新型神经网络模型参考自适应控制系统设计

针对任意复杂非线性系统，即控制器具有不可分离结构的离散非线性系统，提出新型神经网络模型参考自适应控制。该方案的提出简化了基于神经网络的模型参考自适应控制系统的设计，只需一个神经网络辨识器。统一了任意神经网络模型参考自适应控制的设计方法，更接近于工程实际。仿真结果证明了该方案的合理性和有效性。     

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。     

具有非线性扰动的时滞混沌神经网络系统同步控制

本文基于参数辨识和自适应控制研究了具有非线性扰动的时滞混沌神经网络系统的同步控制。所有的连接权值矩阵可以通过自适应律进行估计。此外,当非线性扰动的上界未知情况下,所设计的自适应同步控制器可以使主从系统达到同步。利用Lyapunov稳定性理论可以证明误差系统的稳定性。最后,通过一个数值仿真实验,验证了所提出方法的有效性。     

基于动态逆的大空域靶弹高度控制系统设计

针对纵向运动模型,提出了一种采用神经网络自适应逆控制设计靶弹高度控制系统的方法。该方法利用神经网络经离线训练实现非线性系统的逆,通过基于变结构控制的方法得到控制律自适应的补偿逆误差和系统的动态特性变化引起的误差。通过对大空域靶弹的全弹道仿真表明,该控制方法具有较好的控制能力和较强的鲁棒性。     

基于RBF神经网络的多变量系统PID解耦控制

针对工业生产过程中的多变量耦合系统采用传统控制方法不能达到满意的效果,提出了一种基于神经网络的PID解耦控制方案。在实验研究中,采用改进型动态BRF神经网络辨识器,在线辨识多变量系统的非线性时变模型,同时自动调整PID控制器各项参数,最终实现对系统的智能化解耦控制。给出了BRF神经网络的拓扑结构和算法,并对一组二变量强耦合时变系统的控制过程进行了计算机仿真,结果表明:基于BRF神经网络的PID控制不仅超调量小、响应速度快、控制精度高,而且具有很强的鲁棒性和自适应能力。该设计方案使得解耦后的多变量系统具备了良好的动、静态特性。     

一类非线性系统的自适应神经跟踪控制

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。     

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。     

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

一种自适应CMAC神经网络控制器的设计与仿真

为了消除常规前馈型CMAC神经网络控制器的过学习和振荡现象，基于常规CMAC的基础上，提出了一种自适应CMAC神经网络的控制器结构。该控制器以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相并联构成系统的复合控制。仿真实例表明，提出的自适应CMAC神经网络控制器具有良好的鲁棒性、抗干扰能力和自适应能力，是解决非线性和不确定性对象控制问题的一种简便有效的控制算法。     

基于自适应神经模糊推理系统的非线性系统辨识

针对非线性系统辨识方法中偶然性大,精度不高,收敛速度慢,训练过程时间长的问题,提出一种基于自适应神经模糊推理系统的非线性系统辨识方法,利用模糊推理系统使规则结构化及神经网络具有很强的泛化能力相结合,具有以任意精度逼近任何线性或非线性函数的特点。对非线性系统进行辨识,仿真结果表明,ANFIS进行非线性系统辨识是可行的,其辨识精度很高。     

一种基于神经网络的非线性自适应滤波器

提出了基于Ａｄａｌｉｎｅ－ＭＬＰ递归神经网络的非线性自适应滤波器。这种新的滤波器运用了自适应ＩＲ滤波器理论，具有神经网络分布式并行信息处理，较好的容错特性和鲁棒效应等优点，且比传统的滤波器有更好的收敛特性，并可方便地实现非线性滤波。此外，还给出了Ａｄａｌｉｎｅ－ＭＬＰ递归网络在线滤波算法及其在非线性自适应噪声抵消器中的应用。最后进行了计算机仿真。     

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.     

非线性离散系统的直接自适应神经网络控制器

对于一类非仿射离散时间系统,提出了一种新的自适应神经网络控制器。首先推导与原系统等价的仿射形式模型,由仿射模型推导控制律。控制律中采用一个神经网络,与传统的基于反馈线性化的自适应神经网络设计方法中采用两个神经网络相比,计算量大大减少且避免了控制器奇异问题。神经网络权值根据系统输入输出信号进行更新,另外σ项的引入,取消了为保证参数收敛持续激励的条件。系统的稳定性通过Lyapunov方法进行了分析,仿真实例验证了控制器的有效性。     

基于变神经网络的非线性最小方差预测控制器

提出基于变神经网络学习动态系统参数的最小方差预测控制器。其目的是通过在线学习 ,使控制器(MVPC)能适应被控对象参数变化和非确定性。提出的变神经网络由两部分组成 ,一部分是线性神经网络 (LNN) ,作为被控对象局部线性动态模型 ,另一部分是多层交叉回归神经网络 (DRNN) ,它近似为非线性动态模型。由于引进递推最小方差算法 ,本控制器运算速度相当快。仿真结果表明所提方法对非线性系统自适应控制是有效的     

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。     

基于RCMAC干扰观测器的高超声速飞行控制

利用自回归小脑模型神经网络(recurrent cerebella model neural network, RCMAC)良好的非线性逼近能力和自学习能力,结合反馈线性化和反演控制方法,提出了一种自适应非线性控制策略,用于高速再入飞行器控制系统的设计。该方案将RCMAC干扰观测器(recurrent cerebella disturbance observer, RCDO)用于估计系统模型的不确定项,同时采用反演控制方式设计伪线性控制项,并利用符号函数逼近误差的上界,根据Lyapunov稳定性理论设计了权值更新规则,保证闭环系统信号有界。高速再入飞行器的六自由度仿真结果验证了方法的有效性和鲁棒性。     

Neuromorphic Continuous-Time State Space Pole Placement Adaptive Control

Abstract: A neuromorphic continuous-time state space pole assignment adaptive controller is proposed, which is particularlyappropriate for controlling a large-scale time-variant state-space model due to the parallely distributed nature ofneurocomputing. In our approach, Hopfield neural network is exploited to identify the parameters of a continuous-timestate-space model, and a dedicated recurrent neural network is designed to compute pole placement feedback control law inreal time. Thus the identification and the control computation are incorporated in the closed-loop, adaptive, real-timecontrol system. The merit of this approach is that the neural networks converge to their solutions very quickly andsimultaneously.     

在基于二阶Adaline网络的广义预测极点配置控制器

为了解决实际应用中非线性被控过程的预测控制问题,把神经网络、广义预测控制和极点配置技术融为一体,提出一个新型自适应神经网络广义预测极点配置加权控制器(GPPWC)。首先提出非线性被控过程的二阶自适应线性神经元(Adaline)网络模型,然后给出基于二阶Adaline网络的GPPWC。仿真结果表明该方案的有效性。     

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。