基于模糊神经网络交通控制子区动态划分

提出将模糊神经网络方法应用于交通控制子区动态划分,利用神经网络的学习能力自动寻找模糊推理规则,根据实时的交通流量、距离和最佳信号周期,预测输出城市相邻道路交叉口之间的协调系数,根据协调系数大小划分交通控制子区.用MATLAB进行仿真实验,实验结果证实该方法可行,比用BP神经网络方法实现更加快速、有效.     

A Neural Network Controller for Basis－weight Control of Papermaking Processes

ＡＮｅｕｒａｌＮｅｔｗｏｒｋＣｏｎｔｒｏｌｌｅｒｆｏｒＢａｓｉｓ－ｗｅｉｇｈｔＣｏｎｔｒｏｌｏｆＰａｐｅｒｍａｋｉｎｇＰｒｏｃｅｓｓｅｓＨＵＨｅｎｇｚｈａｎｇ；ＳＨＥＮＹｉ（胡恒章）；（沈毅）（Ｄｅｐｔ．ｏｆＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇ，Ｈａ...     

基于RBF神经网络的柔性机械臂位置控制

针对复杂的柔性机械臂位置控制问题,提出一种结合极点配置技术的自适应滑模控制方法。变结构滑模应用于柔性臂的刚性运动和弹性振动抑制的控制,极点配置用以设置滑模面的极点,以获得良好的动态响应特性。利用RBF网络自适应性学习系统不确定量的上界,神经网络的输出用于自适应修正控制律的切换增益。实例仿真结果表明,该控制方法能在对机械臂位置控制的同时有效地抑制柔性臂的弹性振动,对不确定参数具有鲁棒性。     

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。     

CMAC神经网络与PID复合控制在温度控制中的应用

介绍了小脑模型神经网络原理,提出了神经网络与PID的复合控制算法.将该算法应用于温度控制中,对各个控制器的输出进行了仿真跟踪,并研究了其抗干扰性能,以及改变被控对象参数时的系统响应特性.仿真结果表明,神经网络CMAC与PID复合控制的输出误差小、实时性好、鲁棒性强,抗干扰能力较好.     

基于CMAC的自适应控制方案

基于ＣＭＡＣ，设计了一种神经网络控制器，对常用的ＣＭＡＣ权值学习方法进行修改，提出了一种基于目标函数优化的控制器权值算法。当被控对象的特性未知时，用神经网络辨识器进行辨识。并且给出了整个控制系统的自适应步骤。仿真实验表明了方案的有效性。     

Adaptive Control by Using Neural Networks

ＡｄａｐｔｉｖｅＣｏｎｔｒｏｌｂｙＵｓｉｎｇＮｅｕｒａｌＮｅｔｗｏｒｋｓ￥（郝继红）（吕强）（段运波）（许耀铭）ＨＡＯＪｉｈｏｎｇ；ＬＵＱｉａｎｇ；ＤＵＡＮＹｕｎｂｏ；ＸＵＹａｏｍｉｎｇ（Ｄｅｐｔ．ｏｆＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇ，Ｈａｒｂｉｎｉ...     

广义CMAC神经网络及在空燃比控制中的应用

将广义CMAC神经网络及快速学习算法应用于发动机瞬态空然比控制中,并考虑喷油过程的非线性特性,与采用基本CMAC控制的文献[7]相比较,在相同条件下的仿真表明瞬态空然比的控制精度明显提高。     

BP和RBF网络的结构动力响应预测对比

主动控制中存在时滞效应,在线实时预测结构响应,可以解决这个问题。不同的神经网络对结构响应的预测效果是不同的,针对BP网络和RBF网络的不同特点,对它们的预测效果做了对比研究。仿真结果表明,RBF神经网络训练速度快、精度高,可及时为主动控制建筑结构响应提供较为准确的优化性能指标,从而为实现在线实时控制结构响应提供优良的保证。     

神经网络在机器人控制中的研究进展

通过对近10年来,国内外学者和工程技术人员在机器人神经网络控制领域中所发表的文献进行分析比较,概述了神经网络在该领域内的研究现状与进展;按照神经网络与机器人不同研究方向的结合,分别介绍了国内外学者在本领域所取得的成功的理论和方法;在当前最新研究成果的基础上,若能将神经网络与柔性机器人、冗余机器人和协调机器人结合起来,将是机器人研究的又一重要方向。此外,神经网络在机器人系统中的实际应用也是今后努力的方向之一。     

