混合型有源电力滤波器电流跟踪控制方法研究

本文首先分析了混合型有源电力滤波器的结构及工作原理,针对传统电流跟踪控制方法响应速度慢、稳定性能差的缺点,本文采用了基于递推积分的Pl控制算法,并且取得了比较好地控制效果,另外,针对该控制算法响应速度比较慢的问题,本文采用了一种模糊算法在线调整递推积分PI的系数,以此提高其响应速度,仿真结果证实了该控制算法可以改善APF系统的动态跟踪性能和稳态性能。     

多变量时变系统的自适应控制算法

本文针对多变量时主未知系统提出了一种自适应控制算法。该算法对全封闭式循环系统是稳定的。同时给出了所提算法的性质，得到了该算法的性质，得到了算法可优化系统动态，稳定系统及在于给定信号地全跟踪的结果，该算法避免了多项子算子矩阵的伪交换，且计算量小，很容易在实际系统中实现。     

一类未知非线性系统中有限域最优跟踪控制的迭代DHP算法

针对一类未知非线性离散时间系统,提出了一种无模型时域有限差分最优跟踪控制方案.在有限时域最优控制理论的框架下,将跟踪控制问题转化为误差动态调节器,引入迭代自适应动态规划(ADP)算法,通过双启发式动态规划(DHP)技术,分别用三个神经网络逼近误差动力学、成本函数和控制率,结合成本函数和控制率的收敛性分析,得到有限时域最优控制器.通过仿真实例验证了跟踪控制方案的有效性.     

一种基于BP网络的多模型预测主动容错控制方法

针对非线性受控对象,给出了一种基于BP神经网络的多模型预测主动容错控制方案,设计了故障诊断与决策机制的算法步骤,在基于BP网络建立系统正常或故障状态动态模型库的基础上,利用预测控制算法得到控制律,达到对非线性系统主动容错控制的目的．仿真结果表明所述方法的可行性和有效性．     

考虑输入饱和的直接自适应神经网络跟踪控制

基于Lyapunov稳定性定理和backstepping方法,针对一类受输入饱和限制的单输入单输出非线性不确定系统,提出了一种考虑输入饱和的直接自适应神经网络控制算法. 采用动态面控制方法和直接自适应神经网络控制方法,避免了传统控制设计中的“计算量膨胀”问题和潜在的控制器奇异值问题. 借助一种饱和内补偿辅助系统处理系统中的输入饱和限制问题,以保证系统的稳定性和控制性能. 该算法不但保证了闭环系统信号一致最终有界,而且使系统输出能收敛到零的一个较小邻域. 以大连海事大学远洋实习船“育龙”轮为例进行仿真,验证了所提控制器的有效性.     

基于TSA的非线性神经网络预测控制

针对现有非线性预测控制方法在线递推控制律时求解非线性方程的困难,提出一种基于树和种子算法(tree and seed algorithm, TSA)的非线性神经网络预测控制算法.该算法采用径向基函数(radical basis function, RBF)神经网络建立非线性系统的过程模型,并将该模型作为预测模型,可以有效逼近系统的过程特性.在此基础上,通过该模型递推非线性系统的预测输出值,并设计具有约束的二次型性能指标.利用TSA优化该性能指标,不断在线搜索非线性预测控制系统的最优控制律,避免采用直接递推的方式求解复杂非线性优化问题,减轻了系统的计算负担.生化发酵过程仿真对比结果表明,该算法具有很强的跟踪和抗干扰能力.     

瑞利衰落信道中OFDM自适应频率同步算法

提出了一种新的频偏差值表达式,在此基础上构造了自适应跟踪算法,对频偏进行跟踪,从而减小OFDM系统中载波频率偏差对系统性能的影响,并运用该算法对瑞利衰落信道中多种时变频偏的情况进行了仿真,获得了频偏跟踪曲线.理论分析和仿真结果表明,由于算法复杂度低,收敛速度快,对时变频偏的跟踪达到了较好的效果.将跟踪到的频偏补偿后,提高了系统解调性能.     

