基于神经网络的主动隔振器

将神经网络理论、预测理论及最优控制理论引入振动控制工程领域,提出了一种基于ＢＰ网络的主动控制方法．给出了该方法中神经网络的学习算法、模型辨识和预测公式及最优控制指标的选择原则．分析了它在建模和控制方面所具有的特点．经计算机仿真表明,该方法控制效果优于机械隔振和ＰＩＤ主动隔振,是行之有效的     

基于BP网络的非线性广义预测学习控制器

本文提出了一种基于ＢＰ神经网络的非线性义预测学习控制器，它由一个ＢＰ网络构成。在整个学习与控制过程中，首先根据被控对象的输出与ＢＰ的学习输出之间的误差来修改网络的权值，以逐步建立被控对象的合理的多步预报模型；然后，根据网络的多步预报输出序列与设定值序列的偏差修改控制律。     

板形板厚综合系统的解耦神经网络预测控制方法

给出了板形板厚综合控制模型,提出了基于ＴＨ神经网络的动态矩阵设计方法并分析了其收敛特性,使用不变形原理对板形板厚综系统进行了解耦设计,并对板形板厚解耦神经网络预测控制系统,进行了仿真研究。结果表明神经网络可在几百ｎｓ的时间内达到稳定状态,不仅满足了轧钢过程的快速性要求,而且控制精度也得到了提高。     

六辊可逆轧机板形神经网络广义预测控制系统

板带轧制过程中,板形控制具有非线性、时变、纯滞后和耦合的特点,其建模与控制是很困难的·在神经网络建模的基础上,采用广义预测控制方法对可逆UC轧机的板形进行在线控制,有效地加强对轧辊热凸度等慢时变且无法实时测量的过程参量的适应能力,抑制各种随机干扰的影响·轧制实验结果表明,该系统具有良好的板形控制品质·     

多层递归神经网络自适应控制及稳定性分析

提出一种基于多层归神经网络的自适应控制离散时间系统的方法,使用多层递归神经网络及新的动态ＢＰ算法（ＤＢＰ）描述未知系统的输入／输出关系。基于此神经网络模型,提出一种自适应控制方案,并对该方案的闭环稳定性进行了分析。     

人工神经网络及其在焊接中的应用

介绍了ＢＰ网络、Ｈｏｐｆｉｅｌｄ．网络、ＡＲＴ网络和ＣＭＡＣ网络等几种主要的神经网络模型及其特点，阐述了神经网络在焊接领域中的应用，如焊缝跟踪、焊缝成型控制、缺陷检测、焊接接头性能预测及焊接过程稳定性控制等方面的研究现状，并探讨了其发展趋势．     

BP神经网络预测高水分农产品物料比热的探索

高水分农产品物料的比热是农产品加工工程研究和农产品加工设备设计中的重要热特性参数之一．预测精度关系到所设计加工设备的质量、性能的优劣．本文建立了高水分农产品物料比热的ＢＰ神经网络模型,比较了二元回归模型和ＢＰ神经网络模型对高水分农产品物料比热的预测效果,得到ＢＰ神经网络模型的预测精度高于二元回归模型．     

BP神经网络预测高水分农产品物料比热的探索

高水分农产品物料的比热是农产品加工工程研究和农产品加工设备设计中的重要热特性参数之一。预测精度关系到所设计加工设备的质量、性能的优劣。本文建立了高水分农产品物料比热的ＢＰ神经网络模型,比较了二元回归模型和ＢＰ神经网络模型对高水分农产品物料比热的预测效果,得到ＢＰ神经网络模型的预测精度高于二元回归模型。     

基于神经网络的有源电力滤波器预测控制方法

提出了一种基于神经网络的有源电力滤波器预测控制方法。此方法将神经网络内模控制技术应用到有源电力滤波器（ＡＰＦ）的控制系统中,同时针对ＡＰＦ控制系统中神经网络计算时延问题,引入了一个神经网络预测模型。仿真分析表明,这种控制方法补偿了系统滞后,能充分利用神经网络的自适应特性,有很好的控制效果。     

