IMPROVED ELMAN NETWORKS AND APPLICATIONS FOR CONTROLLING ULTRASONIC MOTORS

Two improved Elman network models, output-input feedback (OIF) and output-hidden feedback (OHF), are proposed based on the modified Elman network. A recurrent back-propagation control (RBPC) network model is developed by using the OIF Elman network as a passageway of the error back-Propagation. The stability of the improved Elman and RBPC networks is analyzed. Adaptive learning rates are given in the form of discrete-type Lyapunov stability theory, which could guarantee the convergence of the improved Elman and RBPC networks. The speed of the ultrasonic motor is identified using the modified Elman network, OIF and OHF Elman networks, respectively, and some useful comparable results are presented. Numerical results show that the RBPC controller is effective for various kinds of reference speeds of the USM and the proposed scheme is fairly robust against random disturbance to the control variable.     

基于输入输出回归神经网络的超声马达辨识和速度控制

建立了一个新的输入-输出反馈神经网络结构用于超声马达速度辨识.给出了以驱动电 压的幅值和驱动频率为控制量的双模式速度控制器,推导了辨识器和控制器的动态递归反传算 法.数值模拟结果表明,辨识器能比较精确地描述马达的输入-输出关系,双模式神经网络控制器 对多种形式的参考速度,都有很好的控制效果.     

改进型Elman神经网络发酵过程建模研究

依据发酵过程的机理和改进的Elman神经网络动态建模原理,提出了一个新的发酵过程建模分批训练算法。通过发酵过程仿真实验,与传统的BP建模算法比较,改进的Elman神经网络建模算法具有收敛速度快、泛化能力强等特点。此外,利用该算法编制的软件可以内嵌到发酵过程监控系统中,实现发酵过程在线建模与状态参量的在线预估。     

Temperature decoupling control of double-level air flow field dynamic vacuum system based on neural network and prediction principle

Double-level air flow field dynamic vacuum (DAFDV) system is a strong coupling, large time-delay, and nonlinear multi-input–multi-output system. Decoupling and overcoming the impact of time-delay are two keys to obtain rapid, accurate and independent control for two air temperatures in two concatenate chambers of the DAFDV system. A predictive, self-tuning proportional-integral-derivative (PID) decoupling controller based on a modified output–input feedback (OIF) Elman neural model and multi-step prediction principle is proposed for the nonlinearity, time-lag, uncertainty and strong coupling characteristics of the system. A multi-step ahead prediction algorithm is presented for temperature prediction to eliminate the effects of time-delays. To avoid getting into a local optimization, an improved particle swarm optimization is applied to optimize the weights of the OIF Elman neural network during modeling. By using the modified OIF Elman neural network identifier, the DAFDV system is identified and the parameters of PID controller are tuned on-line. The experimental results for two typical cases indicate that the settling times are obviously shorten, steady-state performances are improved and more important is that one temperature no longer fluctuates along the other, which verify the proposed adaptive PID decoupling control is effective.     

Identification and control of nonlinear systems by a time-delay recurrent neural network

In this paper, we first present a novel time-delay recurrent neural network (TDRNN) model by introducing the time-delay and recurrent mechanism. The proposed TDRNN model has special advantages such as simple structure, deeper depth and higher resolution ratio in memory. Thereafter, we develop the dynamic recurrent back-propagation algorithm for the TDRNN. To guarantee the fast convergence, the optimal adaptive learning rates are also derived in the sense of discrete-type Lyapunov stability. More specifically, a TDRNN identifier and a TDRNN controller are constructed to perform the identification and control of the nonlinear systems. Numerical experiments show that the TDRNN model has good effectiveness in the identification and control for dynamic systems.     

