电液伺服结构加载系统的神经网络直接自适应输出跟踪控制

本文利用神经网络的学习能力和非线性映射能力研究了电液加载系统的神经网络直接自适应输出跟踪控制方法，控制器是由一个具有反馈动力学的多层前馈神经网络及其学习算法组成。该控制器不需要被控对象的先验知识，也不依赖于被控对象的辨识模型，能快速跟踪对象的动力学行为，具有良好的自适应性和动态输出跟踪响应性能。     

基于GA-BP神经网络的气压伺服系统辨识研究

气压伺服系统控制器的优化设计依赖于准确的系统模型。针对系统的非线性问题,研究采用神经网络进行系统辨识的原理和结构;考虑传统BP算法存在局部收敛、学习速度慢的问题,采用遗传算法对神经网络的初值和权值进行优化,并采用LM算法进行网络学习,最终建立系统的神经网络辨识模型。通过仿真对比神经网络辨识结果与传统线性模型辨识结果,结果表明:基于GA-BP神经网络的辨识模型精度较高,适用于非线性系统辨识。     

基于BP网络的非线性系统无模型误差自学习控制

针对未知非线性系统提出了一种基于BP神经网络的无模型误差自学习控制方案，其控制思想是利用BP网络及其冲量BP算法实现对系统输入输出量的速度辨识，同时构造了误差控制器，并通过速度辨识学习器向误差控制器动态传递更新权阵，以实现对未知非线性系统的自学习、自适应无模型控制。作者在matlab6．0平台下进行了仿真实验，其仿真结果令人满意。     

基于多层前馈BP网络的非线性逆系统自学习控制

提出的基于神经网络的非线性逆系统自学习控制方案运用逆动力学的基本思想，在系统模型未知的情况下，构造了神经网络一致的控制器和辨识器。运用自适应变步长冲量BP学习算法实现了网络辨识器对系统逆动力学模型的动态辨识，并通过网络辨识器向网络控制器在线动态传递更新权值的方法使神经网络控制器产生期望控制量。使得整个神经网络控制系统具有了自学习、自适应的控制能力。     

连续跟踪轨迹的非线性系统迭代学习控制

在神经网络辨识的基础上，提出一种迭代学习控制算法，可用于非线性系统连续轨迹跟踪控制，算法具有控制收敛与辨识收敛等价的特点。仿真结果表明了算法的有效性。     

复合正交柔性神经网络及其应用

针对目前神经网络所存在的不足,提出一种带参数的单极性Sigmoid函数的柔性复合正交神经网络,并给出相应的参数学习算法,这种柔性复合正交神经网络不仅扩大了网络辨识模型的能力与学习适应性,而且算法简单,学习收敛速度快,有线性,非线性逼近精度高等优异特性。以模型辨识作为应用实例,仿真结果表明,其算法是有效的,柔性神经网络能提高正交神经网络的性能。     

基于改进差分进化算法的伺服驱动系统摩擦参数辨识研究

非线性摩擦力是影响伺服驱动系统定位精度的主要因素之一,摩擦补偿技术可以有效抑制摩擦力对伺服驱动系统的影响。Stribeck摩擦模型作为一种常用的摩擦模型,能够比较精确的描述系统摩擦力的特性,其精确程度与摩擦参数的准确度密切相关,所以辨识摩擦参数的方法至关重要。论文以常规伺服驱动系统为研究对象,提出了一种基于改进差分进化算法的摩擦辨识方法,并与常规差分进化算法和遗传算法进行了仿真对比。辨识结果表明,基于改进差分进化算法的摩擦参数辨识方法辨识速度更快,精确度更高。     

基于LM算法的神经网络系统辨识

介绍了电流变传动系统，并采用基于Levenberg-Marquardt(LM)算法的BP神经网络对其进行系统辨识，LM算法是梯度下降法与高斯-牛顿法的结合，就训练次数与精确度而言，它明显优于共轭梯度法及变学习率的BP算法，适用于系统辨识，仿真结果表明LM算法可大大在提高学习速度，缩短训练时间，且辨识效果很好。     

Chebyshev神经网络的改进及其应用

针对目前Chebyshev神经网络所存在的不足，提出一种改进的Chebyshev神经网络，它使用多输入多输出神经网络结构与使用改进的Chebyshev正交多项式。因此改进的神经网络不仅扩大了网络辨识模型的能力与学习适应性，而且算法简单，学习收敛速度快，有线性、非线性逼近精度高等优异特性。文中给出两个应用实例，仿真结果表明是有效的。     

