基于小波神经网络的自适应逆控制及其应用

神经网络控制特别适用于具有非线性和不确定性因素的系统。采用小波神经网络(WNN)对飞行仿真转台的直流伺服系统进行实时辨识,得到其逆模型。然后将这一训练后的网络作为前馈控制器与常规反馈控制器结合构成并行自适应逆控制器,控制转台跟踪指定的速度和位置轨线。仿真结果表明该方法的有效性。     

动态伺服系统改进对角回归网络跟踪控制

将对角回归神经网络(DRNN)和径向基函数网络(RBF)相结合,提出一种改进对角回归神经网络结构(IDRNN),使其既有局部逼近的优点,又具有动态网络的特性.推导了权值更新算法.针对转台动态伺服系统,设计了基于该网络的复合跟踪控制器,该控制器由辨识器、前馈控制器和反馈控制器组成,直接将辨识器的拷贝作为前馈控制器.对两种典型动态伺服系统的仿真结果表明,改进DRNN控制器能够进一步提高系统的动态跟踪能力,且敛速度快,计算量小,更适合实时控制.     

基于神经网络的伺服系统控制研究

采用神经网络方法设计伺服系统逆动态控制器。判定了一类非线性伺服系统的可逆性。设计开环和闭环网络权值训练方案,使用Ａｌｏｐｅｘ随机学习算法在线训练对象逆动态模型。进行了基于反馈误差学习方法的伺服系统实时控制器设计,仿真结果表明神经网络方法辨识和控制伺服系统的有效性。     

一类高精度伺服系统基于模糊神经网络的复合控制

针对高精度伺服系统中存在的各种非线性及不确定性 ,提出了基于模糊神经网络的复合控制方法。控制器由前馈控制器和闭环反馈控制器组成。前馈控制器由零相差跟踪控制器 (ZPETC)及FIR滤波器构成 ,闭环反馈控制器采用模糊神经网络控制 ,包含一个辨识网络FNNI和控制网络FNNC。该控制方法结合了神经网络和模糊推理的优点 ,可以克服各种非线性和不确定性 ,明显提高跟踪性能 ,具有很好的鲁棒性。提出的模糊神经网络结构简单 ,推理算法易于实现 ,并且可以更合理地选择初始权值 ,加快了网络的收敛速度 ,在一定程度上解决了神经网络的实时性问题     

自适应反演滑模转台鲁棒控制器设计

针对未知非线性、外界干扰和参数摄动等不确定因素对实际转台控制系统的影响,提出了自适应反演滑模神经网络的转台鲁棒控制器设计。自适应反演滑模控制作为主控制器,RBF神经网络实现了不确定上界值的在线辨识。仿真结果表明,基于RBF神经网络的自适应反演滑模控制很好地克服对象的不确定性,实现控制系统的较强鲁棒性,适于高精度飞行仿真转台系统的实时鲁棒控制。     

一种时变非线性系统的自适应逆控制仿真

对一种非线性时变系统提出了基于神经网络的自适应逆控制方案。该方案中用两个动态神经网络分别作为模型辨识器和自适应逆控制器,详细推导了在线训练自适应逆控制器的BPTM(backpropagationthroughmodel)和RTRL(realtimerecursivelearning)算法。根据大幅面喷墨打印机的结构特点,建立了打印头车架系统的时变非线性动力学模型作为仿真对象,在Matlab/Simulink平台下进行了算法仿真验证。结果表明了该方案收敛快,能有效控制该时变非线性对象。     

基于NDO的飞行模拟转台伺服系统跟踪控制

针对飞行模拟转台伺服系统跟踪控制问题,提出了一种基于非线性干扰观测器(nonlinear disturbance observer, NDO)的反推全局滑模控制方案。该方案利用NDO观测系统的参数不确定性及非线性摩擦干扰,通过选择适当的设计参数使观测误差指数收敛,进而对引入NDO的系统采用反推全局滑模设计控制器,控制律的设计保证了闭环系统的稳定性。仿真结果表明,所提控制方案能够有效克服参数不确定性及非线性摩擦干扰的影响,实现了转角位置的精确跟踪,并且有效去除了控制抖振。     

飞行仿真转台模糊神经网络补偿的复合控制

针对飞行仿真转台系统的非线性和不确定性,提出了基于模糊神经网络补偿的复合控制器,该控制器由前馈控制器、闭环控制器及模糊神经网络补偿环节组成。前馈环节由零相差跟踪控制器及FIR滤波器构成,闭环控制器由PD控制及干扰观测器构成,补偿环节由一动态模糊神经网络实现,给出了基于Lyapunov函数的稳定性证明。该控制方法突出优点在于兼顾考虑了系统中的结构化不确定性和非结构化不确定性,能够在外部干扰与参数摄动并存的情况下,保证系统的稳定性和跟踪性能。     

基于神经网络的直流电动机实时跟踪控制

研究了三层对角回归神经网络(DRNN)用于直流电动机实时控制的方法.首先采用动态反传算法训练神经网络以辨识直流电动机的逆模型,然后将这一训练后的网络作为前馈控制器与常规反馈控制器一起输出控制电压,以控制系统跟踪位置或速度指令.该算法简单、计算量小,适于实时控制.仿真结果表明了该方法的有效性.     

