基于优化BP神经网络的PID控制器研究

提出了一种新型的基于优化BP神经网络结构的PID控制器（PID－NNC），该控制器将神经网络和PID控制规律融为一体，既具有神经网络自学习，自适应及逼近任意函数的能力，又具有常规PID控制器结构简单，可靠性高的特点，且控制器的算法采用的是优化的BP算法，可以避免网络陷入局部极小点，也可以加快网络的训练速度，所以该控制器可以对具有非线性，时变性和不确定性等复杂系统实行控制。利用MATLAB软件对非线性系统进行了仿真研究，其仿真结果表明该控制器具有很好的控制效果。     

基于拥塞控制的AQM算法研究

在对网络拥塞控制进行分析的基础上，介绍了AQM（Active Queue Management）算法的特点及网络流量特征对AQM算法的影响。根据AQM算法的发展概况，将AQM算法中的Drop Tail算法、RED（Random Early Detection）算法、Adaptive RED算法、PI算法、REM（Random Early Marking）算法和AVQ（Adaptive Virtual Queue）算法进行了比较评价。并对AQM算法的反馈方式及AQM算法的控制理论进行了较为详细的分析与探讨。     

基于Dahlin算法的CMAC控制器设计

针对传统的基于Dahlin算法的控制器在对变时滞系统进行控制时控制效果恶化,甚至发生不稳定现象的弱点,提出了以CMAC神经网络与Dahlin算法相结合的控制方法。以CMAC神经网络作为一个前馈控制器,通过对Dahlin控制器输出的学习,实现时滞系统的自适应稳定控制。仿真实验表明,这种复合控制方法保留了Dahlin算法与CMAC神经网络的各自特长,同时具备学习速度快,适应能力强的优点,具有良好的稳定性控制效果。     

基于跨越连接的多层前馈神经网络结构分析

任何连接方式的神经网络总可以归结为跨越连接网络。在传统多层前馈神经网络算法的基础上,提出了完全全连接神经网络的概念,给出了基于跨越连接的多层前馈神经网络算法。通过分析多层前馈神经网络的误差函数,从理论上证明了：相对于无跨越连接网络,基于跨越连接的多层前馈神经网络能以更加简洁的结构逼近理想状态。最后,用一个隐层神经元解决了XOR问题。     

一种改进的主动队列管理算法

传统的主动队列管理算法（AQM：Active Queue Management）存在响应时间较长等问题,PID（Proportional Integral Differentia1） 主动队列管理算法对此作出了一定改进,然而在时延较大时也不能使队列长度收敛到期望值.本文利用BP神经网络自适应控制的特点,针对无线信道（TCP Westwood）提出了一种基于BP神经网络整定的PID主动队列管理算法.     

基于深度学习的八类蛋白质二级结构预测算法

蛋白质二级结构预测是结构生物学中的一个重要问题。针对八类蛋白质二级结构预测,提出了一种基于递归神经网络和前馈神经网络的深度学习预测算法。该算法通过双向递归神经网络建模氨基酸间的局部和长程相互作用,递归神经网络的隐层输出进一步送入到三层的前馈神经网络以便进行八类蛋白质二级结构预测。实验结果表明,提出的算法在CB513数据集上达到了67.9%的Q₈预测精度,显著地优于SSpro8和SC-GSN。     

一种基于内模PID控制的主动队列管理算法

针对传统主动队列管理中PID控制存在的参数不易整定等缺点,通过引入内模控制思想,提出了一种基于内模控制的PID控制器（IMC－PID）,其突出特点是控制器仅有一个参数需要整定。将IMC－PID应用于网络拥塞控制中,得到了一种新的主动队列管理（AQM）算法——IMC－PID算法。仿真实验表明,IMC－PID算法有较强的鲁棒适应性及较快的队长调节速率。     

