吸收式制冷机组逆神经网络设定优化

针对吸收式制冷机组非线性、难以控制的特点，提出了一种基于逆神经网络模型的设定点优化方案。首先，以11.5kW单效溴化锂吸收式制冷机组为对象，使用人工神经网络方法建立了机组模型，通过对溴冷机制冷原理的分析，建立了系统结构为5-6-2的网络模型，该神经网络模型的相关系数大于0.99且方均根误差小于0.2%，与实验数据取得了良好的拟合效果；然后，利用该模型对溴冷机的各个输入参数进行灵敏度分析，并据此选择热水供水温度与冷却水流量作为优化方法的控制输入参数；最后，以冷冻水输出温度作为系统控制输出，对其进行优化计算，并采用改进的粒子群优化算法与逆神经网络相结合的方法，计算制冷机组的最优控制输入参数。通过实验与仿真分析，可知该算法的计算时间在30 s以内，低于吸收式制冷机组的稳定时间；溴冷机的目标输出与仿真计算结果间的误差小于0.02%，表明该方案可以应用于吸收式制冷机组的在线控制。     

吸收式制冷机组逆神经网络设定优化

针对吸收式制冷机组非线性、难以控制的特点，提出了一种基于逆神经网络模型的设定点优化方案。首先，以11.5kW单效溴化锂吸收式制冷机组为对象，使用人工神经网络方法建立了机组模型，通过对溴冷机制冷原理的分析，建立了系统结构为5-6-2的网络模型，该神经网络模型的相关系数大于0.99且方均根误差小于0.2%，与实验数据取得了良好的拟合效果；然后，利用该模型对溴冷机的各个输入参数进行灵敏度分析，并据此选择热水供水温度与冷却水流量作为优化方法的控制输入参数；最后，以冷冻水输出温度作为系统控制输出，对其进行优化计算，并采用改进的粒子群优化算法与逆神经网络相结合的方法，计算制冷机组的最优控制输入参数。通过实验与仿真分析，可知该算法的计算时间在30 s以内，低于吸收式制冷机组的稳定时间；溴冷机的目标输出与仿真计算结果间的误差小于0.02%，表明该方案可以应用于吸收式制冷机组的在线控制。     

吸收式制冷机组逆神经网络设定优化

针对吸收式制冷机组非线性、难以控制的特点，提出了一种基于逆神经网络模型的设定点优化方案。首先，以11.5kW单效溴化锂吸收式制冷机组为对象，使用人工神经网络方法建立了机组模型，通过对溴冷机制冷原理的分析，建立了系统结构为5-6-2的网络模型，该神经网络模型的相关系数大于0.99且方均根误差小于0.2%，与实验数据取得了良好的拟合效果；然后，利用该模型对溴冷机的各个输入参数进行灵敏度分析，并据此选择热水供水温度与冷却水流量作为优化方法的控制输入参数；最后，以冷冻水输出温度作为系统控制输出，对其进行优化计算，并采用改进的粒子群优化算法与逆神经网络相结合的方法，计算制冷机组的最优控制输入参数。通过实验与仿真分析，可知该算法的计算时间在30 s以内，低于吸收式制冷机组的稳定时间；溴冷机的目标输出与仿真计算结果间的误差小于0.02%，表明该方案可以应用于吸收式制冷机组的在线控制。     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

基于粒子群优化支持向量机的电缆温度计算

导体温度是影响运行电缆使用寿命和材料利用率的最主要因素,也是反映电缆运行状态的参数.由于技术上尚难以实现对运行电缆导体温度的直接测量,因此有必要进行导体温度计算.文中以电流和外皮温度作为模型输入,以导体温度作为模型输出,构建基于支持向量机的电缆暂态导体温度的数学模型;为提高该模型计算的精度,避免盲目选取训练参数,引入粒子群算法对其惩罚因子C和核参数γ进行寻优.仿真与试验对比结果表明:基于粒子群优化的支持向量机模型(PSO-SVM模型)可以用于电缆暂态导体温度计算,且计算误差小于热路模型和BP神经网络;模型具有良好的泛化能力.     

