非线性MIMO系统线性化解耦的一种新方法：连续时间系统

给出用神经网络（ＮＮ）α阶积分逆系统实现连续非线性ＭＩＭＯ系统线性化解耦的方法。ＮＮα阶积分逆系统由一个静态神经网络加若干积分器构成,将其串联在原系统之前,原系统则解耦成若干个相互无关的ＳＩＳＯ伪线性积分系统。理论分析与仿真结果表明,对于精确模型未知的较一般的非线性ＭＩＭＯ系统,所给出的方法均能实现有效的线性化解耦,且结构简单,易于工程实现。     

非线性MIMO系统线性化解耦的一种新方法(Ⅰ)——连续时间系统

给出用神经网络（ Ｎ Ｎ）α阶积分逆系统实现连续非线性 Ｍ Ｉ Ｍ Ｏ 系统线性化解耦的方法。 Ｎ Ｎα阶积分逆系统由一个静态神经网络加若干积分器构成,将其串联在原系统之前,原系统则解耦成若干个相互无关的 Ｓ Ｉ Ｓ Ｏ 伪线性积分系统。理论分析与仿真结果表明,对于精确模型未知的较一般的非线性 Ｍ Ｉ Ｍ Ｏ 系统,所给出的方法均能实现有效的线性化解耦,且结构简单,易于工程实现。     

基于NNα阶逆的非线性大时延系统预测控制

针对较一般的模型未知非线性大时延系统,构造其ＮＮα阶递系统与原子系统复合成ＮＮα阶伪线性复合系统;然后将此复合系统作为被控对象,用线性预测控制方法实现有效控制,简化了预测控制器的设计,易于进行稳定性和稳态偏差分析。     

连续非线性系统的神经网络α阶逆系统控制方法

对连续非线性系统,采用连续系统的设计方法,利用神经网络对非线性函数的逼近 能力加上用来表征系统动态特性的若干积分器,构造工程上可实现的原系统的神经网络α阶 逆系统(将α阶逆系统直接与原系统串接,构成α阶积分伪线性复合系统),并对α阶积分伪 线性复合系统设计线性控制器,实现对原非线性系统的有效控制.仿真结果表明,该方法适用 于较一般的线性、非线性连续系统,且结构简单,易于工程实现.     

神经网络α阶逆系统在离散非线性系统控制中的应用

给出一般离散非线性系统的神经网络α阶逆系统(将α阶逆系统与原系统直接串联起来,构成一伪线性系统,具有α阶时延性质)的结构与辨识,并研究其在非线性系统控制中的直接应用。仿真结果表明该方法具有较普遍意义,且结构简单,易于实现。     

动物细胞悬浮培养过程神经网络逆解耦控制

动物细胞的悬浮培养以细胞增殖快、生产效率高等优势,成为动物细胞大规模培养的首选方式。而动物细胞悬浮培养过程是一个非线性、强耦合的多输入多输出系统,对一些生物参数(如细胞密度、基质浓度和产物浓度)的控制是提高整个生产水平的关键,应用神经网络逆系统方法对动物细胞悬浮培养过程进行线性化解耦控制,根据培养过程的特点,给出了相应的数学模型,并证明了系统的可逆性,利用神经网络的非线性逼近能力辨识出原系统的逆系统,然后串接在原系统前面构成伪线性复合系统,使动物细胞悬浮培养过程线性化解耦成三个子系统：一阶线性细胞密度子系统、一阶线性基质浓度子系统和一阶线性产物浓度子系统,最后设计模糊PID控制器对各解耦后的线性子系统进行控制,避免了传统PID控制器最优参数选取困难的问题。仿真结果表明,神经网络逆系统方法实现了对动物细胞悬浮培养过程的线性化解耦,系统对给定输入实现了高性能跟踪控制。     