基于BP神经网络摆式列车倾摆控制系统的辨识

针对摆式列车倾摆控制系统的特点，把人工神经网络的基本原理应用于摆式列车倾摆控制系统，在倾摆控制系统的神经辨识网络中应用BP算法对系统进行辨识，通过学习对系统进行建模。仿真结果表明：所采用的辨识网络能够对倾摆控制系统的动态特性进行有效的辨识，可以解决倾摆控制系统中的非线性问题。     

支持向量机在焊接过程中的应用

焊接过程是典型的非线性系统,涉及到复杂的物理、化学过程,基于神经网络的建模方法往往不能有效地获得系统模型.支持向量机在解决小样本、非线性和高维的机器学习问题中表现出许多特有的优势,非常适合于复杂的非线性系统建模,因此在焊接过程系统建模中具有广阔的应用前景.介绍了支持向量机的基本理论,给出了支持向量机在焊接过程中的系统建...     

高斯基函数CMAC神经网络用于克服摩擦非线性的研究

研究了一种高斯基函数ＣＭＡＣ神经网络用于克服液压伺服系统中摩擦非线性的控制器设计问题。该控制器不需要对摩擦力进行建模,而是采用学习的方法克服摩擦非线性,因此具有通用性。仿真结果表明,该种控制器不仅是有效的,而且具有较高的控制精度。     

一种新型神经网络学习控制器及其在气动压力控制系统中的应用

本文利用神经网络非线性映射的特点，用逆向建模的思想，设计了一种基于神经网络的学习控制器，并将其应用于气动压力控制系统，收到了很好的效果。     

电液位置伺服系统的模糊CMAC神经网络控制研究

本文提出了一种模糊ＣＭＡＣ神经网络的结构和算法。该网络通过权系数的在线学习,实现修正模糊逻辑。将此网络作为前馈补偿单元,与ＰＤ控制器一志构成一种自学习控制器,并对带有未知负载干扰的某电液位置系统进行动态仿真。结果表明,该控制器具有强的鲁棒性以及良好的跟踪特性。     

基于变增益非线性系统的迭代学习控制方法的研究与应用

本文对迭代学习控制进行了分析与研究，并对于一种工程实际中存在的变增益非线性问题采用了PID型开环迭代学习算法给定的期望轨迹。通过仿真试验及其对仿真过程和结果的分析，得出PID型迭代学习算法对于此问题切实可行。     

基于数据驱动的数控机床自适应迭代学习控制

数控机床位置伺服系统受加工环境、零件形状和机床机电特性等变化因素的影响,其零件加工是一个典型的非线性、时变和不确定动力学变化过程,因此,建立其精确机制模型很困难.针对相同零件批量加工过程呈现的重复运行特点,基于被控对象的等价数据模型,提出一种基于数据驱动的自适应迭代学习控制方法.所提控制方法采用沿迭代轴的动态线性化方法...     

TIG焊背面熔宽的神经网络模糊控制

TIG（Tungsten Inert Gas)焊接过程是一个高度非线性、强耦合、时变的系统,针对这一特点,本文设计了单层神经网络模糊控制器,给出了学习算法,该控制器可以自动学习模糊控制规则,并随系统的变化自动调节模糊控制规则,采用普通CCD（Charged Couple Device)摄像机拍摄熔池的正面图像,提取出熔池正面几何参数,利用熔池正面几何参数与背面熔宽的关系模型,对背面熔宽进行实时控制。仿真及试验结果表明,该控制器具有良好的控制性能和控制效果。     

Adaptive and intelligent prediction of deformation time series of high rock excavation slope

1INTRODUCTIONForhighrockexcavationslope,thedefor-mationisgenerallyintrinsicn0nlinearevolutionoftimedependence.Ifweknowwellaboutthis,wecanmakereasonableandtimingdecisionsonwhetheradjustmentorreinforcementmeasuresshouldbeperformedornotaccordingtodynamicevolutionlaw.Therefore,itisnecessarytoes-tablishdynamicevolutionmodel0nthedeforma-tion.Thetraditionalmethodsareallbasedonmathematicaltimeseriesanalysissuchasaut0-regression,GMDH,etc.However,inmostcas-es,itisverydifficulttofindareasonablemat…     

基于神经网络算法的机器人定位技术研究

机器人定位抓取工件时,正确的选择工件特征参数是机器人能否准确获取工件抓取点,进而对工件进行抓取的成败关键。在研究了图像处理技术的基础上,提出了利用神经网络非线性处理能力解决工件特征选择和特征提取过程中存在的非线性问题。在神经元的训练中,通过使用改进的Hebb学习规则克服了传统学习模式下的权值无限制增长而不收敛的问题,提高了特征的识别度和特征提取的准确性,使机器人能够实现对工件的准确抓取。