基于敏捷性导弹逆动态的神经网络控制方法与仿真研究

给出了一种基于敏捷性导弹逆动态的神经网络控制方案。该方案由两个神经网络组成：第一个神经网络（NNI）用来离线的学习整个飞行包线内导弹动态特性的逆特性，以实现系统的线性化；由于敏捷性导弹在大迎角状态下具有高度的非线性特性和气动参数突变等未建模动态，因此引入第二个神经网络（NN2）来在线的补偿NNI的逆误差。在线学习的权值调整由Lyapunov理论得出，保证了闭环系统的稳定性。该控制方案对参数变化及未建模动态等具有良好的鲁棒性。将其应用于敏捷性导弹的控制中，数字仿真结果表明该控制方案有效。     

动态模糊神经网络在并联平台控制中的应用

针对六自由度并联平台运动控制精度不高的缺点,结合人工神经网络的优点,提出了一种动态模糊神经网络(DFNN)控制器来控制并联平台.此动态模糊神经网络由前向模糊神经网络的规一化层和输出层之间加入递归层构成,同时根据其特点给出了网络参数的学习算法,此动态模糊神经网络具有动态映射能力,对动态系统具有更好的响应效果.利用动态模糊神经网络控制器对并联平台的轨迹跟踪控制进行了仿真,结果表明此控制算法具有较好的跟踪性能和较强的鲁棒性.     

具有伪控制补偿的自适应动态逆控制系统设计与仿真

论述了基于伪控制补偿解决自适应控制中作动器饱和问题的方法。基本控制律采用非线性动态逆方法设计，神经网络用于对逆误差进行重构。伪控制补偿消除作动器和自适应单元之间的交互影响。通过在超机动飞行控制的应用仿真表明，该控制方案弥补了动态逆要求精确数学模型的缺点，消除了作动器饱和对自适应单元的影响，提高了整个控制系统的鲁棒性。     

回归神经网络辩识电液伺服系统模型与仿真

建立了一种回归神经网络辩识非线性电液伺服控制系统数学模型的辩识方法,研究了基于回归神经网络内部状态反馈的辩识算法,利用辩识实验获得的过程输入/输出数据动态调整神经网络权值。仿真结果辨明:神经网络描述的电液伺服控制系统数学模型具有较高精度,算法全局逼近能力良好。     

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.     

基于动态递归模糊神经网络盲均衡算法的研究

模糊系统和神经网络已广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识;而由于无线通信信道的时变性和不确定性,决定了盲均衡器本身就是一个动态的均衡过程,所以研究利用动态递归模糊神经网络的盲均衡算法是可行的,而且也是必要的。仿真结果表明:由于动态模糊神经网络的均衡过程同时利用了系统的当前数据和历史数据,对动态系统的均衡,较传统神经网络在均衡的精度和稳定性方面具有更好的效果。     

基于神经网络的无刷直流电机预测控制的仿真研究

在无刷直流电动机高性能速度跟踪系统中，由于PI控制的滞后性，无法根据未来动态行为产生较为理想的PWM波形。针对PWM发生器一无刷直流电动机系统，提出基于神经网络的PWM预测控制方法。采用离线训练和在线修正的方法，通过对PWM发生器-无刷直流电动机系统动态行为的在线估计，建立了系统的神经网络模型。最优控制器根据神经网络模型的输入、输出响应产生合适的PWM波形。在Matlab／Simulink环境建立了模型并进行了仿真，结果表明，较之PI控制器，神经网络预测控制具有更好的动态响应性能。     

动态过程神经网络模型的研究(一)

综述了用于动态过程建模的几种典型的神经网络结构以及它们所具有的性能 ,并通过分析比较得出了网络结构与网络性能之间的关系。文中引入动态系统的状态空间描述方法 ,对动态过程神经网络建模具有指导意义.     

