基于MATLAB仿真的神经网络控制器的设计与实现

在三种常规控制器的基础上，采用BP网络设计了三种神经网络控制器，即神经自校正控制器，神经网络PID控制器和神经模型参考自适应控制器，并都通过BP算法进行训练，针对三个仿真实例用MATLAB软件工具进行了仿真，仿真结果证明了方案的可行性。     

训练前向神经网络的全局优化新算法及其应用

把填充函数法与BP算法相结合，提出一种训练前向神经网络的混合型全局优化新算法。该算法首先由BP算法得到一个局部极小点，然后利用充函数使BP算法跳出局部最优，得到一个更低的极小点。重复此过程最终求得全局最优解。最后给出一个应用实例。     

基于小波神经网络的胎号识别算法研究

针对人工神经网络的特点,对传统BP算法进行了改进。采用小波神经网络方法,有效克服了传统BP算法在实际应用中学习收敛速度慢和容易出现局部极小点的缺点。以轮胎胎号字符识别为例,分别用投影法和Hu不变距方法进行特征提取,并将所提取的特征用作神经网络输入层的神经元。将所设计的小波神经网络经训练后用于胎号的识别。仿真结果表明,小波神经网络在字符识别方面是一个十分有效的方法。     

基于遗传算法的BP神经网络时间序列预测模型

神经网络能以任意精度逼近非线性函数 ,以神经网络为基础的时间序列预测模型能很好地反映非线性系统发展的趋势 ,但神经网络训练速度慢、易陷入局部极值。针对这种情况 ,用具有良好的全局搜索能力的遗传算法来改进神经网络时间序列预测模型 ,提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络 ,并将该神经网络时间序列预测模型应用于某时间序列的预测。     

混沌时间序列的混合遗传神经网络预测方法

在相空间重构理论的基础上,将改进的遗传算法和神经网络结合起来,提出了一种混合遗传神经网络预测混沌时问序列的方法.通过复相关法和Cao方法重构混沌时间序列,利用改进的遗传算法优化神经网络的结构、初始权值和阚值,然后训练神经网络求得最优解.该算法应用到混沌时间序列的预测中,验证了该算法的有效性,并与BP和RBF算法的预测精度进行了比较,仿真结果表明该算法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度.     

多脉冲控制的暂态混沌神经网络及其应用

针对多极值情况下暂态混沌神经网络(TCNN)只进行一次混沌动力施加而导致的部分极值点漏检问题,发展研究了一种名为脉冲暂态混沌神经网络(PICNN)的新型神经网络。PICNN通过对混沌动力控制因子z_i(t)和神经元输出陡度ε_i(l)两个参数的调制,将混沌动力以脉冲方式进行控制,施加于神经网络上,形成具有多频次跳出局部极小点功能的脉冲暂态混沌神经网络。PTCNN包含若干可调参数,可以控制整个系统呈现丰富多样的动力特性。随着混沌动力脉冲的间歇加入,系统交替进入混沌状态和稳定状态,因此既可以不断地跳出极小点的局域范围,又可以在局部区域内向此区域的极小点不断靠近,进而稳定到此极小点,使系统可以更有效地进行问题的全局寻优。算例表明,PTCNN比TCNN在全局寻优方面更具优势。PTCNN实际是TCNN的推广和延伸,比TCNN更具有一般性和更强的优化搜索能力,因此应用空间更为广泛。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

一类通用神经网络非线性系统模型参考自适应控制

针对任意复杂的具有最小相位,滞后环节和非最小相位特性的离散非线性系统,提出一种通用的直接神经网络模型参考自适应控制.并采用具有在线学习功能的最近邻聚类算法训练RBF神经网络控制器,同时引入优化策略对聚类半径进行自动调整,并利用构造伪系统的方法构成一种对非最小相位同样有效的神经网络模型参考自适应控制器.仿真研究证明,该控制策略不仅能使多种非线性对象跟踪多种参考信号,而且抗干扰能力和鲁棒性也很好.     

基于混沌算法的自适应预测模型

在混沌算法神经网络的预测模型中 ,适当选择非线性反馈项 ,能使网络的动力学在权空间具有混沌行为 ,网络系统在学习和训练过程中能够跳出能量的局域极小达到全局极小或其近似 .本文基于EP进化算法建立一种自适应机制 ,使得网络能够根据学习和训练的结果优化非线性反馈项 .应用这种算法的神经网络对基于 Mackey-Glass方程和 Lorenz系统的时间序列进行在线预测 ,结果表明 ,网络具有很好的自适应预测性能.     

