基于数据挖掘与系统理论建立摩擦模糊模型与控制补偿

建立机械摩擦力模型及其相应的控制补偿策略一直是人们所关注的问题. 由于摩擦力所固有的非线性及不确定特征, 用传统的数学建模与控制补偿方法难以达到满意的系统性能要求. 本文采用模糊建模技术逼近摩擦动力系统并将辨识结果用在前馈补偿控制器设计中. 模糊建模过程由以下3个部分组成: 首先采用数据挖掘技术辨识出模糊系统的模糊规则库, 然后利用该规则库建立模糊系统的静态模型, 最后以李雅普诺夫稳定性理论为基础进一步辨识出模糊系统的动态模型. 在控制器设计方面, 采用了自适应模糊系统前馈补偿的比例微分(Proportional-derivative, PD)算法. 运用李雅普诺夫稳定性分析证明了闭环系统跟踪误差的有界性. 数值仿真结果表明了该方法的有效性和实用性.     

基于区间二型模糊摩擦补偿的鲁棒自适应控制

针对不确定机械系统中普遍存在的摩擦力,由于其非线性和不确定性,传统基于摩擦模型的补偿控制方法难以达到满意的系统性能要求.本文提出基于自适应区间二型（Type-2）模糊逻辑系统对系统摩擦进行补偿建模,并在该摩擦补偿方法的基础上设计出鲁棒自适应控制器,保证系统输出精度,且对摩擦环境的变化具有较强自适应性.区间二型模糊逻辑系统相对于传统一型模糊逻辑系统具有较强的处理不确定性问题的能力,在本文中使用自适应区间二型模糊逻辑系统不断逼近摩擦力,根据李雅普诺夫稳定性理论求出自适应律并证明系统跟踪误差的有界性.在不同摩擦环境下的仿真结果验证了本文所提摩擦建模方法与控制策略的有效性与实用性.     

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.     

基于脉冲耦合神经网络的混沌控制

根据脉冲耦合神经网络(PCNN)能产生混沌现象,研究了对配置混沌PCNN系统的李雅普诺夫指数使其稳定于期望点的方法。根据特定期望点的情况,按需要配置负的李雅普诺夫指数,产生不同的控制序列来改变混沌PCNN系统,达到稳定控制的要求。仿真和实验结果证明了该算法的有效性,实现了混沌PCNN系统从混沌状态到稳定期望点的控制。     

基于卡尔曼滤波的RBF神经网络和PD复合控制研究

针对工业机器人控制系统在实际工作中不可避免地要受到随机噪声的影响,提出了基于卡尔曼滤波的RBF神经网络与PD复合控制器设计,该控制器由PD反馈、RBF神经网络前馈控制器和卡尔曼滤波器三部分构成;基于卡尔曼滤波的PD和RBF神经网络复合控制具有优良的控制性能和动态品质,能快速跟踪设定的参考信号,而且无大的超调和振荡出现,只需较少的控制能量,明显抑制白噪声的污染,提高系统自适应性和鲁棒性;仿真结果表明了其有效性。     

混沌系统的RBF神经网络非线性补偿控制

设计RBF神经网络非线性补偿控制器,提出了混沌系统线性状态反馈的复合控制方法,将可调系统混沌行为镇定到期望目标位置或者变成周期运动.用Lorenz方程作仿真实验,结果证明了该方法的有效性.     

基于RBF神经网络PID的无人动力伞控制

动力伞是一个复杂的非线性动力学对象,难以用精确的数学模型描述。对于这种具有非线性、时变和强耦合特性的综合系统,采用传统PID控制方法不能得到满意的控制效果,因此提出一种基于RBF神经网络的PID控制方法。该方法利用RBF神经网络的自学习、自适应能力自调整系统的控制参数,从而实现对PID控制器各参数的优化整定。在Mat-lab软件中的仿真结果表明,该方法可实现对动力伞有效的控制,并且与传统PID相比,具有更短的调节时间,更好的稳定性、自适应性和鲁棒性。     

基于RBF神经网络的减摇鳍自适应滑模控制

为减轻船舶在大风浪中剧烈的横摇,减摇鳍是目前应用最广泛的减摇装置.针时船舶减摇鳍系统的非线性和不确定性,在系统不确定性函数结构未知的情况下,提出一种RBF神经网络自适应滑模控制方法.采用RBF神经网络逼近系统不确定动态,并设计权值的自适应律,结合滑模控制增强系统的鲁棒性.在不同有义波高和不同浪向角下,建立随机海浪的干扰模型,应用simulink对系统进行仿真.仿真结果表明,该控制策略在各种海况下,均具有良好的减摇效果和较强的鲁棒性.     

