分片线性神经网络逆系统方法的内模控制

为提高传统逆系统方法的跟踪精度和抗干扰能力,提出了基于连续分片线性神经网络α阶逆系统方法的非线性内模控制方法.利用标准连续分片神经网络逼近非线性系统的α阶逆模型,将它串连在原系统之前,得到复合的伪线性系统,对该伪线性系统应用内模控制策略进行控制,并分析了闭环系统的性能.仿真结果表明:该方法跟踪效果好、抑制干扰能力强,且设计简单,是解决非线性系统控制的一种可行的方法.     

一种可分非线性系统的自校正广义预测

对一类可分非线性系统,采用Hammerstein模型的基本框架,用神经网络对非线性部分建模,线性部分采用受控自回归积分滑动平均模型。对此模型的线性部分设计广义预测控制器,得出线性部分的控制量。根据此控制量,引入一逆神经网络,结合原来的神经网络模型,通过对逆神经网络权值的调整,使神经网络模型的输出为线性部分的控制量,同时得到逆神经网络的输出,即非线性系统的控制量。克服了Hammerstein模型中非线性部分的反函数存在性和惟一性的问题。仿真结果验证了该设计的有效性。     

集气管压力系统的神经网络逆解耦复合控制

针对集气管压力系统具有强干扰、强耦合、非线性、多参数等特性,依据逆系统解耦原理,分析了集气管压力系统数学模型的可逆性;采用对非线性具有较强逼近能力的BP 神经网络,逼近集气管压力系统的逆系统;神经网络逆系统与原系统构成伪线性解耦复合系统,实现集气管压力系统的神经网络逆解耦复合控制。仿真结果表明该方法实现了系统解耦,具有一定的应用性。     

神经网络逆系统非线性励磁控制器的设计

利用逆系统方法,设计出同步发电机非线性励磁控制律,并加入系统中.把控制与过程状态样本作为非线性导师信号,以训练神经网络控制器,设计一种基于BP神经网络的非线性励磁控制器.仿真结果表明,对于小干扰,神经网络控制器和逆系统控制显示出相同的控制效果;而对于大干扰,两种控制方式的暂态响应曲线也基本相同.逆系统控制与其训练出的神经网络控制器控制,都显示出基本相同的暂态和稳态性能,但神经网络控制比逆系统控制具有控制规律简单,以及实时性、可靠性和鲁棒性好的特点.     

可分非线性系统的自校正广义预测控制

对一种可分非线性系统,采用Hammerstein模型的基本框架,用神经网络对非线性部分建模,线性部分采用受控自回归积分滑动平均模型.对此模型的线性部分设计广义预测控制器,得出线性部分的控制量.根据此控制量,引入一逆神经网络.结合原来的神经网络模型,通过对逆神经网络权值的调整,使神经网络模型的输出为线性部分的控制量,同时得到逆神经网络的输出,即非线性系统的控制量.文章提出的模型克服了Hammerstein模型中非线性部分的反函数存在性和唯一性的问题.仿真结果验证了该设计的有效性.     

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果,发现该算法使控制器存在严重的“过学习”现象,为避免这一现象,设计了一种新的误差函数结构,得到改进的BP算法,针对一个存在大惯性环节的线性时变系统,对比分析了神经网络模型参考自适应控制器在采用传统的BP算法和改进的BP算法时得到的不同控制效果。     

基于神经网络模型的扩展优化自校正预测控制

利用前馈神经网络权初值优化的快速BP算法建立对象的非线性预测模型,采用分段线性化的技术建立动态线性模型,基于该线性模型进行滚动优化,同时用非线性预测模型对其进行补偿,实现对具有时延的非线性系统的预测控制,较好地解决了非线性系统存在时变、模型失配等情况下的控制问题。仿真实验表明由它构成的控制系统具有很好的动态响应和较强的鲁棒性。     

基于回归模型的众包定价方案的计量分析

针对"拍照赚钱"外包平台的任务定价问题,运用了多元线性拟合、BP神经网络算法及竞争导向定价法等,构建了基于任务聚集度相关指标的多元线性回归模型、基于三个显著影响指标的多元非线性回归模型及考虑密集任务可打包发布的任务定价模型,运用了Matlab软件编程求解,得出了原定价方案的定价与任务的密集程度有关的定价规律、任务未完成原因以及打包的影响.     

Buck电路输出电流的神经网络PID控制

简述了降压斩波电路的电路模型,从其原理上解释其非线性输出的原因.其次,描述了传统控制的局限性和神经网络的研究现状,介绍了神经网络的特征和功能.再者,通过神经网络的模型,对BP算法进行了数学公式推导,给出了BP算法的详细思路和具体过程,采用Matlab软件编程实现BP神经网络算法,并将算法训练后的BP神经网络运用到非线性函数的逼近中去.最后,使用Matlab软件下的Simulink模块搭建了降压斩波电路,再分别搭建传统PID控制和神经网络PID控制的结构模型对其进行控制仿真,得到相应的输出电流电压仿真结果图.仿真结果表明,BP神经网络控制器具有更好的控制效果,相比较闭环PID控制器,能够有效克服经典PID控制器在被控对象具有非线性、时变不确定性和难以建立精确的数学模型时,出现的控制结构复杂、参数整定不良和性能欠佳等缺点.     

无轴承异步电机最小二乘支持向量机逆解耦控制

为了实现无轴承异步电机径向悬浮力、转速和磁链的非线性动态解耦控制,提出了基于最小二乘支持向量机逆的解耦控制策略,在分析无轴承异步电机原系统可逆的基础上,首先采用最小二乘支持向量机逼近原系统逆模型,然后将逆模型串接于原系统之前构成伪线性复合系统,将无轴承异步电机线性化解耦成径向二自由度位移子系统、转速子系统以及磁链子系统,最后为了进一步提高整个控制系统性能,为伪线性复合系统设计了闭环控制器,并采用Matlab对控制方法解耦性能进行了仿真.仿真结果表明:该方法能够成功实现无轴承异步电机系统的非线性解耦控制,并且系统具有优良的鲁棒性和动、静态性能,克服了传统解析逆解耦控制方法过分依赖于系统模型的缺点.     

