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。     

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.     

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。     

一种基于小波网络模型参考自适应控制系统的设计与应用

根据神经网络内模控制的思想,提出了一种基于小波网络的模型参考自适应控制方法。该方法选用两个小波神经网络,分别作为系统模型的辨识器和控制器。此外,为了减小系统误差,在控制器和辨识器之间加入一个小波神经网络,作为非线性自适应滤波器。仿真结果和应用实例表明了该方法的有效性和合理性。     

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.     

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。     

高速公路匝道混沌控制仿真

尝试研究高速公路混沌的匝道控制问题。介绍高速公路匝道混沌控制的思路，针对高速公路不确定性特点，提出延迟反馈控制和积分器控制相结合的高速公路混沌控制方法，简介了具有开关功能的高速公路匝道混沌控制原理；设计了将高速公路不稳定周期运动转化为周期运动作为控制目标，匝道调节率作为控制变量的混沌控制器；仿真试验分析了采用广义延迟反馈控制的控制效果，并与延迟反馈、ALINEA算法进行比较。试验结果说明了该原理与方法的可行性与正确性。     

双混沌神经网络及其在优化问题中的应用

分析了三种现有的混沌神经网络模型的优化性能,针对目前混沌神经网络收敛率不高和搜索时间较长的问题提出了一种双混沌神经网络。它不同于以往的混沌神经网络改进方法,不是延长退火时间或改变混沌程度来提高网络性能,而是通过混沌迭代搜索使混沌神经网络在有限步内找到全局最优解的初值来提高收敛率与收敛速度。这种方法能使混沌神经网络在应用中具有更好的全局优化能力,并且可以缩短混沌神经网络的搜索时间,对旅行商问题求解的仿真对比和函数优化问题的仿真,说明了新方法比现有方法具有更好的收敛率和更短的搜索时间。     

基于随机模糊神经网络的噪声混沌时间序列建模与预测

提出了一种基于随机模糊神经网络对噪声混沌时间序列进行建模与预测的方法,并介绍了一种基于非单值逻辑随机模糊神经网络(SFNN)的结构和学习算法.在此基础上,应用该网络对含随机噪声的麦克-格拉斯混沌时间序列进行了仿真,仿真结果表明,在噪声较大的情况下,SFNN比FNN方法有更好的预测效果.     

采用Adaline神经网络实现增益自适应内模控制

引入1／1Pade逼近处理纯滞后环节，利用二步法设计内模控制器，运用单层Adaline神经网络参数辨识算法得到被控对象的稳态增益，并用于内模控制算法中，以此来自动调整被控对象模型增益，实现增益自适应控制。大量仿真实验表明此控制方法能克服系统增益变化对控制品质的影响，具有鲁棒性好，抗干扰能力强，控制精度高等特点。     

一类过程控制对象的神经网络建模及仿真

针对一类典型过程控制系统中存在的非线性和参数不确定问题，提出了神经网络的建模方法。辨识结构采用串并联形式，并分别使用改进BP算法和浮点式遗传算法进行了网络的训练。仿真结果表明遗传算法的全局搜索能力及高效率对神经网络的权值优化具有相当明显的效果，它不仅学习速度快而且稳定性好，可以作为一种良好的优化方法运用到神经网络建模和控制当中。     

不确定性机器人实时智能补偿控制

在神经网络在线学习控制中 ,实时性和控制精度是非常重要的两大指标。提出的一类具有多维存储结构的CMAC网络 ,提高了网络的泛化能力和学习速度。利用这一网络 ,针对不确定性机器人系统 ,考虑其标称模型 ,提出了一种新的实时智能补偿控制策略 ,并利用Lyapunov方法得出了系统全局渐近稳定的充分条件和网络学习律。在该控制策略中 ,系统的控制输入由两部分组成 :基于标称模型的计算力矩及补偿输入 ,其中补偿输入为系统标称惯性矩阵与神经网络输出的乘积。最后给出了仿真实例来说明该控制策略的有效性     

时滞系统的鲁棒二自由度Smith预估控制

针对时滞过程控制对象 ,提出了一种鲁棒二自由度Smith预估控制方法。在常规Smith预估控制系统中 ,引入基于内模控制原理的鲁棒控制器 ,构成一种二自由度控制结构 ,能有效地抑制被控过程参数变化和干扰对系统的影响 ,使系统同时获得良好的控制性能和鲁棒性 ,克服了常规Smith预估控制的不足 ,而且控制算法简单 ,便于实际系统应用。理论分析和仿真结果表明了这种方法的有效性     

