CMAC神经元网络在CSTR系统建模中的应用

目前正在兴起和发展的人工智能和人工神经网 络的研究,为复杂非线性系统的控制开辟了一条新路．本文将CMAC神经元网络用于CSTR系统 的建模,取得了很好的仿真效果．     

单神经元PID在CSTR系统温度控制中的应用

连续搅拌反应釜系统是一个典型的非线性模型,化学反应过程表现出很强的非线性和时滞性,很难为对象建立准确的数学模型,该反应又属于放热反应,因而对反应温度的控制是整个控制过程的最重要的环节,由于温度变化的滞后,运用常规PID控制效果不佳.本文利用单神经元PID对其温度进行控制,整个过程反应的控制指标能够达到工艺要求,取得良好的控制效果,并有较好的抗干扰性能.     

基于神经模糊模型的CSTR系统预测控制

针对具有高度非线性特性的连续搅拌反应釜(CSTR)控制过程,研究了基于神经模糊模型的预测控制策略.利用神经模糊模型预测CSTR系统在一定预测时段的输出,基于进化规划(EP)的优化算法,使用神经模糊模型的预测输出来确定输入序列,实现对CSTR的PH值跟踪控制,仿真结果表明该方法可以获得满意的跟踪控制效果.     

基于迭代学习的云控制设计研究及应用

针对云控制在设计和控制中存在的一些问题,提出了一种基于迭代学习控制方法的云控制器,利用迭代学习算法设置云控制器的论域,简化了云控制器的设计过程。通过对连续搅拌釜式反应器（CSTR）的控制仿真,表明该控制器大大减少了稳态误差,满足了工业过程的要求,并具有较强的鲁棒性。     

基于GLBest-PSO算法的CSTR系统鲁棒PID控制

连续搅拌反应釜(CSTR)系统是一类具有多变量、强非线性和多工作点的复杂工业过程,对外界扰动及内部参数变化较为敏感。针对常规PID控制器参数整定困难,难以取得满意效果,本文提出了一种基于改进粒子群优化算法的CSTR系统鲁棒PID控制方法。通过对优化目标的分析,将鲁棒PID控制器的参数整定问题转化成一个求解最大-最小问题,在对粒子群优化算法进行改进的基础上,引入合作进化思想对该最大-最小问题进行求解,获得了基于优化性能指标最优的鲁棒PID控制器参数。针对实例的仿真结果表明,利用此方法整定得到的鲁棒PID控制器具有良好的鲁棒性,性能指标优于其它方法得到的鲁棒PID控制器,当过程对象操作范围发生大的变化时,利用本文方法设计得到的鲁棒PID控制器能获得满意的结果。     

联姻遗传算法在CSTR 系统中的应用

将基于联姻遗传算法的模型参考自适应控制方法引入连续搅拌反应釜这一复杂的非线性系统,通过运用新型的联姻遗传算法对控制系统的PID参数进行在线调整,使模型参考自适应控制达到理想的控制效果。仿真结果表明了该方法的良好控制性能。     

基于自适应观测器的CSTR系统有界控制

为确保控制器输出在其允许的物理限制范围内和克服进料流速波动对期望浓度响应的影响,针对连续搅拌槽反应釜(CSTR)系统,采用了一种出口浓度控制和进料流速估计的算法,这种简单的控制策略考虑到作为输入变量的冷却剂流速的有界属性,借助自适应观测器得到进料流速和系统状态.由于考虑了进料流速波动的影响,所提策略对实际生产中由于设备...     

基于SIMATIC的CSTR控制系统实现

本文以多功能过程和实验系统(MPCE)中的连续搅拌(CSTR)反应过程为对象.针对控制要求,设计了系统的控制方案.该方案除了应用常规PID控制外,还融合了先进控制算法,如对组分的基于T-S模糊模型的预测控制.针对温度的自适应模糊控制.同时,在SIMATIC PCS7和WinCC上进行了工程实现.探讨了PCS7过程控制系统产品上实施先进控制的方法.运行结果表明,控制系统切换方便,安全性、有效性和可行性较好,具有良好的控制性能.     