动态模糊神经网络控制器在伺服系统中的应用

通过在ANFIS的归一化层与输出层之间加入递归,层提出了一种新型的动态模糊神经网络（DFNN）,将模糊推理系统、神经网络和Ⅲ型控制有机地结合起来。给出DFNN的网络结构,为基于收缩间距隶属函数和BP算法提供了参数调整方法。系统实验表明,DFNN控制器比PID＋前馈控制具有更好的动、静态响应,尤其在前馈信号难以取得的情况下具有更明显的优势。     

一种基于群体智能的人工神经网络学习算法

将群体智能优化理论引入一种前馈式人工神经网络——径向基函数（RBF）神经网络的学习训练过程,提出了基于智能微粒群算法的RBF神经网络学习算法,并与传统RBF神经网络学习算法进行了比较,实验结果证明了该方法的有效性。     

基于单神经元自适应PI 控制器的主动队列管理算法

基于神经网络理论中的神经元模型与学习算法,设计了一种主动队列管理算法SNAPI（Single Neuronbased Adaptive PI controller）．控制器根据系统误差在线调整PI 控制器的控制参数,以适应动态变化的网络参数．运 用Nyquist 稳定判据给出了系统在平衡点附近的局部稳定条件．最后通过仿真检验了SNAPI,并比较了它与使用固 定控制参数的PI 算法的性能．     

Adaptive mechanism-based congestion control for networked systems

In order to assure the communication quality in network systems with heavy traffic and limited bandwidth, a new ATRED (adaptive thresholds random early detection) congestion control algorithm is proposed for the congestion avoidance and resource management of network systems. Different to the traditional AQM (active queue management) algorithms, the control parameters of ATRED are not configured statically, but dynamically adjusted by the adaptive mechanism. By integrating with the adaptive strategy, ATRED alleviates the tuning difficulty of RED (random early detection) and shows a better control on the queue management, and achieve a more robust performance than RED under varying network conditions. Furthermore, a dynamic transmission control protocol–AQM control system using ATRED controller is introduced for the systematic analysis. It is proved that the stability of the network system can be guaranteed when the adaptive mechanism is finely designed. Simulation studies show the proposed ATRED algorithm achieves a good performance in varying network environments, which is superior to the RED and Gentle-RED algorithm, and providing more reliable service under varying network conditions.     

基于PID神经元网络和内模控制的拥塞控制算法*

针对网络系统的大时滞和非线性特性,设计了一种新的拥塞控制算法,将PID神经元网络与内模控制相结合应用于主动队列管理中,并使用Lyapunov理论证明了此算法的稳定性。NS仿真结果表明,这种算法的稳态和瞬态性能都优于PID算法,并且在参数变化和负载扰动时具有很强的鲁棒性。     

溶解氧浓度的前馈神经网络建模控制方法

针对污水处理过程溶解氧(DO)浓度控制问题,提出了一种基于前馈神经网络的建模控制方法(FNNMC).本文构造了神经网络建模控制系统,通过对建模神经网络和控制神经网络隐含层学习率的分析,证明了学习算法的收敛性以及整个系统的稳定性.最后,本文基于国际基准的Benchmark Simulation Model No.1 (BSMl)进行了仿真实验,验证了合理选取学习率的重要性,并通过与PID和模型预测控制(MPC)等已有控制方法的比较,验证了神经网络建模控制方法针对污水处理过程溶解氧浓度控制具有良好的建模能力,更高的控制精度以及更好的动态响应能力.     

基于传输控制协议的无线自组网主动队列管理建模

主动队列管理（AQM）通常研究队列控制器的设计．作为被控对象,传输控制协议（TCP）往往利用网络仿真器（NS）的仿真实现,因此有必要研究无线自组网的TCP及AQM特性．基于TCP窗口加性增一乘性减算法及排队原理,推导了TCP窗口及队列的微分方程,再基于比例积分AQM控制,推导了拥塞丢弃概率的微分方程,通过建立联立微分方程组,提出了AdHoc网络TCP／AQM微分模型．对比仿真显示,新模型能较好地估计无线白组网的性能．模型研究也表明,网络跳数,无线丢失和过小的队列成为AQM性能瓶颈,队列信息则有助于TCP区分无线自组网的拥塞丢弃与无线丢失．     

Neural network control of nonlinear dynamic systems using hybrid algorithm

In this paper, a hybrid method is proposed to control a nonlinear dynamic system using feedforward neural network. This learning procedure uses different learning algorithm separately. The weights connecting the input and hidden layers are firstly adjusted by a self organized learning procedure, whereas the weights between hidden and output layers are trained by supervised learning algorithm, such as a gradient descent method. A comparison with backpropagation (BP) shows that the new algorithm can considerably reduce network training time.     