船舶航向的神经网络并行鲁棒模型参考控制

针对大型船舶的航向控制特性,提出一种神经网络并行自学习鲁棒模型参考控制方法。这种复合控制结构利用神经网络的学习能力和非线性映射能力,解决传统自适应控制中模型的在线辨识和控制器的在线设计问题,以达到对不确定非线性船舶的高精度输出跟踪控制;通过引入运行监控器,克服神经网络控制方法实时性差的问题;利用一个鲁棒反馈控制器,来保证神经网络模型学习初期闭环系统的稳定性。仿真结果表明这一方法对设定航向具有精确的跟踪控制效果。     

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。     

基于神经网络辨识的质子交换膜燃料电池建模

针对质子交换膜燃料电池(PEMFC)系统过于复杂，难以建模，而已建立的模型难以满足PEMFC控制系统设计和应用的要求。本文利用神经网络具有逼近任意复杂非线性函数的能力，将神经网络辨识方法应用到PEMFC强非线性系统的建模中，避开了PEMFC系统内部的复杂性。模型以电池工作温度为神经网络辨识模型的输入量，电池电压、电流密度为输出量，利用500组实验数据作为训练样本，采用改进型BP算法，建立了不同温度下电池电压—电流密度动态响应模型。仿真结果表明，方法可行，建立的模型精度较高，从而为设计PEMFC实时控制系统奠定了基础。     

Optimal closed-loop identification test design for internal model control

In this paper, optimal cloeed-loop test design for control is studied. The identified model is used for controller design. The control scheme used is internal model control (IMC) and the design constraint is the power of the process output or that of the reference signal. The measure of performance is the variance of the error between the output of the ideal closed-loop system (with the ideal controller) and that of the actual closed-loop system (with the controller computed from the identified model). Optimal spectrum formulae can be used to determine the PRBS signal in industrious identification.     

采用拓展空间法建立迟滞模型

神经网络应用于非线性建模具有很多优点,但对迟滞这类多值映射非线性无能为力.一个新的基于神经网络的迟滞建模方法--拓展空间法被提出.通过坐标变换建立基本迟滞算子,将基本迟滞算子的输出与迟滞输入同时作为神经网络的输入,使神经网络的输入空间由一维上升为二维,从而使输入与输出之间形成一对一映射关系.最后的实验结果表明,通过拓展空间法神经网络能够对多值映射非线性进行建模.     

基于混合型专家系统的目标综合识别模型

鉴于目标识别在防空信息处理中的重要性 ,在对目标信息进行综合利用的基础上 ,利用人工智能原理 ,研究把专家系统、神经网络和证据推理相结合用于目标识别 ,建立了目标综合识别的专家系统模型 ,模拟专家识别思维。给出了知识库的构造方法及推理机制。该模型通过人工神经网络 ,实现了知识的并行处理和自动获取 ,具有自学习功能 ;再学习机制可对系统进行及时调整 ,增加或修改知识库的知识 ,具有很好的人机界面和实用性 ,对目标的综合应用识别具有很好的借鉴作用。     

基于多主分量神经网络的同步DS-CDMA伪码盲估计

针对批处理方法在实现非等功率同步直接序列码分多址(direct sequence code division multiple access, DS-CDMA)信号伪码序列盲估计时存在的复杂度高、收敛速度慢的问题,引入了3种多主分量神经网络(Sanger NN、LEAP NN和APEX NN)。首先将已分段的一周期DS-CDMA信号作为神经网络的输入信号,用神经网络各权值向量的符号函数代表DS-CDMA信号各用户的伪码序列,然后通过不断输入信号来反复训练权值向量直至收敛,最终DS-CDMA信号各用户的伪码序列就可以通过各权值向量的符号函数重建出来。此外,本文提出了一种在递归最小二乘(recursive least square, RLS)意义下的最优变步长收敛模型,极大地提高了网络的收敛速度。理论分析与仿真实验表明:将3种神经网络用于同步非等功率DS CDMA信号伪码盲估计时的复杂度均明〖JP2〗显降低,且LEAP NN与Sanger NN均可有效地实现-20 dB信噪比、10个用户下的同步非等功率DS-CDMA〖JP〗伪码盲估计,APEX NN则相对较差,此外,LEAP NN消耗内存较大、收敛速度快,APEX NN相反,Sanger NN则介于两者之间。