高速公路匝道回归神经网络控制器的设计

提出用回归神经网络进行入口匝道控制的思路。阐述了Elman回归神经网络原理与入口匝道控制原理,选取上、下游时间占有率和车速作为匝道控制器的输入量,并设计了Elman回归神经网络入口匝道控制器,采用一种改进的算法对回归神经网络进行训练。仿真实验表明,该控制器学习误差小,泛化能力好,具有良好的应用前景。     

基于动态递归网络的PID自适应控制器的设计与应用

本文分析了改进的ELMAN网络的结构,并讨论了神经网络的学习算法,针对BP算法的缺陷,提出了用遗传算法修正网络权值的学习算法。本文不仅将采用遗传算法进行训练的改进ELMAN网络应用于汽车磷化加热系统的建模,而且针对该系统的特点提出了一种带预测模型的神经网络PID自适应控制器,并最后将该控制器应用于磷化温度控制,取得了良好的控制效果。     

PIN型Elman网络及在动态系统辨识中的应用研究

首先介绍普通改进E lm an动态递归神经网络的结构,重点讨论一种具有P ID特性的E lm an神经网络及其学习算法,并将改进E lm an网络和P ID型E lm an网络分别用于动态系统的辨识.无论是理想的数学模型还是实际工业模型,计算机仿真结果均证明,将P ID型网络用于动态系统辨识具有更好的逼近效果.     

Indirect adaptive control of nonlinear dynamic systems using self recurrent wavelet neural networks via adaptive learning rates

This paper proposes an indirect adaptive control method using self recurrent wavelet neural networks (SRWNNs) for dynamic systems. The architecture of the SRWNN is a modified model of the wavelet neural network (WNN). However, unlike the WNN, since a mother wavelet layer of the SRWNN is composed of self-feedback neurons, the SRWNN can store the past information of wavelets. In the proposed control architecture, two SRWNNs are used as both an identifier and a controller. The SRWNN identifier approximates dynamic systems and provides the SRWNN controller with information about the system sensitivity. The gradient-descent method using adaptive learning rates (ALRs) is applied to train all weights of the SRWNN. The ALRs are derived from discrete Lyapunov stability theorem, which are applied to guarantee the convergence of the proposed control system. Finally, we perform some simulations to verify the effectiveness of the proposed control scheme.     

无人机涡喷发动机的自适应神经网络控制研究

该文介绍了一种新型的神经网络自适应控制方式，它由基于多层BP网络的近似PID构成的神经网络控制器和基于带自反馈的Elman神经网络构成的模型辨识器共同组成。Elman网络是一种新型的动态递归神经网络，具有很好的逼近能力和性能；改进的自反馈网络具有更大的灵活性。为加快收敛速度，文中采用了共轭梯度算法，选择共轭方向作为最小化方向；在用于无人机涡喷发动机的不同状态的控制中被证实是非常有效的，具有鲁棒性好、响应速度快、稳态误差小等优点。     

基于Elman神经网络的二自由度内模控制方法研究

将遗传算法、Elman神经网络和二自由度内模控制相结合,提出一种基于Elman神经网络辨识和遗传整定的二自由度内模控制算法.仿真结果表明,相对于常规内模控制方法,该方法对输入信号的动态响应快,系统超调量和调节时间减少,抗干扰能力强,控制精度高.     

基于自适应递归模糊神经网络的污水处理控制

针对污水处理过程中具有的非线性、大时变等特征,提出了一种基于自适应递归模糊神经网络(recurrent fuzzy neural network,RFNN)的污水处理控制方法.该方法利用自适应RFNN识别器建立污水处理过程的非线性动态模型,建立的模型可以为RFNN控制器提供污水处理过程中的状态变量信息,保证了控制器根据系统响应调整操作变量的精确性;并且RFNN辨识器及RFNN控制器基于自适应学习率进行学习,确保了递归模糊神经网络的收敛精度和速度,并通过构造李雅普诺夫函数证明了此算法的收敛性;最后,基于基准仿真模型(benchmark simulation model 1,BSM1)平台进行仿真实验.结果表明,与PID、模型预测控制及前馈神经网络相比,该方法对污水处理中溶解氧浓度和硝态氮浓度的跟踪控制精度具有明显的提升.     

