基于混沌预测的模糊神经网络控制器设计及应用

由于混沌时间序列内部确定的规律性 ,其重构出混沌吸引子的相空间具有高精度短期预测性。根据非线性、大时滞系统的时间序列重构相空间 ,计算相空间的最大Lyapunov指数、饱和嵌入维数和可预报尺度 ,并以此为指导 ,对系统作高精度预测。在此基础上 ,又设计了遗传算法优化的模糊神经网络预测控制器 ,实现了对非线性、大时滞系统高精度的自适应控制。将该控制应用在锅炉过热汽温控制中 ,仿真表明该控制的有效性、准确性和鲁棒性。     

基于混沌-神经网络模型最优控制及应用

由于非线性混沌时间序列内部确定的规律性，其重构相空间具有高精度短期预测性．为此，为了实现非线性、大时滞系统的自适应控制，文章根据具有混沌特性非线性、大时滞系统的时间序列重构相空问，计算相空间饱和嵌入维数、最大Lyapunov指数和系统的可预报尺度，并以此为指导，建立神经网络预测模型对系统作高精度的短期预测；在此基础上，通过反馈校正，将校正误差和控制增量引入性能函数寻优得最优控制决策，实现了对非线性、大时滞系统高精度的自适应预测控制．将该控制决策应用在锅炉过热汽温控制中，仿真表明该控制的有效性、快速性和鲁棒性．     

基于混沌神经网络模型的模糊预测控制及应用

由于混沌时间序列内部确定的规律性，其重构出混沌吸引子的相空间具有高精度短期预测性，为此，本文根据非线性，大时滞系统的时间序列及所得的Lyapunov指数规律，计算出系统的饱和嵌入维数和可预报尺度，并以此为指导，采用混沌神经网络重构混沌时间序列相空间，该混沌神经网络即便在网络输入不完整或发生变异的情况下，仍能对系统作高精度预测，在此基础上，又将预测模型与模糊控制相结合，提出了一种新型的模糊预测控制决策，实现了非线性，大时滞系统高精度的自适应控制，将该控制应用在单元机组负荷控制中，仿真表明该控制具有实时性，容错性和鲁棒性。     

不确定多时滞系统动态自适应神经网络控制

针对一类具有不确定多时滞的非线性系统,提出一种由时滞补偿器和动态结构自适应神经网络所构成的控制器.通过设计时滞补偿器中的参数自适应调节规律来消除多时滞对控制输入的影响,再引入动态自适应神经网络,利用其隐层神经元个数可以随着逼近误差的增大而在线增加的特点,获得满意的逼近精度,提高控制性能.最后,对时滞混沌系统进行仿真,表明该方法的有效性.     

超混沌时滞神经网络的同步及其仿真

时滞神经网络是解空间为无穷维的非线性动力系统,这样的系统可产生具有多个正的Lyapunov指数的超混沌行为。复杂的时间序列使得这类系统特别适用于保密通信中。针对一类时滞超混沌神经网络系统,利用单向耦合同步概念,设计了一个非线性控制器,并通过Lyapunov-Krasovskii方法和Halanay不等式引理分别给出了系统渐进同步和指数同步的与时滞无关的充分条件。通过引入控制矩阵正定的条件,避免了繁复的LMI计算,简化了控制过程。数值仿真验证了该方法的有效性,数值计算给出了指数同步率和控制参数的关系。     

多层混沌神经网络及其在交通量预测中的应用

研究多层混沌神经网络及其在交通量预测中的应用问题。以BP网络和混沌理论为基础,提出了一种在隐层中包含混沌神经元的多层混沌神经网络。XOR问题实验得出:该混沌神经网络能有效地强化网络的非线性和学习效率。鉴于城市交通流具有明显的混沌特性,将该混沌神经网络应用于城市交通流的预测。对广东江门市某路口交通量的预测结果显示出:采用该混沌神经网络,预测误差一般可以控制在10%以下(或左右)。该网络还可以应用于其他混沌系统的预测和控制。     

一种有约束的神经网络预测控制方法

针对非线性系统的控制问题，提出了一种采用黄金分割法的神经网络预测控制算法。该算法以神经网络作为预测模型，以黄金分割法用于优化控制器，其中以系统输入的约束条件作为黄金分割法的动态搜索区间。该算法解决了控制量的范围和变化速度受约束的情况下，未知非线性系统的预测控制问题，通过仿真研究证明了该算法计算速度、稳定性和杭扰动能力。     

