基于模糊神经网络的信息融合技术研究

针对信息融合技术中目标融合识别的问题,根据人工神经网络和模糊系统的各自特点,形成一种模糊神经网络模型。首先将模糊系统用神经网络的结构表示,并采用相应的学习算法训练模糊神经网络实现模糊推理功能。最后对模糊神经网络模型进行仿真实验和结果分析。     

面向柔性制造车间的多目标RFID网络规划方法

针对具有多种覆盖需求的柔性制造车间RFID网络规划问题,以部署成本、阅读器干扰与阅读器效能为多优化目标,提出一种分层聚类、冗余消减与梯度下降方法集成的RFID网络规划方法,采用分层聚类算法确定RFID初始数量与部署位置,采用冗余阅读器消减算法优化RFID数量,采用梯度下降算法优化RFID部署位置从而实现网络规划多目标优化。实验研究表明,提出的方法在多目标综合性能方面优于传统基于分层聚类方法、遗传算法、粒子群与冗余消减混合方法的RFID网络规划方法,验证了该方法的有效性。     

基于ART 的RBF 网络结构设计

针对径向基函数(RBF)网络隐层结构难以确定的问题,基于自适应共振理论(ART)网络良好的在线分类特性,提出一种RBF网络结构设计算法。该算法将ART网络的聚类特性用于RBF网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,确定隐含层节点个数和初始参数,使网络具有精简的结构。对典型非线性函数逼近的仿真结果表明,所提出的结构具有快速的学习能力和良好的逼近能力。     

Neural network learning with generalized-mean based neuron model

The advances in biophysics of computations and neurocomputing models have brought the foreground importance of dendritic structure of neuron. These structures are assumed as basic computational units of the neuron, capable of realizing the various mathematical operations. The well structured higher order neurons have shown improved computational power and generalization ability. However, these models are difficult to train because of a combinatorial explosion of higher order terms as the number of inputs to the neuron increases. In this paper we present a neural network using new neuron architecture i.e., generalized mean neuron (GMN) model. This neuron model consists of an aggregation function which is based on the generalized mean of all the inputs applied to it. The resulting neuron model has the same number of parameters with improved computational power as the existing multilayer perceptron (MLP) model. The capability of this model has been tested on the classification and time series prediction problems.     

基于RTLAB的柔性配电网控制装置测试技术研究

本文对柔性配电网深入研究,目的是使所研究的控制装置根据所提理论而建立的仿真模型在不同工况不同控制策略下,都能使系统稳定运行,满足项目控制装置测试基础需求,并在RTLAB仿真软件平台上建立仿真进行仿真验证。本文首先根据项目研究对柔性配电网的总体架构进行分析介绍,并对总体方案的各个组成部分与各模块参数进行详细介绍,然后对监控装置和保护系统进行归纳介绍,对部分控制技术和部分仿真参数简要进行说明,研究在各种控制技术下仿真的情况。最后对不同控制策略的原理和对交直流控制技术原理进行研究,并对交流微网的并网仿真进行分析验证,并建立系统模型,通过不同策略下进行仿真实验验证,证明该控制装置符合技术需求,满足工程实际的要求。     

基于神经网络与PID控制的挠性结构的混合控制研究

利用CMAC神经网络与PID控制算法，提出了一种针对飞行器挠性结构振动的混合控制方法．首先在给出系统动力学方程的基础上，利用CMAC神经网络的具体特点，给出了神经网络算法；进而将PID控制算法引入控制系统，形成了一种混合控制方法，该方法具有CMAC神经网络与PID控制算法两者的优点．最后针对复杂的飞行器挠性结构振动问题进行了实例仿真，说明了算法的有效性．     

双向权值调整的前向神经网络学习算法

提出一种新的前向神经网络的学习算法,该算法在正向和反向阶段均可以对不同的层间的权值进行必要的调整,在正向阶段按最小范数二乘解原则确定连接隐层与输出层的权值,反向阶段则按误差梯度下降原则调整通连接输入层与隐层间的权值,具有很快的学习能力和收敛速度,并且能在一定的程度上保证所训练神经网络的泛化能力,实验结果初步验证了新算法的性能。     

一种基于知识树和约束的柔性活动动态细化方法

柔性工作流在应对业务建模过程中的动态不确定因素、提高工作流系统的柔性具有巨大的优势,然而,柔性活动的动态细化一直是柔性工作流建模和应用的一个难点。因此,提出一种基于知识树和约束的柔性活动动态细化方法。该方法以知识树的包含和泛化关系作为启发信息,以活动选取约束和时序约束作为指导和校验,实现柔性活动的动态细化。在介绍了知识树及其蕴含关系以及活动选取约束和时序约束规则的基础上,给出了柔性活动的动态细化算法,描述了活动选取校验和时序约束校验算法。最后给出了算法的实现和实例分析,其结果表明了所提方法的有效性,能够很好地解决柔性活动的细化问题。     

基于特征模型的柔性结构直接自适应模糊预测控制

为了避免用模态截断方法设计控制器时所引起的控制和观测溢出问题,把柔性结构模型转化为用含有未知系数的二阶差分方程描述的特征模型,对此模型提出了当柔性结构实现位置保持时的直接自适应模糊预测控制方法.此方法直接利用模糊逻辑系统设计预测控制器,并基于广义误差估计值对控制器参数和广义误差估计值中的未知向量进行自适应调整.文中证明了所设计的控制器可使广义误差估计值收敛到原点的一个小邻域内.仿真结果验证了此方法的有效性.     