基于遗传神经网络的车轮匹配整车逆动力学

为深入研究机械弹性车轮(MEW)的力学性能和整车稳定性的相互匹配关系,在Simulink中建立了整车非线性三自由度模型;利用基遗传算法对车轮模型参数进行辨识,并提取侧偏刚度与侧向力峰值作为车轮力学特性的评价指标;利用该模型进行了前后轴不同侧偏刚度和侧向力峰值组合的汽车前轮正弦输入模拟仿真,得到若干组汽车稳定性指标参数;利用遗传算法优化,建立了输入为汽车稳定性评价指标,输出为前后轮侧偏刚度和侧向力峰值组合的BP神经网络逆动力学模型.研究结果表明:遗传算法对车轮参数识别误差小于4%,用遗传神经网络算法(GANN)得到的测试结果最大误差为6.2%,平均误差为3.1%,所建立的遗传神经网络模型具有较高的车轮侧偏特性预测能力.     

基于改进U-Net模型的二维电介质目标重构

提出了一种基于改进U-Net（M-Net）模型的电磁逆散射算法.M-Net模型主要由多尺度输入层、U型卷积神经网络（CNN）、多尺度均值输出层组成.将散射场数据作为网络输入,能够在保证计算精度与计算效率的同时,减少人工计算工作量.以二维电介质为重构目标的仿真实验表明：与U-Net模型对比,应用M-Net模型求解电磁逆散射问题较为高效,输出结果误差更小.     

采用混合算法优化神经网络滑模控制的机器人跟踪误差

为了避免机器人关节角位移受外界影响,提高运动轨迹的跟踪精度,采用混合算法优化神经网络滑模控制器,并对优化后的控制器进行仿真验证.建立机器人平面简图模型,利用拉格朗日定理推导出机器人关节运动方程式,采用神经网络算法构建RBF神经网络自适应滑模控制系统.为了增强控制系统的稳定性,削弱外界波形对机器人运动轨迹的干扰,利用粒子群算法和差分进化算法在线优化RBF神经网络滑模控制律参数,设计了改进RBF神经网络滑模可调参数的自适应控制律,保证机器人控制系统的稳定性.通过MATLAB软件进行仿真实验,并且与优化前机器人关节角位移输出误差形成对比.仿真结果显示：随着干扰波形幅度的增大,采用神经网络滑模控制器,机器人关节输出角位移误差逐渐增大,系统不稳定,而采用混合算法优化神经网络滑模控制器,系统反应速度较快,机器人关节输出角位移误差较小.机器人采用混合算法优化神经网络控制器,能够提高控制系统的抗干扰能力,稳定性较好、输出精度较高.     

一种神经网络自适应控制策略

针对未知非线性不确定系统,提出了一种新的基于神经网络的自适应控制策略,该方法只需辨识对象的正向模型,将神经网络与优化方法相结合,对控制量进行优化迭代求解,使被控对象的输出能较好地跟踪期望输出,并且分别针对单输入-单输出系统和多输入-多输出系统进行了控制算法的推导,其中的优化方法分别采用梯度法和高斯-牛顿法·仿真结果表明,该算法能精确跟踪设定输出,超调量小,响应速度快,无稳态误差,控制效果是非常令人满意的     

基于PSO-RBF神经网络的串联机械臂逆运动学分析

针对目前基于神经网络对串联机械臂求逆解方法中出现的精度不足和实时性较差的问题,使用粒子群优化(particle swarm optimization,PSO)算法对径向基函数(radial basis function,RBF)神经网络进行结构优化,提出一种基于PSO-RBF神经网络的机械臂逆运动学算法。首先由正运动学模型获取神经网络训练和测试参数样本,经过欧拉角变换在神经网络输入端建立机械臂关节位姿映射关系,然后通过PSO算法对径向基核函数进行参数寻优并对测试样本求解分析,最后获取经逆运动学求解后机械臂的运动轨迹,验证了该算法的可靠性。仿真结果显示,由PSO-RBF神经网络逆运动学算法能够快速得出满足精度要求的关节角度,为进一步机械臂工业控制提供了理论支持。