基于神经网络前馈的无人直升机非线性鲁棒控制设计

针对小型无人直升机的控制问题,设计了一种基于神经网络前馈的非线性鲁棒控制算法.算法主要由两部分组成:基于三层神经网络的前馈,用以补偿无人直升机姿态动力学模型中的不确定项;基于符号函数积分的鲁棒控制,用以补偿未知外界扰动;基于Lyapunov分析方法证明了控制器可实现姿态角的半全局渐近跟踪.在三自由度实验平台上对所设计的控制算法进行了实验验证,结果表明:提出的设计取得了较好的姿态控制效果,并对外界未知风扰具有较好的鲁棒性.     

Nonlinear one-step-ahead control using neural networks: Control strategy and stability design

A nonlinear one-step-ahead control strategy based on a neural network model is proposed for nonlinear SISO processes. The neural network used for controller design is a feedforward network with external recurrent terms. The training of the neural network model is implemented by using a recursive least-squares (RLS)-based algorithm. Considering the case of the nonlinear processes with time delay, the extension of the mentioned neural control scheme to d-step-ahead predictive neural control is proposed to compensate the influence of the time-delay. Then the stability analysis of the neural-network-based one-step-ahead control system is presented based on Lyapunov theory. From the stability investigation, the stability condition for the neural control system is obtained. The method is illustrated with some simulated examples, including the control of a continuous stirred tank reactor (CSTR).     

A CMAC neural-network-based algorithm for the kinematic control of a walking machine

In this paper a hierarchical, neural network control architecture of a walking machine is proposed. The neural network is based on the theory of the Cerebellum Model Articulation Controller (CMAC) which is a neuromuscular control system. Some preliminary studies of kinematic control and gait synthesis are presented to demonstrate the effectiveness of the CMAC neural network. After having been trained to learn the multivariable, nonlinear relationships of the leg kinematics and gaits, CMAC is utilized to perform feedforward kinematic control of a quadruped in straight-line walking and step climbing. Simulation examples are provided and discussed. This algorithm can be extended to control other highly nonlinear processes which are hierarchical in nature and cannot be modeled by mathematical equations.     

基于Smith的自适应模糊网络拥塞控制算法

针对网络拥塞控制系统中因网络时滞对主动队列管理算法产生的不利影响, 提出了一种基于Smith预估的自适应模糊主动队列管理算法。该算法将Smith预估控制与自适应模糊控制相结合, 利用Smith预估器补偿网络时滞, 同时运用模糊控制在一定程度上克服了传统Smith预估器对模型结构与参数的精确性过于敏感、鲁棒性差等缺点。仿真结果表明, 该方法可以使队列长度快速收敛到设定值, 同时维持较小的队列振荡, 尤其是在网络条件变化的情况下, 该算法优于传统PI控制、模糊控制和传统的滑模控制。     

改进神经元PID无线拥塞研究

神经元PID算法能较好地控制瓶颈节点的队列长度,但当网络环境发生较大变化时,其控制效果往往难以保证。根据Ad Hoc网络环境参量时变的特点,推导了无线TCP/AQM离散模型,在神经元算法的加权系数中引入二次型性能指标。另外神经元增益K是系统敏感参数,而恒定的K值不易适应时变的无线自组织网络,据此设计了一种改进二次型性能指标神经元PID的AQM。仿真结果表明：在动态拓扑、突发流及链路容量变化的Ad Hoc网络中,该改进算法优于PI算法。