模糊神经网络在机器人控制中的应用

为克服机器人控制过程中存在的许多不确定因素的影响,构造了一种新型模型神经网络结构,提出了一新算法,并将其应用于机器人控制,取得了满意的仿真效果,表明有极强的鲁棒性。     

基于动态神经网络(DNN)的多通道有源消声仿真分析

为了克服传统的多通道自适应有源消声FXLMS算法稳定性、泛化能力等方面的不足,尝试把动态神经网络应用于控制器算法和抵消路径的辨识。文中提出了多通道动态神经网络(MDNN)算法,该算法把控制器算法和抵消路径的辨识结合在一起考虑,并都用动态神经网络来实现。通过理论分析和仿真实验证明该算法有比FXLMS优越的性能。     

基于神经网络的电液伺服机械手位置控制

针对电液伺服机器手位置控制中存在的非线性和不确定性特性 ,提出了一种基于神经网络的在线自学习自适应控制策略 ,从而达到对该时变非线性系统的实时跟踪控制。仿真实验结果表明 ,该控制器具有良好跟踪精度 ;并对外界存在的干扰具有较强的自适应能力和鲁棒性。     

基于神经网络的机器人控制精度优化方法与技术研究

针对工业生产过程中机器人操作时控制精度不高的问题,采用具有自学习、自适应的智能控制手段——神经网络进行优化控制,将整个操作过程的控制精度由被训练后的网络来优化,从而提高控制精度,提高效率。     

基于BP神经网络的非线性预测控制

将BP神经网络技术应用于预测控制,并对其控制算法进行研究。采用一个BP神经网络来实现对系统的辨识和多步预测,并将一种新型的非线性混沌映射引入到神经网络的参数学习算法中实现其权值调节,以逐步建立被控对象合理的多步预测模型,并用网络的多步预测输出序列与设定值序列的偏差修改控制律。仿真结果表明了该算法的有效性。     

神经网络自适应逆控制的仿真研究

将神经网络引入逆控制,提出了一种基于神经网络的自适应逆控制。该控制结构主要有两个子神经网络组成,其中一个用于对系统进行辨识,另一个子网络实现对模型的逆作为控制器,从而构成自适应的逆控制。将其应用于热工系统中并进行大量仿真研究,结果表明针对不同的热工对象,该控制系统都能有效的克服扰动,适应环境及参数的变化,表现出良好的鲁棒性和控制精度。     

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...     

基于神经网络的伺服机械手LuGre摩擦补偿控制

针对伺服机械手系统的LuGre摩擦模型参数辨识难,难以建立其精确的数学模型,利用径向基函数( RBF)神经网络的万能逼近特性逼近LuGre摩擦,并作为计算转矩控制器的补偿项。通过Lyapunov方法证明了系统的稳定性以及闭环系统跟踪误差的收敛性。仿真结果证明控制算法能对摩擦进行有效补偿,提高了伺服机械手系统的轨迹跟踪控制性能。     

神经网络在控制中的应用

对自动控制的一个新领域（神经网络控制,简称ＮＮＣ）进行了综述,首先介绍了神经网络的发展情况,神经网络的特点以及神经网络对控制的吸收力,讨论了几种常见的ＮＮＣ方案并简要说明了它们的原理,介绍了几种常用于控制的神经网络及网络训练方法,最后提出了今后的研究方向。     

基于BP神经网络的车辆动态称重技术

车辆动态称重对于控制超载运输或物流仓储等要求连续称重的场合具有重要作用。针对车辆动态称重的技术特点和工艺要求,分析动态称重过程的动力学模型,确定位移信号阶跃响应的最大超调量与车重之间的单调函数关系,提出1种基于BP神经网络预测最大超调量的动态称重计算方法,并在MATLAB环境下进行仿真分析,通过系统的学习和训练,完成了动态称重过程的车辆静态重量计算。结果表明,提出的动态称重算法可有效地提高车辆动态称重系统的称量精度,具有较高的实用价值。