基于动态神经网络的PID参数整定与实时控制

提出了一种基于对角回归神经网络的PID控制器结构,给出了PID参数在线自整定的学习控制算法。为检验控制效果同时还使用了静态BP网络来整定PID参数,并在Matlab环境下,分别建立了基于对角回归神经网络和BP网络的液位实时控制系统。实际的控制效果说明,基于动态网络的PID控制器工作稳定,具有较好的鲁棒性。     

Finite-time tracking control for motor servo systems with unknown dead-zones

A finite-time tracking control scheme is proposed in this paper based on the terminal slid- ing mode principle for motor servo systems with unknown nonlinear dead-zone inputs. By using the differential mean value theorem, the dead-zone is represented as a time-varying system and thus the inverse compensation approach is avoided. Then, an indirect terminal sliding mode control （ITSMC） is developed to guarantee the finite-time convergence of the tracking error and to overcome the singu- larity problem in the traditional terminal sliding mode control. In the proposed controller design, the unknown nonlinearity of the system is approximated by a simple sigmoid neural network, and the ap- proximation error is diminished by employing a robust term. Comparative experiments on a turntable servo system are conducted to show the superior performance of the proposed method.     

电液伺服加载系统的神经网络逆控制

针对液压加载系统及试件的特殊要求，采用基于径向基函数网络（RBFN）的逆控制器给出了该NARMA模型及逆模型存在的条件。该方法使用实际系统的输入输出信号以及径向基函数网络实现系统建模，并利用系统神经网络模型离线训练系统的逆动态作为控制器，以克服由于实际系统所受的扰动而可能引起的控制器（逆模型）不收敛，实际控制表明该系统对期望加载轨线具有良好的跟踪能力，同时对系统干扰和不确定性具有较强的鲁棒性。     

基于RBF网络非线性系统逆控制的一种设计方案

基于逆动力学控制的思想,提出一种RBF神经网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF神经网络结构和最近邻聚类算法,实现了对系统逆动力学模型的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题。仿真实验证明该控制策略不仅能使系统具有良好的动态跟踪性能和抗干扰能力,而且具有较强的鲁棒性。     

Neural Network inverse Adaptive Controller Based on Davidon Least Square

1.IWTaoDUCTIONInrecedeyears,therisingofneuralnetworkcolltrolsuppliesanovelandeffectivemeansforthecontrollingoftheplatwhichhasstrongnonlinearproperty.Thereillto,theneuralnetworkinversecoDtrollersucceededincolltrollingofrobotisasakindofAnportatcolltrolstructure.Battheinversecolltrolschemecannotbeusedincolltrollingofnon-~mumphasesystemduetothenon-stabilityofinversemodelofit.Inaddition,attheaspectofneuralnetworktrainalgorithm,thetraditionalbed-propagationalgoritlunconvergesveryslow.Thesefacto…     

基于Davidon算法的神经元自适应控制器

通常的神经网络逆元自适应控制器存在两个缺陷 ,一是训练算法收敛过慢 ;二是无法控制非最小相位系统 ,因而限制了其使用范围。利用Davidon最小二乘法训练多层前馈网络 ,用于逼近被控对象的逆模型 ,并利用构造伪系统的方法 ,构成一种对非最小相位系统仍然有效的神经网络逆元自适应控制器。仿真结果表明了该方法的有效性     

飞行转台Backstepping与神经网络并行控制

阐述了飞行仿真转台的Backstepping设计方法及步骤。在Backstepping鲁棒控制的基础上,提出了一种Backstepping鲁棒控制和神经网络并行控制的方案,以Backstepping鲁棒控制为主控制器,神经网络进行动态误差补偿。Backstepping鲁棒控制克服了对象的不确定性,保障系统的鲁棒性;神经网络可以进一步提高系统的跟踪精度。仿真表明,这种方法实现了Backstepping鲁棒控制和神经网络控制的完美结合,很适合高精度飞行仿真转台系统的鲁棒控制。     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。