基于递归小波神经网络的非线性动态系统仿真

为提高动态递归神经网络的动态系统仿真能力，在Elman神经网络的基础上，提出动态递归小波神经网络（RWNN），给出了其动态梯度下降算法，并将其成功应用于非线性动态系统仿真．仿真算例表明，该网络具有收敛快，精度高等优点，仿真效果很好，同时具有较好的泛化性能，具有广阔的应用前景。     

基于Elman网的水泥回转窑模型及其DHP控制器设计

水泥回转窑熟料煅烧过程是一个涉及传质、传热和物理化学反应的复杂的多变量、多扰动、非线性过程。为了稳定回转窑温度以提高水泥熟料烧成质量,降低能耗,需要探索新型优化控制方法。近似动态规划(ADP)综合神经网络、强化学习和动态规划等方法和技术,是一种新型优化方法。其中的双启发式动态规划(DHP)算法由于其评价网络的输出是代价函数关于状态量的偏导数,它具有动态性好、收敛速度快、控制精度高等优点。在分析水泥回转窑工艺的基础上,采用Elman神经网络建立回转窑系统的模型,并利用近似动态规划中的双重启发式动态规划算法设计回转窑温度优化控制器。仿真结果表明,在经历控制初期的波动后,回转窑烧成带温度逐渐趋于稳定,实现了对水泥回转窑的仿真控制。     

基于模糊神经网络的动态非线性系统辨识研究

针对静态模糊神经网络对动态系统辨识精度低的特点,在5层静态模糊神经网络基础上进行了优化和改进,形成了可将暂态信息记忆于网络的动态回归层的动态模糊神经网络,来提高对动态系统的辨识能力。同时给出了参数的动态自适应学习算法。通过仿真实验,证明提出的动态模糊神经网络对动态非线性系统的辨识,可以取得较好的辨识精度,较快的网络收敛速度,为动态非线性系统的辨识提供新的思路。     

气动人工肌肉的模糊小波神经网络控制

针对一种应用于医疗机器人领域的三自由度人工肌肉的非线性特性，结合模糊理论与小波神经网络，提出一种模糊小波神经网络控制器对人工肌肉驱动器进行控制。利用模糊小波神经网络的学习能力，采用梯度法搜寻控制器的最优参数。将采用模糊小波神经网络控制器与采用小波神经网络控制器及模糊神经网络控制器的控制系统仿真结果进行比较。仿真结果说明模糊小波神经网络控制器有效地改善了驱动器的静动态特性，具有更快的训练速度和更好的控制效果，是一种理想的气动人工肌肉控制方法。     

一种规则简化的模糊神经网络控制器

构造了一种实时模糊神经网络控制器，为解决模糊规则组合爆炸问题提供一个新方案。控制器基于T-S模糊模型，由前后件分离的网络结构实现。前件参数通过移动小论域法创建，每个变量仅在工作小论域上生成两个模糊子集，有效减少模糊规则，增强实时性；后件参数通过有ki,kp,kd修正因子的BP改进算法在线更改，控制意义明确，确保系统动态性能。仿真结果证实该控制器实时性好，控制性能优，鲁棒性强。     

活性污泥污水处理系统的模糊神经网络控制

针对中、小型污水处理厂的实际情况，在对活性污泥污水处理系统机理模型研究的基础上提出一种控制模型。在对系统进行性能分析与综合的基础上，提出了应用于该控制模型的模糊神经网络控制器。通过仿真实验表明，该控制器能够自动调整隶属度函数、动态优化控制规则，将其应用于活性污泥污水系统具有快速性与有效性，比基于规则的传统模糊控制具有更强的鲁棒性，可以获得良好的控制性能。     