基于正交函数网络的不确定混沌系统的控制

提出了基于正交函数网络的不确定混沌系统的自适应控制方法．通过利用计算简单、收敛速度快的单隐层正交函数神经网络，构建了一类不确定混沌系统的控制器．利用李雅普诺夫稳定性定理得到了该网络控制器的权值更新规则并保证了权值误差和跟踪误差的有界性．该控制器不仅能够保证混沌系统以有界误差对指定轨迹进行精确跟踪，也能够使有外部扰动的混沌系统快速跟踪一个指定的轨迹．最后，利用陈氏混沌系统和Lorenz系统进行了系统仿真，结果表明了该控制器在混沌控制中的有效性。     

基于模糊模型的时滞混沌系统的同步

为了解决具有时滞的混沌系统的同步问题，提出了基于T—S模糊模型的比控制方法，通过求解LMIs的可行解从而获得系统控制器的增益和公共正定矩阵，实现两个模糊时滞混沌系统的同步．设计的模糊误差控制器结构简单，且该方法适用于绝大多数时滞混沌系统的同步控制．仿真表明了方法的有效性。     

基于Elman网络的鲁棒型广义预测控制方法研究

提出一种基于Elman动态回归神经网络模型的鲁棒型广义预测控制(GPC)．该算法首先用EIman网络对非线性系统进行辨识，建立预测模型，然后在控制中将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．仿真结果证明：将本算法应用于非线性系统预测控制，对未建模动态具有很强的鲁棒性和很好的控制能力。     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。     

基于状态观测器的非线性系统神经网络自适应控制

结合高增益观测器,针对相对阶为n的非线性系统,设计了神经网络自适应控制器。利用Lyapnov定理获得了神经网络权值的更新律和控制器的控制律,从而确保了整个闭环系统的稳定性和有界性。由于神经网络不需任何的离线训练,因而该控制器能够广泛应用于一大类非线性性系统的控制中。仿真结果验证了控制方案的有效性。     

基于神经网络的机械臂分散自适应跟踪控制

提出了一种适用于机械臂的基于神经网络的分散自适应轨迹跟踪控制方法。将机械臂的轨迹跟踪控制系统考虑为由多个非线性关联组成的不确定性复杂系统,采用分散控制方法进行控制器设计。在对每一子系统设计控制器时,采用直接反馈线性化,利用控制器构建伪线性系统,并引入神经网络自适应环节消除干扰、关联及逼近误差,从而使所提出的控制方法能够保证系统状态有较高的跟踪精度,且算法简单,易于实现。仿真表明,该算法能保证较高的跟踪效果。     

基于变神经网络的非线性最小方差预测控制器

提出基于变神经网络学习动态系统参数的最小方差预测控制器。其目的是通过在线学习 ,使控制器(MVPC)能适应被控对象参数变化和非确定性。提出的变神经网络由两部分组成 ,一部分是线性神经网络 (LNN) ,作为被控对象局部线性动态模型 ,另一部分是多层交叉回归神经网络 (DRNN) ,它近似为非线性动态模型。由于引进递推最小方差算法 ,本控制器运算速度相当快。仿真结果表明所提方法对非线性系统自适应控制是有效的     

神经网络自适应广义预测解耦控制器的设计

提出了一种神经网络补偿自适应广义预测解耦控制方案，即用神经网络逼近通道间的耦合、非线性及未建模动态，且采用了改进RLS辨识算法及用后能改善辨识效果，从而增进自适应控制的精度与鲁棒性，能解决参数不确定的非线性多变量耦合问题，给出了该算法的实现原理及步骤。理论分析和仿真结果表明，该方案是有效的。     

基于神经网络的非线性动态系统的多内模控制研究

由于非线性动态系统的复杂性,目前还没有统一的控制器设计方法,用传统的线性系统理论来设计,当工作点大范围变化时,很难保证其性能及稳定性.在人工神经网络内模控制系统中建立了神经网络内部模型和神经网络内模控制器,提出了基于多模型的内模控制方法,它对非线性动态过程的控制具有良好的性能.在此基出上,给出了方便易行控制算法,仿真分析结果验证了控制算法的有效性.     

Neural Network inverse Adaptive Controller Based on Davidon Least Square

1.IWTaoDUCTIONInrecedeyears,therisingofneuralnetworkcolltrolsuppliesanovelandeffectivemeansforthecontrollingoftheplatwhichhasstrongnonlinearproperty.Thereillto,theneuralnetworkinversecoDtrollersucceededincolltrollingofrobotisasakindofAnportatcolltrolstructure.Battheinversecolltrolschemecannotbeusedincolltrollingofnon-~mumphasesystemduetothenon-stabilityofinversemodelofit.Inaddition,attheaspectofneuralnetworktrainalgorithm,thetraditionalbed-propagationalgoritlunconvergesveryslow.Thesefacto…