基于HCMAC神经网络的控制研究

利用HCMAC神经网络与模糊控制算法近似的特性，以偏差和偏差的变化率作为：HCMAC神经网络控制器的输入，构造一新型HCMAC神经网络控制器，克服模糊控制中模糊规则难以准确确定的缺陷。通过仿真实例看出，HCMAC神经网络控制器与常规PID控制器相比具有很好的跟踪控制精度，在时变、非线性的复杂系统中具有一定的应用价值。     

基于神经网络控制的有源滤波器的研究

随着电力系统中负荷的多样化，使得电网的谐波干扰和无功冲击越来越严重，对电力系统的安全可靠运行和用电设备的正常稳定工作构成了威胁，因此谐波的实时检测和补偿也就变得越来越重要.基于此背景，提出了一种基于神经网络控制器的新型有源滤波器，通过神经网络控制器对电网谐波进行分析预测，并通过开关决策来控制补偿电流发生电路从而实现滤除谐波的功能.其中，神经网络的训练是采用遗传算法和小脑模型来实现的.仿真结果证实了神经网络控制器的有效性.     

基于神经网络控制的有源滤波器的研究

随着电力系统中负荷的多样化，使得电网的谐波干扰和无功冲击越来越严重．对电力系统的安全可靠运行和用电设备的正常稳定工作构成了威胁，因此谐波的实时检测和补偿也就变得越来越重要．基于此背景，提出了一种基于神经网络控制器的新型有源滤波器，通过神经网络控制器对电网谐波进行分析预测，并通过开关决策来控制补偿电流发生电路从而实现滤除谐波的功能．其中。神经网络的训练是采用遗传算法和小脑模型来实现的．仿真结果证实了神经网络控制器的有效性．     

基于神经网络的迭代控制研究

利用迭代学习控制过程记忆的期望控制ud(t)、期望轨迹yd(t)以及跟踪误差ek 1(t),提出了用迭代学习控制理论进行系统控制律设计的方法,并基于神经网络的拟合算法拟合出控制系统PID控制器的参数,实现了对系统的迭代学习控制.研究表明,这种方法实现的PID控制器结构简单,作用于系统可获得较佳的动态特性和较强的鲁棒性.仿真实例表明了这种方法具有很好的可行性和实用性.     

基于CMAC神经网络的配网重构模型

为使配电网的有功功率损失最小化,提出了一种基于小脑模型关节控制器(cerebellar model articulation controller,CMAC)神经网络配电网重构模型.借助于CMAC神经网络输入和输出之间的非线性映射关系和泛化能力,来建立变化的负荷水平与最优化网络拓扑之间的对应关系,即网络重构.还将该模型与基于BP网络的配网重构模型进行比较.经算例表明,模型可以快速地给出重构的结果,适合大型配电网使用.     

小脑模型神经网络控制器在天线跟踪指向控制中的应用

分析了天线跟踪指向控制系统的特点和影响系统跟踪性能的主要因素,建立了系统数学模型。根据系统特点,给出了小脑模型神经网络控制器(CMAC)和PID相结合的复合自适应控制方法的设计过程,并分析了该算法适用于天线跟踪指向控制系统的优势。该方法利用传统的PID控制,结合CMAC神经网络算法的快速自学习、精确逼近的优点,既满足了天线跟踪指向控制系统快速实时跟踪的要求,又提高了跟踪精度和跟踪平稳性。仿真结果表明,该方法对摩擦力矩有很好的抑制作用,跟踪精度较单独采用PID控制提高一个数量级,且输出稳定,具有较强的鲁棒性。     

基于模糊小脑模型神经网络的直线伺服跟踪控制

以永磁直线同步电机为被控对象，在高精度直线伺服跟踪控制系统中，为使输出响应快速地跟踪输入指令，需要克服系统滞后、未建模动态、不确定性以及负载的变化因素等的影响.为此，提出了一种模糊小脑模型(FCMAC)神经网络直接逆控制的方案，可动态地克服上述这些因素的影响.同时，还给出了较详细的原理分析及实现过程.仿真结果表明，此控制方案是十分有效的，能够明显地提高伺服系统的快速跟踪能力，并使系统具有较强的适应性和鲁棒性.     

基于PID神经网络的UPFC潮流控制方法研究

建立了UPFC的数学模型,将PID神经网络控制方法应用于UPFC的潮流控制,提出了PID神经网络控制器的设计方案,仿真结果表明,UPFC采用PID神经网络控制方法以后,响应时间更快,对有功功率和无功功率的变化具有很好的追踪能力,鲁棒性良好.     

基于递归小脑神经网络的模糊自适应控制

为解决一类不确定非线性系统控制问题,提出了小脑神经网络模糊自适应算法.将系统分为标称模型、参数不确定部分以及包含建模误差、干扰及未建模动态等在内的混合干扰项,用模糊自适应控制实时逼近系统各个不确定参数,用鲁棒控制消除混合干扰,并设计了递归小脑模型关节控制器作为观测器来对混合干扰的上界进行实时逼近.李亚普诺夫理论证明了控制算法可使系统一致有界稳定,微飞行机器人姿态控制仿真结果表明,控制算法改善了系统的动态性能及鲁棒性,研究结论对复杂非线性系统的有效控制提供了依据.     