A Fuzzy-Neural Network Control of Nonlinear Dynamic Systems

1.INTRODUCTIONInrealfile,therearemanyprocessesthataretoocomplex,highlynonlinear,uncertaininparametersanddisturbances,itissodifficulttogettheaccuratemathematicalmodel-basedtraditionalcontroldesignmethodologiescannotbeemployedeffectively,fuzzylogicandneuralnetworkprovideeffectiveapproachfordealingwiththeuncertaintyandnonlinearity,andhavebeenappliedtotherealmofmodeling,identificationandcontrolofnonlinearsystemsinrecentyears[1-4].Aclassofneuralnetworks,thefeed-forwardnetworks,havebeenproventob…     

一种模糊神经网络控制系统研究

针对被控过程的非线性、时变性和复杂性,提出了一种模糊神经控制器与动态辨识器组成的控制系统。该系统的控制器采用模糊神经网络控制器,它的控制参数采用遗传算法全局离线优化对BP算法局部在线调整相结合的混合方法;该系统的辨识器采用变形Elman动态神经网络进行系统辨识。给出了该系统的结构、原理及工作流程,通过仿真实验证明该系统的可行性和有效性。     

AN INTELLIGENT CONTROL SYSTEM BASED ONRECURRENT NEURAL FUZZY NETWORK AND ITS APPLICATION TO CSTR

In this paper, an intelligent control system based on recurrent neural fuzzy network is presented for complex, uncertain and nonlinear processes, in which a recurrent neural fuzzy network is used as controller (RNFNC) to control a process adaptively and a recurrent neural network based on recursive predictive error algorithm (RNNM) is utilized to estimate the gradient information ρy/ρu for optimizing the parameters of controller.Compared with many neural fuzzy control systems, it uses recurrent neural network to realize the fuzzy controller. Moreover, recursive predictive error algorithm (RPE) is im-plemented to construct RNNM on line. Lastly, in order to evaluate the performance of the proposed control system, the presented control system is applied to continuously stirred tank reactor (CSTR). Simulation comparisons, based on control effect and output error,with general fuzzy controller and feed-forward neural fuzzy network controller (FNFNC),are conducted. In addition, the rates of convergence of RNNM respectively using RPE algorithm and gradient learning algorithm are also compared. The results show that the proposed control system is better for controlling uncertain and nonlinear processes.     

基于模糊小波网络的防空导弹自动驾驶仪设计

针对防空导弹的飞行控制问题,提出一种基于模糊小波网络的导弹自动驾驶仪设计方法。该方法利用模糊小波网络良好的学习和参数自调整能力,因而使建立的系统辨识器及控制器能够很好地近似系统动态特性,逼近最佳控制效果。给出了应用该方法的具体实现步骤,结合导弹飞行的全弹道典型特征点参数,通过仿真实验说明了设计方法的有效性。     

输入约束下的浮力调节式UUV变深控制

针对浮力调节机构约束下无人水下航行器(unmanned underwater vehicle, UUV)的变深控制问题, 提出一种基于正交神经网络饱和补偿器的自适应动态面控制方法。首先,建立考虑执行机构动态特性的UUV数学模型。在此基础上, 采用反步法和非线性跟踪微分器设计动态面控制器, 同时引入线性扩张状态观测器(linear extended state observer, LESO)在线估计浮力变化与模型不确定性引起的干扰, 继而在控制器中进行补偿。然后,基于正交神经网络设计饱和补偿器, 并证明闭环系统所有误差一致最终有界。仿真结果表明, 与现有的动态面控制方法相比, 所提方法在浮力调节机构约束下, 具有较好的动态性能与稳态精度。     

基于模糊神经网络的轮廓误差附加补偿控制研究

在分析系统轮廓误差的基础上，提出了基于模糊神经网络的轮廓误差补偿方法，并说明其补偿器的原理、算法及实现。该法在不改变系统各单轴位置环的前提下，根据系统的轮廓误差，通过模糊神经网络的自学习能力动态向各轴提供误差补偿信息，进而提高系统的轮廓精度，同时也解决了各轴之间增益不匹配、动态不匹配和各轴不可预见性问题。最后，在MATLAB6.1环境下对该系统进行仿真，仿真结果表明其可行性和有效性。