神经网络α阶逆系统控制方法在机器人解耦控制中的应用

本文利用神经网络α阶逆系统线性化解耦能力,将严重耦合的多自由度机械手 解耦成多个二阶积分子系统,进一步采用线性系统设计方法对已解耦系统设计闭环控制器, 成功地实现了位置快速跟踪．该控制方法不需要知道机器人系统的精确数学模型,并且结构 简单,易于工程实现．     

神经网络广义逆系统控制

提出适合于高阶非线性系统线性化解耦的广义逆系统，它与被控系统复合后，不但能实现原系统的线性化和解耦，而且通过合理地设计逆系统，可使伪线性复合系统的极点在复平面上任意配置，进一步提出由静态神经网络和若干积分惯性等线性环节组成的神经网络广义逆系统，为模型未知且内部状态不易测量的高阶非线性系统的线性化解耦控制提供一条有效途径，进一步拓展了神经网络逆系统控制方法的适用范围。     

神经网络广义逆系统控制

提出适合于高阶非线性系统线性化解耦的广义逆系统.它与被控系统复合后,不但能实现原系统的线性化和解耦,而且通过合理地设计逆系统,可使伪线性复合系统的极点在复平面上任意配置.进一步提出由静态神经网络和若干积分惯性等线性环节组成的神经网络广义逆系统,为模型未知且内部状态不易测量的高阶非线性系统的线性化解耦控制提供一条有效途径,进一步拓展了神经网络逆系统控制方法的适用范围.     

基于小波神经网络的板形板厚系统解耦预测控制

带材轧制是一个复杂的非线性过程, 板形控制和板厚控制又是强耦合、非线性、含时延环节的复杂系统. 提出了一种基于小波神经网络的解耦预测控制方案; 利用小波神经网络来辨识原系统的α阶时延逆系统, 将该逆系统与原系统串联后形成一个伪线性复合系统, 从而把多变量系统控制转化为多个单变量系统的控制实现了系统解耦, 并对解耦后的系统采用闭环预测控制. 仿真表明该控制方法具有结构简单、易于实现, 且有较强的抗扰性和鲁棒性.     

一种新型神经网络广义逆系统

提出一种新型带有反馈环节的广义逆系统方法,并给出了其存在性的证明．该方法首先利用神经网络构造被控对象的α 阶逆系统,通过改变反馈环节参数可随时任意配置复合系统极点,无需重新构造广义逆系统．分别对ＳＩＳＯ 和ＭＩＭＯ 非线性系统进行仿真研究．仿真结果表明,在配置极点变换时,利用该方法构造的广义逆系统仍可对原系统实现有效的线性化和解耦．     

非线性微分——代数子系统的逆系统的构造

对于一类非线性微分-代数(Differential-algebraic equation, DAE)子系统, 将非线性常微分方程(Ordinary differential equation, ODE)系统的逆系统方法进行了完全扩展. 首先对此类非线性DAE子系统提出的物理背景和系统特性进行了详细阐述. 然后给出了非线性DAE子系统的逆系统定义, 包括单位右逆系统和 α 阶积分右逆系统. 接下来提出一种递归算法, 利用此算法给出了被控系统可逆的充要条件, 并构造了物理可实现的控制器, 实现了非线性DAE子系统的线性化解耦. 最后基于本文所提出的控制方法, 研究了电力系统同步发电机组励磁汽门综合控制的线性化解耦问题.     

基于最近邻聚类支持向量机辨识的电弧炉电极逆控制

基于核函数的支持向量机(support-vector-machines, SVM)与三层神经网络等价关系, 构造基于SVM的多变量阶时延逆系统实现对原系统的伪线性化解耦, 提出最近邻聚类的SVM模型辨识算法, 设计了一种带前馈的参数自适应PD调节器和SVM逆控制相结合的控制策略. 通过对典型的MIMO离散非线性可逆系统和电弧炉电极系统的仿真研究, 表明该控制策略对于数学模型未知的不确定系统, 只需要一定量的输入输出数据作为样本学习, 就可实现对系统逆模型的高精度逼近, 控制系统具有良好的动态响应和跟踪精度. 当模型严重不确定、参数摄动、有外界干扰时, 系统具有很好的抗干扰能力和鲁棒性.     