小脑模型神经网络研究和发展综述

小脑模型神经网络是Albus在一系列基础应用论文中被提出的。首先分析了小脑模型神经网络的生物学基础、基本原理和学习算法及其扩展。在此基础上综述了小脑模型的研究进展和及其它的一些应用。小脑模型是一种局部学习网络，结构简单，收敛速度快，易于软硬件实现，因而具有广泛的应用前景，最后预测了小脑模型未来的发展趋势。     

神经网络PID复合智能控制参数自整定研究

针对具有时滞一阶非最小相位系统的被控对象,提出了一种基于神经网络的PID复合智能控制设计方案,推导出复合PID控制器控制参数的整定方法.考虑到被控对象的不确定性、慢时变等特点,以神经网络元构造基于自动化复合PID控制器,解决了基于自动化复合PID控制参数在线调整的问题,使复合PID控制器适用范围更广泛.对闭环控制系统模拟结果表明,该系统控制参数整定方法简单,具有非常好的控制效果.     

基于神经网络内模的逆变系统控制器设计

针对逆变系统负载适应性能不强、动静态性能不佳的特点,设计出一种基于神经网络内模原理的逆变系统控制方法。通过对该方案的理论分析,得出了控制系统的实现方法。通过相应的仿真研究对其策略特性进行分析和比较。与传统控制方式相比较,这种智能控制不依赖于被控对象。由神经网络实现对系统的智能控制,提高了系统的逆变波形质量和负载适应性,使系统获得了较好的动态和稳态性能。     

基于神经网络控制器的高压电缆测温系统

针对目前对高压电缆的温度测量方法大都是只能测量当前的温度,滞后控制,不能进行提前辨识的问题,对传统电缆测温方法进行研究,提出用神经网络控制器对高压电缆温度进行测量的方法.在3种常规控制器的基础上设计了3种基于神经网络的控制器:神经自校正控制器、神经PID(proportion integration differentiation)控制器和神经自适应控制器,不仅对它们进行神经网络训练,而且用MATLAB软件进行仿真.通过仿真结果最终选用神经PID控制器,并将其应用于实际高压电缆测温系统当中,经在新疆供电系统检验,效果良好.     

一种6-PRRS并联机器人的神经网络控制

针对6-PRRS并联机器人控制系统的非线性、耦合等特性,设计了神经网络控制器.此控制器采用分散控制策略,利用复合正交神经网络来消除并联机器人控制系统非线性、耦合的影响,学习系统的不确定信息作为前馈补偿使系统跟踪误差快速收敛,并采用PID作为反馈控制保证系统的稳定性,从而实现6-PRRS并联机器人的快速、稳定轨迹跟踪.该控制器以离散的形式进行设计,结构简单、易于工程实现.     

基于神经网络PID控制器的混沌系统控制与同步

提出了一种基于神经网络参数自整定PID控制器的混沌控制方法。该方法由神经网络辨识器和神经网络控制器组成,神经网络学习算法均采用Davidon最小二乘法。考虑到混沌系统的动力学特性,施加单个控制量可实现模型未知混沌系统的平衡点镇定和自同步,仿真结果证实了该方法的有效性。     

基于模糊神经网络的自主车导向控制器

为了实现自主车跟踪固定路径的精确控制,建立了自主车路径偏差控制系统的数学模型。设计了基于神经网络的自主车导向控制器,建立了模糊神经网络控制器的结构,并由实验数据产生训练样本。该控制器通过精确控制两个驱动轮的差动转速实现路径跟踪。实验结果表明采用模糊神经网络的导向控制器能够稳定地实现跟踪导向路径的控制功能。     

可容错的遥控水下机器人递归神经网络控制

针对遥控水下机器人(ROV)需要长时间稳定可靠工作的问题,提出递归模糊神经网络及可容错分配推力的控制方法．使用扩展函数链改进递归模糊神经网络控制器,提高了控制器对机器人非线性特性的识别和处理能力;基于反向梯度传播原理,由能量函数设计了该网络的学习算法,并根据微粒群优化确定学习率参数,从而保证整个网络的收敛性;在推力分配方面,针对开架式遥控水下机器人的两种推力器布置形式进行建模,将容错问题转化为对偶优化问题,建立能量函数实现故障条件下的推力优化分配．实验结果表明,所设计控制器不仅增强了遥控水下机器人对干扰的反应能力,并且提高了对机器人非线性特性的控制能力,减少了控制误差．当部分主推或侧推等推力器失效时,仍可以通过推力优化分配实现机器人在水平面上的准确位置控制,从而保证了遥控水下机器人长时间可靠工作．     

氧乐果合成反应温度的模糊神经网络控制方法

氧乐果合成反应温度控制过程具有参数时变、非线性、大滞后等特点,采用传统的控制方法难以达到预期的控制效果。针对此问题,文章设计了基于遗传算法的模糊神经网络控制器。首先确定与模糊系统结构等价的神经网络,从而将模糊控制规则和隶属函数的参数搜索优化问题转化成网络参数优化问题;其次利用改进的遗传算法实现网络参数快速全局寻优,从而提高控制器性能。仿真结果表明,优化后模糊神经网络控制器对一类具有参数时变、时滞、非线性的系统具有良好的控制性能。