智能方法在板形控制中的应用

介绍了智能方法在轧制领域特别是在板形控制中的研究进展。阐述了神经网络、模糊控制、遗传算法、粒子群算法等智能方法在板形模式识别模型、板形预报模型、板形控制的液压弯辊控制模型和轧辊分段冷却控制模型中的应用,表明将智能方法引入板形控制中,改变了依赖经验和传统方法进行板形控制的局面,为板形控制建模走出了一条新途径。     

基于BP神经网络的PID控制器研究

从BP神经网络的基本原理、学习规则和学习算法出发,研究了基于BP神经网络的PID控制方法,采用3层前向网络及动态BP算法,取得了较高的控制品质。仿真结果表明,基于BP神经网络的PID控制方法在处理非线性和时变系统时具有很强的鲁棒性。     

基于BP神经网络的广义预测控制算法的研究与应用

本文提出了1种基于BP神经网络的广义预测控制算法,其实质是利用BP神经网络来求取广义预测控制的最优控制律.神经网络选用了具有良好逼近性能的BP结构.该算法对广义预测控制算法进行了简化,使其可以应用于快速系统的控制.最后,选用倒立摆系统作为研究的对象,将新算法应用于倒立摆的控制,取得了较好的控制效果.     

基于混合学习算法的模糊神经网络控制系统

针对复杂非线性系统在控制过程中的不确定性及参数的时变性,设计了一种模糊神经自适应预测控制系统,通过误差补偿以提高预测控制的精度;对模糊神经网络（FNN）的学习算法进行了研究,利用遗传算法的全局搜索能力对FNN控制器参数进行离线优化,并对遗传操作进行了改进,使其最终搜索到全局最优或近似全局最优的附近,再利用BP算法的局部搜索能力和对对象的适应能力,进一步对参数进行在线调整。从而使系统具有更高的学习精度和更快的收敛速度,所得的FNN具有良好的泛化性能。仿真结果证明了本方法的有效性。     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法 ,在该算法中 ,先用BP神经网络辨识对象模型 ,同时预测对象的未来输出 ,然后用动态矩阵控制算法进行滚动优化和反馈校正。该方法解决了非线性、时变对象难以建模及控制的问题 ,仿真结果验证了这一新型算法的可行性     

大滞后非线性系统PID型多步预测控制

简要概述了基于神经网络的大滞后非线性系统多步预测器的实现,在分析直接多步预测中的误差自关联问题的基础上,提出一种较为准确的去误差直接预测方法,引用鲁棒性好的PID型多步预测目标函数对滞后非线性系统实现预测控制.在控制中,采用适用于动态系统的递归神经网络.仿真实验表明了所提方法的有效性.     

基于模糊神经网络的板形板厚综合控制系统

面对板形板厚控制这一复杂、多变量耦合的非线性系统，提出一种基于模糊神经网络的综合控制方案，实现了无模型板形板厚综合控制．仿真结果表明，该控制系统收敛性好、抗干扰性强，取得令人满意的板形板厚控制精度．     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法,在该算法中,先用BP神经网络辨识对象模型,同时预测对象的未来输出,然后用动态矩阵控制算法进行滚动优化和反馈校正.该方法解决了非线性、时变对象难以建模及控制的问题,又保留了常规预测控制的优点,是一种比较好的、有着广阔应用前景的新型控制算法.仿真结果验证了这一新型算法的可行性.     

基于BP神经网络的非线性广义预测控制

广义预测控制在理论上已经有了很深的研究,并在工业控制中获得了应用,但广义预测控制存在着模型失配和系统不确定等缺陷.为克服上述缺陷,本文提出基于BP神经网络建立一个对象模型,用修正的误差预测值对输出预测值进行补偿,从而实现对被控对象的预测控制.通过Matlab仿真,表明神经网络预测控制对非线性系统具有较好的控制效果.     

基于B—P神经网络的非线性系统预测控制的研究

预测控制是以计算机为手段基于模型预测进行控制的方法,但是已有的预测控制算法通常是针对线性渐进稳定对象的,或者即使针对非线性使用了非线性模型,但由于算法过于复杂不能适用于快速系统,本文对复杂非线性系统提出了一种基于Ｂ－神经网络的预测控制方法,仿真和实际结果表明该方法的有效性和快速性,能够实现对非线性系统的实时智能优化控制。