基于神经网络的伺服系统控制研究

采用神经网络方法设计伺服系统逆动态控制器。判定了一类非线性伺服系统的可逆性。设计开环和闭环网络权值训练方案,使用Ａｌｏｐｅｘ随机学习算法在线训练对象逆动态模型。进行了基于反馈误差学习方法的伺服系统实时控制器设计,仿真结果表明神经网络方法辨识和控制伺服系统的有效性。     

基于动态神经网络的PID参数整定与实时控制

提出了一种基于对角回归神经网络的PID控制器结构,给出了PID参数在线自整定的学习控制算法。为检验控制效果同时还使用了静态BP网络来整定PID参数,并在Matlab环境下,分别建立了基于对角回归神经网络和BP网络的液位实时控制系统。实际的控制效果说明,基于动态网络的PID控制器工作稳定,具有较好的鲁棒性。     

基于神经网络的自由漂浮空间机器人鲁棒控制

针对带有模型误差及外界扰动的自由漂浮空间机器人轨迹跟踪问题,提出了一种基于神经网络的自适应鲁棒控制策略。采用对神经网络状态空间进行划分后与滑模变结构结合的控制器,对不确定非线性进行自适应学习,逼近误差作为外部干扰由鲁棒控制器消除。该方法从整个闭环系统的稳定性出发,利用H_∞理论设计的鲁棒控制器及神经网络权值的在线调整规则保证了系统的稳定性,并能使系统L2增益小于给定的指标,具有较好的控制精度及动态特性。仿真分析进一步证明了该自适应鲁棒控制算法的有效性。     

混沌神经网络多传感器信息融合系统设计

基于基本BP算法，引入具有全局游动性的混沌机制设计了混沌神经网络。将其用于多传感器信息融合设计了混沌神经网络多传感器信息融合系统。该系统能完善地、精确地反映检测对象，提高信息融合的质量。压力传感器数据融合系统的仿真证明了此法的有效性和优越性，系统设计简单，适合工程应用。     

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。     

基于模糊推理的自适应BP算法

ＢＰ网络是迄今为止应用最广泛的一种神经网络，但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题．本文在标准ＢＰ算法的基础上提出一种改进ＢＰ算法，称之为自适应ＢＰ算法．这种自适应ＢＰ算法采用模糊规则动态调整学习参数，并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构，有比标准ＢＰ算法更好的收敛性和更好的泛化能力     

基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。     

基于PSO-BP的应急通信感知装备效能评价方法

应急通信感知装备效能评价可支撑相关装备的发展规划, 而现有评价方法主观性强, 且自适应能力有待提升。因此, 提出一种基于粒子群优化(particle swarm optimization, PSO)算法的改进反向传播(back propagation, BP)神经网络的应急通信感知装备效能评价方法, 旨在建立客观精准的效能评价。首先面向实战效能构建了三级效能评价指标体系, 然后将样本数据进行主成分分析法降维, 建立BP神经网络回归模型, 并结合PSO算法对模型的连接权值与阈值进行优化, 形成PSO-BP模型以避免局部极小值问题, 获得可评价具体装备效能时的神经网络模型。实例分析表明, PSO-BP相较于BP神经网络模型评价的均方误差减少了28.18%, 表明PSO-BP模型具有更高的准确性。     

一种基于神经网络的任意模型参考自适应控制

针对一般模型参考自适应控制方法在解高阶非线性模型时参考模型阶数较高的不足,采用一种任意模型参考自适应控制降低了参考模型的难度。利用隐层神经网络对模型进行逼近,对线性化时由不确定因素导致的误差进行补偿,并利用直接Lyapunov稳定性理论证明了跟踪误差有界,最后将其应用到飞行器纵向非线性模型的自动着陆下滑控制设计中。仿真结果表明,所设计的控制器能够使飞行器较好地跟踪理想着陆轨迹,从而验证了方法的有效性。     

机理混合自适应时延神经网络建模和控制算法

过程机理和数据驱动模型的结合一直是过程控制中的重点和难点问题。提出了一种新颖的机理混合模型结构。该模型基于自适应时延神经网络,并结合了被控对象的机理模型,因此可以对建模的对象进行预测感知,并可大幅提高神经网络的泛化功能。基于这种模型设计了预测控制算法,并分析了该模型的逼近能力、收敛性以及该控制算法的闭环稳定性。在双容水箱液位控制系统的大量实验结果表明,基于该混合模型的预测控制算法比现有算法具有更好的控制效果,从而验证了该混合模型的优越性。