非线性振动控制的神经网络离散逆系统方法

针对非线性结构振动控制难以用线性控制方法精确控制的情况，提出神经网络离散逆系统方法．建立了结构的离散化模型，再用神经网络将非线性系统通过逆系统变换变为伪线性系统，对该伪线性系统可以用一般线性方法精确控制．该方法将非线性结构控制问题转化成了线性结构控制问题，使问题难度大大减小．对某非线性建筑结构振动作了控制仿真，实现了精确线性化，控制效果曲线与对线性结构控制效果曲线几乎完全吻合．神经网络离散逆系统方法发挥了神经网络和线性控制各自的优点，可用于强非线性结构的振动控制．     

两电机同步系统的神经网络逆控制

以多变量、非线性、强耦合的两电机同步控制系统为研究对象，在同步旋转坐标下，建立了两电机同步系统的数学模型，并进行了可逆性分析．采用静态神经网络加积分器构造两电机同步控制系统的逆系统，将此逆系统与原系统相串联构成复合伪线性系统．即两电机同步系统被线性化且已解耦成速度和张力两个相对独立的系统，速度环为y=s^-1φ（s）型伪线性子系统，张力环为y=s^-2φ（s）型伪线性子系统，再分别设计线性闭环调节器对速度环和张力环进行控制．实验结果证明了采用神经网络逆系统控制方法可以实现两电机同步调速系统的解耦控制．     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性     

多变量生物发酵过程的解耦控制

把非线性系统的逆系统方法与神经网络非线性辨识技术相结合 ,提出了一种基于神经网络逆系统的发酵过程多变量解耦控制策略 .当过程模型缺乏足够的先验知识时 ,所提出的解耦控制策略对多变量非线性连续发酵过程取得了良好的控制性能 .仿真结果表明 ,提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性 ,具有较强的鲁棒性 .克服了基于微分几何理论的逆系统解耦控制方案依赖于过程模型和对模型参数变化很敏感的缺点 .     

稳定的神经网络自适应控制

本文主要从理论上研究神经网络控制器实现SISO离散时间非线性系统的轨迹跟踪问题，在反向传播算法的基础上，提出了一种新的神经网络训练方法，该算法可以直接估计出动态系统所需要的前馈控制，并在一定条件下证明了此神经网络控制系统的稳定性，另外还给出了将其应用于几个不同非线性系统的仿真结果。     

磁悬浮开关磁阻电动机径向力的动态解耦控制

基于基本电磁场理论 ,给出了磁悬浮开关磁阻电动机径向力与位置的模型 .针对模型具有非线性和强耦合的特点 ,对该模型进行可逆性分析 ,从而证明该系统可逆 .应用神经网络逆系统方法 ,设计其非线性控制器 ,将原来非线性强耦合的多变量系统解耦 ,转变成 2个位置彼此无耦合的线性子系统 ,应用线性系统理论容易对这 2个子系统进行控制 .仿真表明 ,系统具有良好的静动态性能 .     

基于自回归动态神经网络的逆模型辨识及在线控制

研究了自回归动态神经网络及其学习算法，提出应用于动态逆模型辨识的结构，并与ＰＩＤ控制相结合形成了非线性动态对象的在线自适应控制系统．仿真结果表明此方案简单可行，克服了静态网络的一些局限性．     

基于小波网络的非线性多变量约束预测控制

为了解决非线性多变量系统的建模、控制和优化问题 ,论文扩展基于小波神经网络的单变量系统辨识到多变量系统辨识 ,并用它实现非线性预测控制。对开环稳定过程 ,引入一个具有输入约束的基于小波神经网络模型的区域预测控制方案 ,它的闭环稳定性能够通过适当选择它的预测水平来保证。基于上述动态控制方案 ,提出了一个稳态状态优化方案。通过对一个聚酯生产过程的仿真研究 ,证实了上述方法的有效性。由于能够通过线性最小二乘 (L S)估计方法来辨识 ,该模型易于实现并可用作通用模型。仿真研究的结果表明了该模型的通用性、辨识和控制方法的简单性 ,所提出方案能够被用于过程工业的非线性系统的建模和控制     

大滞后网络拥塞的智能前馈组合控制系统

在基于速率反馈的网络流量控制系统中，信元在网络中的传播时延，特别是网络流量控制中的非线性大滞后，会带来极大的网络拥塞和数据丢失。针对流量控制系统中存在的非线性大滞后和不确定性，提出了一种新的基于智能前馈控制策略的组合控制器。前馈控制部分由两个神经网络分别实现逆模型辩识与直接逆控制，可以在线调整网络权值；基本控制器由PID和Fuzzy PID实现分段控制，根据不同误差变化范围调整控制组合。仿真表明本方案能使信元发送速率快速响应网络变化，特别对于大滞后对象，控制的适应性和鲁棒性更好。     

基于人工神经元网络模型的预测控制研究

研究了基于人工神经元网络模型的非线性预测控制，所采用的网络为一种将线性模型与多层前向网络相结合的ＤＬＦ网络，仿真结果表明，该“混合网络”易训练，收敛速度可大大加快，在ＤＬＦ模型的基础上，本文研究了一种非线性预测控制算法，它的显著特点是在线计算量小。对于一非线性过程－球形罐液位的仿真结果表明，基于ＤＬＦ的非线性预测控制效果颇佳。