共查询到19条相似文献,搜索用时 156 毫秒
1.
一类非线性系统的自适应神经跟踪控制 总被引:1,自引:0,他引:1
针对一类未知非线性动态系统,提出了一种基于神经网络的自适应输出跟踪控制方案。网络权值的自适应修正规则是基于Lyapunov稳定性理论实现的,避免了递归训练过程;一个滑模控制项用于消除神经网络逼近误差的影响。因此,该自适应神经控制器能保证系统的全局稳定性和输出跟踪误差渐近收敛于0。 相似文献
2.
陀螺稳定平台非线性摩擦的灰色滑模控制 总被引:1,自引:1,他引:0
为了减小摩擦扰动对陀螺稳定平台伺服跟踪性能的影响,设计了一种灰色滑模控制器。以某型号导引头陀螺稳定平台为实际对象,分析了系统中摩擦的非线性特性,从机械和控制两方面探讨了减小摩擦的措施。基于稳定平台的单轴控制模型,设计了滑模控制律,采用GM(1,1)灰色预测算法估计扰动量,将其作为控制律中的补偿分量,同时应用灰色预测方法对滑模控制策略进行预测输出,有效地减弱了滑模控制的抖动现象。在陀螺稳定平台上实际测试表明,该灰色滑模控制能够在无系统摩擦模型的情况下,有效减小摩擦扰动对系统控制的影响,与PID控制相比,明显提高了控制系统的鲁棒性和稳态精度。 相似文献
3.
提出一种基于Elman动态回归神经网络模型的鲁棒型广义预测控制(GPC).该算法首先用EIman网络对非线性系统进行辨识,建立预测模型,然后在控制中将模型输出值与测量输出值进行综合,代替量测输出用于控制中,从而降低辨识器与控制器对未建模动态的敏感性,加强控制器的适应能力和鲁棒性.仿真结果证明:将本算法应用于非线性系统预测控制,对未建模动态具有很强的鲁棒性和很好的控制能力。 相似文献
4.
未知非线性系统的神经网络跟踪控制与仿真研究 总被引:6,自引:0,他引:6
应用输入/输出反馈线性化方法和李亚普诺夫方法,研究了一类具有未知非线性函数的非线性动态系统的自适应鲁棒输出跟踪控制问题。首先通过坐标变换和输入变换,将非线性系统变换为部分线性可控系统。接着采用多层前向神经网络来逼近未知非线性函数,网络的权值根据李亚普诺夫原则来在线修正,这样就克服了多神经网络控制系统中存在的稳定性问题。同时,为了减少权值学习时间,应用遗传算法预先离线训练网络权值。最后提出了一个基于神经网络建模的自适应鲁棒控制律,给出了李亚普诺夫意义下的稳定性证明。所提出的控制律可确保相应闭环系统的状态及跟踪误差一致最终有界。所给的Van der pol系统的例子说明了所提控制方案的有效性与鲁棒性。 相似文献
5.
船舶航向的神经网络并行鲁棒模型参考控制 总被引:2,自引:1,他引:2
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。 相似文献
6.
7.
8.
对一类单输入单输出系统的控制问题进行了研究 ,设计了对这类系统的直接自适应控制方案。控制方案的一部分是采用分段线性逼近神经网络逼近给定的非线性系统 ,利用已经发生的实际数据对网络的权值进行训练 ;另一部分是结合神经网络的一步预测输出和系统的参考输出 ,通过梯度优化器计算得到系统的控制输入。数值仿真结果表明 ,控制效果比较理想 相似文献
9.
提出一种基于多Agent粒子群优化支持向量回归机(support vector regression, SVR)参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。 相似文献
10.
一种非线性时变系统小波网络辨识算法 总被引:4,自引:0,他引:4
提出一种可对任意非线性时变系统进行辨识的新方法,即基于小波神经网络的带自校正移动窗的递推最小二乘算法,与现有的神经网络辨识算法不同,该算法是根据被估权值时变速度的快慢来自适应地调整移动窗的长度,以跟踪非线性时变系统的动态特性,文中推导了了算法,并将全局算法进一步推广成不含任何矩阵运算的局部算法以提高算法的实时性能,几个典型的系统辨识仿真实例显示出这种方法具有跟踪精度高和计算简便的良好性能。 相似文献
11.
12.
基于先验知识和神经网络的非线性建模与预测控制 总被引:6,自引:2,他引:4
神经网络模型是模拟非线性系统的有力工具,它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法,提出了一种利用先验知识和神经网络建立非线性系统模型的方法,具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算,从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。 相似文献
13.
粗正交小波网络及其在交通流预测中的应用 总被引:5,自引:0,他引:5
基于交通流预测的特点和输入向量的主成分分析方法,把粗集理论与正交小波网络相结合,给出了一种基于粗集的正交小波网络交通预测模型,并成功应用于城市交通流的实时预测.粗正交小波网络具有极强的鲁棒性,可以有效克服季节、天气等随机因素对交通流量预测性能的影响;主成分分析方法解决了正交小波网络多维输入时的维数灾难.实验结果表明,该模型的预测精度和收敛速度明显优于常规BP网络和小波框架神经网络,对交通流量等预测问题具有较高的应用价值. 相似文献
14.
15.
16.
提出递阶遗传训练方法用于训练连续参数小波神经网络的参数及其结构.现有的连续参数小波网络训练方法大多只能训练网络的参数,包括平移参数、伸缩参数和权值,而网络的结构得预先用某种方法确定.应用递阶遗传算法能够把网络的结构和参数同时通过训练确定.利用混沌时间序列数据进行仿真,结果证明该模型具有较高的预测精度,提出的方法是可行的. 相似文献
17.
18.