一个基于自适应规则库的柔性工作流模型

在传统工作流建模思想的基础上,通过综合考虑各种动态的需求以及流程中的可变因素,提出了一个基于自适应规则库的柔性工作流模型,并从形式化定义的角度出发,详细论述了规则库的设计及应用逻辑。在系统建模阶段尽可能对动态因素进行描述和定义,力求做到定义时的柔性,并允许工作流在执行时进行过程、角色、状态和异常定义的修改,力求做到运行时的适应性柔性,使工作流系统在建模定义的整体框架内可以动态地进行调整,从而实现工作流的动态性和自适应性。     

基于混合网络结构的可控型蠕虫网络系统

研究和建立了一种可控型的蠕虫网络,设计了广播网络与树状网络相结合的混合网络结构,讨论组网、通信和控制方案,并对性能作了分析,有助于对蠕虫网络的认识和防治.     

基于单神经元PID的航空发动机解耦控制

将神经网络应用到PID控制器的参数整定过程中,提出了一种基于改进单神经元PID的航空发动机解耦控制方法,通过在航空涡扇发动机多变量控制系统中的应用,得出了实际的仿真结果及结论。仿真结果表明,该改进单神经元PID解耦控制方法与传统的PID多变量解耦相比,具有响应速度快,自适应能力强,抗干扰能力强,实现简单的优点,因而可以广泛的应用于非线性系统的解耦控制中。     

基于混合神经网络的非线性预测函数控制

针对基本预测函数控制只能用于线性对象的控制这一不足,提出了基于混合神经网络的非线性预测函数控制.混合神经网络由BP网络和线性神经网络串连组成.采用混合神经网络对可用Hammerstein模型描述的非线性对象进行有效的辨识.其中,BP网络反映了非线性静态增益,线性神经网络反映了线性动态子系统.利用BP网络求出非线性静态增益的逆并与非线性对象串联,抵消非线性对象中的非线性静态增益部分,将非线性对象的控制问题转化为对线性对象的控制问题,实现了对非线性对象的预测函数控制.当被控对象的特性发生变化时,可对混合神经网络权值及时进行修正并调整控制器参数使控制系统始终保持良好的控制性能.仿真结果表明,此控制系统具有良好的控制效果.     

Neural network approximation for periodically disturbed functions and applications to control design

This paper addresses the approximation problem of functions affected by unknown periodically time-varying disturbances. By combining Fourier series expansion into multilayer neural network or radial basis function neural network, we successfully construct two kinds of novel approximators, and prove that over a compact set, the new approximators can approximate a continuously and periodically disturbed function to arbitrary accuracy. Then, we apply the proposed approximators to disturbance rejection in the first-order nonlinear control systems with periodically time-varying disturbances, but it is straightforward to extend the proposed design methods to higher-order systems by using adaptive backstepping technique. A simulation example is provided to illustrate the effectiveness of control schemes designed in this paper.     

基于二元蚁群算法的多层前馈神经网络

提出了一种基于二元蚁群算法的多层前馈神经网络,同时为了避免二元蚁群算法陷入局部最优引入了拥挤交通组织策略。将二元蚁群算法和神经网络混合,可兼有神经网络广泛映射能力和二元蚁群算法快速全局收敛能力,通过在函数逼近实验表明取得了较好的结果。     

基于神经网络的鲁棒自适应逆飞行控制

提出基于在线神经网络的超机动飞行自适应动态逆鲁棒控制方法.超机动飞行的基本控制律采用非线性动态逆方法设计,对于建模误差或者控制面损伤等因素导致的不确定性逆误差采用神经网络进行自适应补偿.通过动态逆控制律简化计算和飞机控制面故障自适应修复的仿真表明,神经网络通过在线补偿逆误差,能够有效降低非线性动态逆对模型准确性的要求,增强控制系统的鲁棒性.     

基于神经网络的注塑机注射速度的迭代学习控制

对具有不确定性和干扰项的重复非线性注塑机控制系统,尤其是注射速度的控制,提出基于神经网络的迭代学习控制器,其中迭代学习控制器设计为神经网络控制器,它以前馈方式作用于对象。PD反馈控制器用于使系统达到稳定,同时和前馈的神经网络学习控制器一起使系统达到理想的控制效果。仿真结果表明,该控制器可以随着迭代次数的增加有效减小跟踪误差。     

基于神经网络的非线性系统多步预测控制

针对离散非线性系统,利用非线性激励函数的局部线性表示,提出一种可用于非线性过程的神经网络多步预测控制方法,并给出了控制律的收敛性分析．该方法将非线性系统处理成简单的线性和非线性两部分,对复杂的非线性多步预测方程给出了直观而有效的线性形式,并用线性预测控制方法求得控制律,避免了复杂的非线性优化求解．仿真结果表明了该算法的有效性．     

基于SoPC的神经网络速度控制器的实现

一种基于 SoPC 的神经网络速度控制器的设计方案。速度控制器采用神经网络参数辨识自适应控制,以现场可编程门阵列(FPGA)为硬件平台,用 Nios Ⅱ软核处理器作为上位机,实现一个完整的速度控制器的片上可编程系统(SoPC)。实验结果表明,该控制系统能够满足现代速度控制系统高速度、高精度的要求。     

基于DBR理论的柔性流水车间动态调度

针对柔性流水车间动态调度求解困难的问题,首先分析调度问题的特征,构建问题模型;然后运用DBR（鼓-缓冲器-绳子）理论对问题进行分解简化,并采用混合重调度策略和启发式算法进行动态调度;最后建立瓶颈和非瓶颈资源调度的协调机制,实现问题求解.仿真实例表明,所提出的算法是可行而有效的.