动态分段的飞机舱音记录器混合信号在线盲分离性能分析

针对飞机驾驶舱话音记录器(CVR)中存在轻微时变特性和信号有大量近零值的情况,提出一种基于信号样本动态分段的在线盲分离算法.应用独立分量分析的在线算法对CVR混合信号进行动态分段处理,再通过快速的FastICA算法进行精确化求解.为了使估计器获得最佳性能,适当调整分离矩阵各行权值.仿真结果表明,该算法可有效地将CVR混合信号中独立的声音信号分离出来,分离效果优良.     

基于SMC的无刷直流电机的矢量控制

传统的无刷直流电机(Brushless DC Motor,BLDCM)的控制方式通常采用转速PI控制,转速电流PI控制等控制策略,这类控制方法简单,但同时也存在一些转速误差较大,转矩抖动明显等问题.为解决这些问题,采用矢量控制策略,并提出积分滑模算法(Sliding Mode Control,SMC)代替电流q轴分量PI调节算法.通过搭建该调速系统仿真模型及实验分析,与传统PI控制算法相比,该系统转速跟踪误差小,转矩抖动明显减小,系统动态响应快,鲁棒性强.     

原子干涉磁力仪信号鉴频优化算法设计

原子干涉磁力仪是通过确定CPT鉴频信号曲线峰值所对应的频率值来计算磁场强度值的.信号峰值定位锁定算法的搜索速度、准确度和稳定性直接影响磁力仪的分辨率和响应速度.常见的斜率算法只适用于小步长的搜索,定位速度慢,锁定状态的稳定性差.针对此问题,通过建立磁力仪鉴频信号曲线数学模型,设计了PI跟踪控制算法和快速锁定算法两种优化算法,并经仿真实验对比了性能.研究结果表明:3种算法中快速锁定算法不仅受初始搜索步长的影响小,而且峰值定位速度最快,稳定性好,对于原子干涉磁力仪系统的性能提高有很大的应用价值.     

交流传动神经网络自适应规划控制系统的设计与仿真

将Hopfield神经网络应用于交流传动系统的自适应控制,通过神经网络来规划交流调速系统的速度控制器动态输出,使速度控制器对某些参数变化具有良好的鲁棒性.对于不可控的负载转矩,加入参数自动跟踪神经网络,构成具有参数在线跟踪功能的双神经网络自适应规划控制模式,进一步提高系统的性能.仿真结果表明,该系统具有良好的动态性能.     

超机动飞行的鲁棒自适应神经网络动态面控制

针对超机动飞行过程中气动参数变化剧烈、控制精度高的特点,提出了一种基于神经网络的鲁棒自适应动态面控制方法。模型不确定性和外界干扰由RBF神经网络在线补偿,控制律由动态面控制方法得到,降低了反推控制器的复杂性,改进的神经网络权值调整自适应率改善了系统的过渡过程品质。利用Lyapunov稳定性定理证明了闭环系统所有信号有界,系统跟踪误差和神经网络权值估计误差指数收敛到有界紧集内。对所研究的飞行控制系统进行了herbst机动仿真,结果验证了该系统在过失速机动条件下具有良好的控制性能。     

拟蒙特卡罗粒子滤波改进算法及其在雷达目标跟踪中的应用

拟蒙特卡罗粒子滤波算法（quasi-Monte-Carlo particle filter, QMC-PF）精度不高,运算复杂度大,难以满足雷达机动目标跟踪精确性和实时性需求. 为此,提出一种基于BP神经网络的新型拟蒙特卡罗粒子滤波算法. 该算法将大权重粒子通过QMC分裂采样产生低差异性的子代粒子,以此来替代低权重粒子,保证了样本的有
效性和多样性;同时利用BP神经网络计算子代粒子的权重,提高了滤波的精度和速度;最后在不同的模型中进行仿真. 实验结果表明,与QMC-PF相比,所提出的算法提高了精度和运算速度,适用于雷达机动目标的跟踪.     