基于Elman网络的非线性系统神经元自适应预测控制

提出在非线性系统的E1man网络辨识模型的基础上，用单神经元设计预测控制器的方案。Elman网络在BP网络的基础上，加入反馈信号，利用内部状态反馈来描述系统的非线性动力学行为，提高了学习速度，适合于动态系统的实时辨识。神经元结构简单，且有很强的自学习和自适应能力，它根据系统的期望输出与一步超前预测输出之间的偏差，并通过某种特定的学习算法在线调整控制器的参数，使控制器能够适应对象参数的变化，从而实现对一类非线性系统的有效控制。仿真实验证明了该方案的有效性。     

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案,该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络,网络结构为2-4-1;辨识算法为动态BP算法;控制器采用两层线性结构的神经网络,输入为系统偏差及其一阶、二阶微分,因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究,仿真结果表明该控制方案不仅具有良好的跟踪特性,而且对系统参数变化具有较强的鲁棒性。     

基于关联规则的PSO-Elman短期风速预测

传统神经网络在短期风速预测中,存在易陷入局部极值和动态性能不足等问题,从而导致风速预测精度较低。为了提高风速预测精度,提出一种基于关联规则的粒子群优化Elman神经网络风速预测模型。利用粒子群算法优化Elman神经网络模型参数,以提高算法的收敛速度,避免陷入局部极值,以得到最优的预测值。同时结合关联规则分析考虑气象因素,采用Apriori算法对风速与其他气象因素进行关联规则挖掘,并利用得到的关联规则对风速预测值进行修正与补偿。实验结果表明,所提出的预测模型的预测效果比传统模型的效果更佳,同时验证了结合关联规则考虑气象因素能够降低风速预测误差。     

基于Elman网络的时延预测及其改进

分析了网络传输时延的组成和特点,提出了利用Elman神经网络预测网络传输时延,运用Matlab软件对其预测进行仿真,结果证明Elman神经网络能很好地预测网络时延,为了进一步提高神经网络的逼近能力和动态特性,提出了一种改进的基于输入层、隐藏层、输出层神经元的动态递归神经网络。实验证明,改进的Elman神经网络比原来的网络具有更好的动态性能。     

超声电机参数摄动与广义预测控制

针对超声电机速度与驱动频率具有很强的非线性,理论建模困难,难以实现高精确控制的问题,采用辨识的方法建立了旋转行波超声电机的Hammerstein模型,并测量了该模型的参数摄动;针对电机参数在大范围内摄动,提出采用两步法广义预测控制方法,整定了广义预测控制算法的参数,并对超声电机两步法广义预测控制进行了稳定性分析和速度控制仿真。理论分析和仿真结果都表明,超声电机Hammerstein模型参数在大范围内摄动时,两步法广义预测控制器能够准确地跟踪速度设定值的变化,证明了超声电机广义预测控制的可行性,为超声电机高精度控制提供了控制模型和控制方法。     

基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

质子交换膜燃料电池的神经网络建模与控制

该文从设计质子交换膜燃料电池（PEMFC）控制方案的角度出发,首先提出了采用Elman动态神经网络对PEMFC系统进行建模的新方法,以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络,并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度;Elman神经网络辨识可使辨识过程简化并提高了辨识精度。然后在此基础上设计了自适应模糊神经网络控制器。最后的仿真实验以Elman神经网络模型为参考模型,使用自适应神经网络控制算法控制PEMFC的工作温度,取得了较好的控制效果。结果显示所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

改进的Elman模型与递归反传控制神经网络

在Elman网络的基础上提出了两种改进网络:输出-输入反馈Elman网络和输出-隐层反馈Elman网络模型,并以前者作为误差反传的通道,建立了递归反向传播控制神经网络模型.在Lyapunov稳定性意义下分别给出了改进网络的稳定性证明,得到了保证网络稳定收敛的最佳自适应学习速率.分别用Elman网络及其改进网络对超声马达进行了模拟.利用改进的Elman网络模型,除了可以较好地模拟马达速度以外,还得到了一些有意义的结果,据此可以根据现场数据采样的情况,选用不同的网络模型.模拟实验结果表明,递归反向传播控制神经网络对多种形式的超声马达参考速度都有很好的控制效果.