系统的精度和稳定性也得到大大的提高.神经网络PID控制器是一种动态特性和静态特性良好的控制器,在电子负载控制实验中可以获得满意的控制效果.     

用LabVIEW实现神经网络控制

虚拟仪器和神经网络控制的应用已经十分广泛,而将两者结合起来的应用却比较少.研究了用虚拟仪器开发软件LabVIEW实现神经网络控制的方法,选择用LabVIEW的图形编程语言实现了神经网络控制.结果表明,通过LabVIEW可将虚拟仪器技术和神经网络控制有机地结合起来,拓宽两者的应用范围,提高控制系统的性能和开发效率.     

Multivariable Control of a Pulsed Liquid-Liquid Extraction Column by Neural Networks

Modelling and control of chemical process systems are usual applications of artificial neural networks that have been explored so far with success. This paper deals with the potential application of neural networks to the multivariable control of a solvent extraction pilot plant. The pilot plant to be controlled is a pulsed liquid-liquid extraction column, which presents a non-linear behaviour and time-varying dynamics. Previous works have shown that the column could be maintained in its optimal behaviour by means of the control of conductivity by action on the pulse frequency. A given product specification can be obtained by the control of the product concentration in the outlet stream by acting on the solvent feed-flow rate. Owing to interactions between one variable and the other, a two input– two output control scheme has been developed and implemented. Promising experimental results have been obtained by using neural networks as an alternative tool for online control of chemical plant with dynamic changes.     

神经网络在数据挖掘中的应用研究

针对神经网络在社保数据挖掘项目中对数据预处理的具体应用,讨论了神经网络在数据挖掘中的作用。尽管神经网络具有结构复杂、网络训练时间长、结果表示不容易理解等不利之处,但其错误率低的优点是其它方法所不及的,并在数据挖掘采用的方法中具有其优势。     

Nonlinear Black Box Modelling – Fuzzy Networks versus Neural Networks

Fuzzy networks and neural networks offer two different approaches of nonlinear black box modelling. Efficient identification methods have been developed to calculate the parameters for a given structure and have been applied successfully in many examples. But the applications proposed in the literature usually miss the comparison of the alternative method, so that the selection of the more suitable approach for a given task is difficult. This paper aims to ease the decision for one of the two methodologies by considering one well-known high quality approximator of each network type, and presenting a fair comparison. For this purpose, two mathematical and three complex technical examples of nonlinear systems are considered. Generally, fuzzy networks and neural networks face the problem of overtraining causing poor validation/generalisation results. A modification of the established identification methods is proposed as a significant improvement for both approaches.     

基于神经网络的数据挖掘研究

尽管神经网络具有结构复杂、网络训练时间长、结果表示不容易理解等缺陷,但其对噪声数据的高承受能力和低错误率的优点是其他方法所不及的,并在数据挖掘所采用的方法中具有优势。该文对基于神经网络的数据挖掘进行了详细的研究。     

非线性系统的神经网络辨识和控制方法

1引言 在Wiener开创控制论的伊始,就将控制、信息和神经科学作为一个共同的课题。后,控制学科、计算科学和神经生理学趋于分开发展。自从80年代初期以来,神经网络有了长的进步,在人工智能和     

一种基于神经网络的模糊控制器的算法研究

本文首先简单分析了模糊控制器和神经网络的特点,然后设计了一种将二者结合在一起的控制算法-神经模糊推理控制器,并应用于某实际控制系统,结果证明了算法的有效性。     

基于生物脑网络连接特性的高效神经网络算法

人工神经网络发展至今,已经在计算机视觉、类脑智能等方面得到广泛应用.在过去几十年中,人们对神经网络的研究注重追求更高的准确率,从而忽略了对网络计算成本的控制.而人脑作为高效且节能的网络,其对人工智能的发展起到了重要启示作用.如何仿真生物脑网络的连接特性,建立超低能耗的人工神经网络模型实现基本相同的目标识别正确率成为当前研究的热点.为建立低能耗的人工神经网络模型,本文结合大脑网络的连接特性,通过改变人工神经网络的连接实现网络的高效性.实验结果表明,结合生物脑网络的连接特性,改变网络的连接,很大程度上减少了网络的计算成本,而网络的性能并没有受到明显影响.     

神经网络智能控制系统中辨识网络设计方法的探讨

该文将人工神经网络的基本原理应用于过程控制系统,对辨识网络的基本结构以及网络的训练方法进行了初步探索和总结,在控制系统的辨识网络中应用基本ＢＰ算法与加动量项的ＢＰ算法、随机设置初值与训练设置初值、带参考模型与无参考模型对系统过渡过程特性的影响作了一定的比较与分析。仿真结果表明：所采用的改善网络自适应能力的方法,在不同程度上对系统的调节品质均有相应的改善。     

复系数FIR数字滤波器的神经网络设计方法

神经网络是一种设计实系数FIR滤波器的有效算法,为了将该方法扩展到复数域,建立统一的基于神经网络的滤波器设计框架,文中提出了一种用多层神经网络设计任意幅频响应的复系数FIR数字滤波器的新算法,主要思想是将设计问题转化为实系数多层神经网络的训练问题,在实数域对幅频响应的平方误差函数的实部和虚部分别进行最小化,误差将收敛到全局最小点.实验结果表明,利用该算法设计的滤波器具有较小的幅频响应误差和群延迟误差.该算法能解决具有任意幅频响应和群延迟要求的问题,是一种有效的设计算法.     

线性神经网络及在系统辨识中的初步应用

该文从基本的智能控制技术——神经网络(NN)技术出发，探讨了神经网络用于系统辨识与建模的基本理论，分析了线性系统神经网络建模的规律，提出了一种利用线性神经网络进行系统辨识的方法。该辨识方法显示出很强的处理问题的能力，无需辨别系统阶次，辨识结构简单，收敛速度快，仿真结果表明这种方法的有效性和可行性。该文共分为四部分，第一部分介绍了神经网络用于系统辨识的特征，第二部分讲述了线性神经网络的工作原理，包括线性神经网络的模型、传递函数、学习规则及训练过程，第三部分讲述了线性神经网络进行系统辨识的仿真实例，第四部分对上述内容作了简要小结。