基于神经网络的机械臂自适应输出反馈控制设计

研究了机械臂的位置跟踪问题,提出了基于神经网络的自适应输出反馈控制方法. 该方法无需系统精确的数学模型,适用于具有非线性不确定性和外界干扰的机械臂控制系统. 设计的控制器由三部分组成：基于动态补偿器的输出反馈控制项、神经网络自适应控制项和鲁棒控制项. 神经网络的权值自适应学习率由Lyapunov稳定性理论得出. 仿真结果表明设计的控制器能驱动机械臂精确跟踪期望的位置,验证了该控制方法的有效性.     

一种用于地应力分析的改进型BP神经网络方法

地应力测量及分析研究,对地应力活动方式、构造体系的研究以及岩土工程与结构的设计和稳定性,都具有重大的理论意义和实用价值.BP神经网络算法比较成熟,已被广泛应用,但一般BP神经网络算法存在训练学习速度较慢、样本泛化能力差的问题,通过引入动态学习因子和惯性因子以及模拟辅助样本,对神经网络进行了改进.通过调节动态学习因子和惯性因子以及对样本集数据处理等手段,对样本的学习、训练进行优化处理,通过实例验证,将优化好的网络样本训练结果与一般结果进行比较,结果表明对三层BP神经网络进行的优化,在提高计算精度的同时也提高了网络的收敛速率,证明改进的算法能够很好用于地应力分析.     

一种新型控制器在轧机中的应用

为了满足轧机液压压下系统高响应、高精度的要求和解决系统非线性时变等不确定的压下液压伺服系统的跟踪控制问题,提出了一种基于模糊神经网络的滑模控制策略.该模糊神经网络滑模控制器用以控制液压轧机压下系统以提高其响应速度和控制精度.仿真与试验结果表明,新型控制器使轧机液压压下伺服系统具有较强的动态特性和稳态特性,并提高了轧机液...     

一种基于神经网络辨识的预测方法

针对时变的非线性系统,将传统的预测控制与神经网络逼近任意非线性函数的能力相结合,提出一种基于神经网络辨识的预测方法.同时选用含有调整参数的双曲正切函数作为节点的激活函数,弥补由于未考虑激活函数的输出值域、影响神经网络辨识精度和速度不足的问题.仿真结果表明,它适用于无滞后和有滞后的时变非线性系统,辨识收敛速度快、精度高,并具有较强的自适应性和鲁棒性.     

基于RBF神经网络多步预测的自适应PID控制

提出一种基于RBF神经网络多步预测的自适应PID控制算法．该算法用无局部极小的径向基函数网络对非线性系统进行在线辨识，利用多步预测误差对PID型控制器网络进行训练，从而实现PID参数的在线自适应寻优．通过对典型非线性系统的仿真研究，该控制系统具有较强的适应性和鲁棒性．     

汽车半主动悬架的神经网络控制

针对目前标准BP神经网络的缺点,提出基于高阶导数的多记忆BP算法,将能量函数的 阶导数与最速下降方向相结合,构造出一个新的最速下降方向,从而提高了神经网络的学习速度。证明了该算法相对于传统梯度算法的快速性,然后给出了该算法的实现方法,并进行了算例仿真。为了证明其实效性,设计了汽车半主动悬架神经网络控制器。结果证明,该算法便捷、实用、有效。     

一类非线性大系统的间接自适应分散神经网络控制

针对仿射非线性大系统,采用分散控制的思想,利用模糊神经网络辨识方法对各个子系统建立NARMA模型,运用自适应控制、滑模控制方法消除各子系统间的非线性关联项及不确定的外部干扰,并使用神经网络的辨识结果来调节控制器参数,形成间接自适应分散神经网络控制器.最后,将本文提出的控制方法运用于互连双倒立摆仿真中,结果表明所提出的算法是有效的.