基于非线性系统T-S模糊模型的随机最小方差控制

以非线性系统的T-S模糊模型为基础,提出了一种基于最小方差性能指标的随机控制方法。分析了系统的稳定性问题并给出了系统稳定的充分条件。将此方法用于连续反应搅拌釜(CSTR)中和过程pH值控制的仿真试验,仿真结果表明了该方法的有效性。     

一种基于模糊CMAC神经网络的自学习控制器

通过分析模糊控制和基于广义基函数的ＣＭＡＣ神经网络,提出一种模糊ＣＭＡＣ（ＦＣＭＡＣ）神经网络。通过ＦＣＭＡＣ权系数的在线学习,实现修正模糊逻辑。给出一种基于ＦＣＭＡＣ的自学习控制器的结构及合适的学习算法,这种网络每次学习少量参数,算法简单。仿真结果表明所提出的控制器优于传统的ＰＩＤ控制器。     

基于CMAC再励学习控制的电梯群控调度方法

提出一种新的智能优化调度方法，将再励学习控制运用到电梯群控系统中,采用基于交通模式识别的小脑模型神经网络作为控制器,以乘客平均候梯时间最短为控制目标设计出电梯群控系统的控制方案.该控制方法不需要过多的专家知识及学习样本,可以实现在线学习并具有较强的自适应能力,提高了系统的效率并且使系统性能得到优化.以层间交通模式为例对系统进行仿真,结果证明了该方法的可行性及有效性.     

基于改进的CMAC神经网络与PID并行控制的研究

提出一种改进的CMAC神经网络控制算法,利用满打满葬单元的先前学习次数作为可信度;将改进的CMAC与PID实现复合控制,由CMAC控制器实现前馈控制,PID控制实现反馈控制;仿真表明,改进算法的响应速度和精度有一定的改善。     

CMAC网络建模在非线性预测控制中的应用

将CMAC网络用到具体非线性系统的预测控制研究中,并且在控制中将CMAC建立的模型输出值与测量输出值进行综合,代替量测输出用于控制中,从而降低辨识器与控制器对未建模动态的敏感性,加强控制器的适应能力和鲁棒性。对一类CSTR系统的仿真结果表明,该预测控制策略响应快且容易实现,对于改善非线性预测控制不失为一种有益的尝试。     

机械臂的CONN控制与CMAC控制的比较研究

由于正交神经网络算法简单,学习收敛速度快,具有线性、非线性逼近精度高等优异特性,取得了较好的应用效果,但在机器人动态建模与实时控制问题上研究较少。为此在机械臂的神经网络控制中,该文提出复合正交神经网络(CONN)与PID并行控制方法,并对小脑模型(CMAC)与PID并行控制作一比较研究。仿真结果表明,当阶跃输入与正弦输入时CONN与CMAC实现的前馈控制具有相同的控制效果,但CONN算法比CMAC算法更简单,这充分地体现了复合正交神经网络的特点。     

基于CMAC强化学习的交叉口信号控制

采用神经网络值函数逼近的强化学习方法处理交叉口的信号控制。根据交通流及交叉口信号特征,建立强化学习的状态空间、动作空间和回报空间,以最小化车辆在交叉口的延误为控制目标,对信号进行优化控制。引入小脑模型关节控制器神经网络对强化学习(RL)的Q值进行逼近。在变化的交通条件下,使用典型交叉口对提出的RL模型进行验证,同传统的定时控制和全感应控制进行对比分析。仿真结果表明,RL控制器具有较强的学习能力,可以适应交通流的动态变化,稳定性好、自适应性强,对于环境变化具有较强的适应能力。     

基于CMAC神经网络的智能助行机器人在线学习控制

为了使老年人能够独立、安全、舒适地行走于户外环境,针对自行开发的智能助行机器人ZJU Walker,提出一种基于CMAC神经网络的在线学习控制算法.CMAC神经网络模拟人的小脑结构,具有学习速度快、结构简单等特点.采用CMAC神经网络对用户的行走习惯进行关联记忆和在线学习,并理解用户的行走意图.实验结果验证了所提方法的有效性,使助行机器人更加易于使用,提高了用户在使用过程中的舒适度.     

基于变学习率CMAC网络的自适应逆控制研究

提出一种改进学习算法的CAMC网络结构,并应用于非线性系统控制。该算法可保证网络的学习率随着系统工作点的变化而自适应变化,加快了网络的收敛速度,提高了系统的自适应能力。文中分析了CAMC网络用于自适应逆控制过程中,网络学习率对网络收敛特性的影响,论证了自适应学习率在网络学习中的作用,并给出了学习率自适应学习的具体训练方法。最终将该方法应用于三阶机械手模型的逆运动控制,给出了基于普通CMAC的逆运动控制的控制曲线和基于改进学习算法后的CMAC的逆运动控制的控制曲线,并给出了分析和对比,论证了改进的学习算法的优越性。