半导体生产线的RBF神经网络预测建模

预测模型是预测控制的基础。半导体生产过程的复杂性和随机性,使之难以建立确定性模型。提出一种新方法,利用径向基（RBF）神经网络对该过程建立预测模型。使用simul8软件对之在各种投料策略和调度策略下进行仿真并定时采样,将采样得到的数据对模型进行训练测试,结果表明该模型的预测输出与实测样本基本吻合,网络模型具有很好的泛化能力。训练后的网络可以对半导体生产线进行快速准确的预测,为预测控制和实时调度打下基础。     

基于RBF神经网络的热电偶建模方法

针对热电偶的测量精度问题,建立了热电偶传感器的数学模型。此数学模型采用RBF神经网络,利用带遗忘因子的梯度下降算法进行网络参数的调整,并给出了建模步骤。实际结果表明,该模型具有较高的精度。     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。     

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统．提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型，自动调整PID控制器参数，实现系统的智能控制。仿真结果表明，与常规RBF神经网络PID控制方法相比，该方法具有控制精度高、响应速度快的优点，并且具备较强的自适应性和鲁棒性。     

基于RBF神经网络的智能PID控制算法

针对工业中的纯滞后现象提出一种智能控制方法,在常规的PID控制器中引入Smith预估器,对纯滞后时间τ所产生的特性进行预估补偿,同时利用RBF神经网络对PID的参数进行自整定,在一定程度上增强了系统的鲁棒性和稳定性。实验证明,此控制方法对纯滞后工业对象进行控制可以得到良好的效果。     

基于模糊RBF神经网络算法的灌溉控制系统设计

对于一个农田占地面积大,灌溉用水量少的农业国而言,高效用水影响着农业的稳步发展;针对这一现象,提出一种基于模糊RBF神经网络的灌溉策略,将隐层的输出函数构成一组基来逼近目标函数,预测出灌溉的需水量,并用模糊控制计算出具体的灌溉时间;以山西省忻州地区种植的玉米利合328号为例,对气象条件、土壤条件以及作物特性进行分析,可以根据不同环境计算出灌溉时间;对大田采取高效、实时的灌溉策略,不仅可以提高灌溉用水的利用率,还可以为大田灌溉的发展奠定基础,增加了作物的产量。     

基于径向基神经网络的分数阶混沌系统控制

针对分数阶混沌系统的控制问题,提出了一种基于径向基函数（RBF）神经网络的控制方法．利用RBF 神经网络对混沌系统的非线性进行补偿,并且神经网络的权值可以通过调整律在线调整．在有参数干扰和外部扰动 的情况下,所设计的控制器仍能使得控制误差渐近收敛到零．以分数阶Liu 混沌系统为例施加控制,仿真结果验证 了该方法的有效性和鲁棒性．     

基于RBF网络的参数自学习模糊控制的研究

模糊控制以其自适应性、鲁棒性和易于实现等优点得到广泛应用。然而模糊控制规则的获得通常由专家经验给出,这就存在诸如控制规则不够客观、专家经验难以获得等问题。在模糊控制系统中,模糊规则库的构建是至关重要的,因此研究模糊规则的自动生成有着重要的理论和应用价值。本文首先以模糊控制理论和RBF神经网络理论为基础,提出了一种能够有效表达模糊系统可解释性的RBF网络结构;然后详细讨论在此网络结构下提取模糊规则的学习算法;最后依据上述方法进行仿真实验,实验结果表明,这种根据测量数据自动提取模糊规则的方法是有效的。     

基于聚类分析的RBF网络建模方法及应用的研究

该文提出了基于聚类分析的RBF（Radial Basis Function）网络建模方法：利用聚类分析确定RBF神经网络的隐层参数，运用最小二乘法确定RBF神经网络的输出层参数。重点介绍了聚类分析的理论和算法。根据聚类分析和RBF网络结合后的优点以及中医证候大数据、大样本、多中心且无明确函数关系的特性，提出了用该方法建模应用于中医证候诊断，改进了BP（Back Propagation）网络用于中医证候诊断建模的不足之处，并拓宽了RBF神经网络的应用。最后，用2-型糖尿病文献数据库验证了该方法的有效性和合理性。     

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp, ki, kd参数。将算法运用到电机控制系统的PID参数寻优中,仿真结果表明基于此算法设计的PID控制器改善了电机控制系统的动态性能和稳定性。     

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。