一类非线性微分代数子系统的逆系统控制及应用

对于指数1且关联可测的非线性微分-代数子系统,研究其逆系统控制方法,并将结果应用于电力系统元件分散控制.首先描述了此类非线性微分-代数子系统的物理背景和系统特性,并给出了非线性微分-代数子系统的α阶积分右逆系统和可逆的定义;然后给出了一种递归算法,以此来判别被控系统的可逆性,并构造出由状态反馈和动态补偿实现的α阶积分右逆系统,实现了复合系统的线性化解耦;最后针对多机电力系统中的一台同步发电机,应用所提出的方法研究其励磁控制电压问题.仿真结果验证了所提出方法的有效性.     

一种新型神经网络广义逆系统

提出一种新型带有反馈环节的广义逆系统方法,并给出了其存在性的证明．该方法首先利用神经网络构造被控对象的α 阶逆系统,通过改变反馈环节参数可随时任意配置复合系统极点,无需重新构造广义逆系统．分别对ＳＩＳＯ 和ＭＩＭＯ 非线性系统进行仿真研究．仿真结果表明,在配置极点变换时,利用该方法构造的广义逆系统仍可对原系统实现有效的线性化和解耦．

     

基于支持向量机的非线性内模解耦控制

针对非线性内模控制在应用于多变量系统时逆模型难以建立的问题, 提出了支持向量机α阶逆系统的内模解耦控制方法. 该方法利用支持向量机辨识非线性系统的逆模型, 并将其串连在原系统之前, 运用逆系统方法的思想, 将一个多变量、非线性、强耦合的复杂系统通过反馈线性化解耦成多个相互独立的单输入单输出的伪线性复合子系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真试验表明该方法不需要系统精确的数学模型, 较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决多变量非线性系统控制的一种可行的理论方法.     

并联混合有源滤波器逆系统解耦控制

针对并联混合有源滤波器(SHAPF)这一强耦合非线性系统的控制问题,提出了一种基于逆系统方法的SHAPF反馈线性化解耦控制策略.首先根据SHAPF非线性数学模型,采用逆系统方法生成其α阶积分逆系统,进而构造出解耦的伪线性系统,然后利用极点配置方法对伪线性系统进行综合,设计了系统的闭环控制器,并给出了系统零动态的镇定条件,保证了闭环控制系统的稳定性.最后仿真实验表明该控制策略能够有效消除电网中的谐波电流,并且与传统线性反馈-前馈控制策略相比,该控制策略具有更好的动静态性能.     

非线性系统的LSSVM联合逆控制器

为获得非线性系统的逆系统,提出一种非线性系统的最小二乘支持向量机联合逆控制器,介绍联合逆控制器和原非线性系统的整体架构,实现对非线性系统的线性化解耦控制,仿真结果表明,使用最小二乘支持向量机的辨识联合逆控制器模型精度高,具有较好的泛化能力,且有一定实际应用价值。     

基于神经网络逆系统的无轴承异步电机非线性内模控制

针对无轴承异步电机非线性、多变量、强耦合的特点,提出一种基于神经网络 α阶逆系统方法的非线性内模控制策略.将用动态神经网络逼近的无轴承异步电机 α阶逆模型与原系统复合,将非线性的无轴承异步电机原系统解耦成转子径向位移、转 速和转子磁链四个独立的伪线性子系统.为了保证 系统的鲁棒性,对伪线性系统引入内模控制,仿真和实验研究验证了所提控制方法的有效性.     

多变量系统的RBFNN内模控制

本文研究了基于逆系统方法的神经网络内模控制。选用径向基函数神经网络(RBFNN)逼近对象的α阶积分逆系统，以之与原系统组合，使其解耦线性化以后再采用内模控制。最后以两输入两输出的磁悬浮系统设备的数学模型为对象进行了仿真，结果表明这种方法具有较好的控制效果。