基于一类GA-RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题.针对传统的控制方法控制效果差、精度不高,难以达到期望结果的问题,结合RBF神经网络的特点,提出用基于混合编码方式的混合遗传算法训练的RBF神经网络,同时优化网络的结构和参数,并利用RBF神经网络建立转炉炼钢静态模型.仿真结果表明,该模型具有在线调整和学习的功能,比传统模型具有更好的计算精度和适应能力,为提高转炉冶炼过程的控制精度给出了一个有效的方法.     

基于神经元网络的不确定性规则的获取

讨论了不确定性规则的知识系统同神经元网络相结合的问题;提出了适合处理不确定性规则的负梯度学习算法,使不确定性规则能方便地转换成神经元网络的权矩阵;研究了如何利用神经元网络的生成能力来获取新的不确定性规则,使知识系统具有知识自动获取能力,并使原有规则系统的脆弱性得以改善.     

改进的PSO-RBF神经网络在联合制碱中的应用

联合制碱过程是一类典型的复杂工业过程,具有时变、非线性、不确定性等特征,在线控制模型难以建立。针对联合制碱复杂工业过程控制精度不高、鲁棒性差等问题,提出一种改进的PSO-RBF神经网络控制算法。将粒子群优化算法和径向基神经网络相结合,使用改良的粒子群优化算法对RBF神经网络的隐含层基函数中心、宽度和输出层的连接权值进行寻优,建立基于改进的PSO算法优化后的RBF神经网络模型。将改进的PSO-RBF神经网络控制模型应用到联合制碱的关键工序碳化过程中,并与先前应用的模糊神经网络控制模型进行比较,经仿真研究验证表明,在联合制碱碳化过程中应用改进的PSO-RBF神经网络控制算法,其控制精度和系统鲁棒性得到了有效的提高,为解决一类复杂工业过程的建模与优化控制方法研究提供了有效的技术途径。     

航空发动机鲁棒自适应反演控制

针对航空发动机非线性和不确定性的特点,提出了一种基于神经网络的多输入多输出反演控制方法。采用径向基神经网络逼近系统中的不确定性,在控制中引入自适应鲁棒项,以克服系统中不确定性的影响。在递推过程中,虚拟控制量和实际控制量的求取始终基于Lyapunov稳定性原理,从而保证了闭环系统的一致渐近有界。最后针对某型涡扇发动机非线性模型设计了转速控制器,仿真结果验证了该方法的有效性。     

脉动风作用下经纬仪保护窗口镜面波像差预测

脉动风对结构的影响具有不确定性,为了消除脉动风给系统成像质量造成的影响,需要对脉动风作用下经纬仪保护窗口镜面波像差进行预测。提出一种基于NARX神经网络模拟脉动风压和镜面波像差RMS间的非线性关系的模型,采用AR模型模拟脉动风速时程;并利用有限元分析镜面变形得到的数据拟合镜面面形获得镜面波像差RMS,对NARX神经网络进行离线训练、验证和预测。仿真结果表明,所建立的NARX神经网络模型预测均方误差MSE为3.434 8×10~(-9);并能够满足经纬仪系统镜面变形在线主动补偿实时性要求。     

BP人工神经网络在齿轮钢淬透性预测中的研究

针对齿轮钢在轧钢过程中淬透性控制存在不确定性的问题,将人工神经网络应用到其不确定性上,通过改进BP人工神经网络学习算法训练神经网络,构建最优化的齿轮钢淬透性控制神经网络模型。通过仿真实验证明,该算法有效解决了齿轮钢淬透性预测控制的问题。     

粗糙集和神经网络相融合的钻井安全评价模型

针对动态性、随机性和不确定性较强的钻井作业现场,开展了安全评价的研究。提出了一种基于粗糙集和BP神经网络对作业现场进行安全评价的方法。首先以粗糙集为基础来构建BP神经网络的前置系统,对采集到的样本数据进行属性约简。其次,根据约简结果以及作业当天的事故情况完成了BP神经网络输入层和输出层的设计,并根据输入层和输出层神经元的个数通过试凑法确定网络隐含层的神经元数量范围,并采用训练样本对不同神经元个数所对应的网络模型进行训练,选择网络误差最低的网络作为所构建的网络模型。最后,选取16 d的测试样本对网络进行验证,将网络的输出同作业现场的实际结果进行比较,有14 d的网络结果与实际结果相符,测试准确率达到了87.5%。     

PMSM伺服系统的RBF网络自适应滑模控制

针对位置伺服系统的非线性、外干扰及参数摄动的不确定性,通过引入RBF神经网络对未知干扰和不确定性进行自学习,提高伺服系统的鲁棒性.为了分析伺服系统的不确定性,将系统模型划分为名义模型和不确定模型两部分.其中,名义模型采用状态反馈方法进行控制,不确定部分采用RBF网络作为滑模动态补偿器进行控制,解决了伺服系统不确定性上界难以测量的问题,降低了抖振.仿真结果验证了该设计方案的有效性.     

基于电流观测器的链式STATCOM反步控制方法

针对电网中链式静态同步补偿器(STATCOM)系统的非线性特性和不确定性,提出了一种基于高增益自适应观测器的链式STATCOM反步控制方法.针对STATCOM的输出电流值的估计,设计了一种基于神经网络高增益观测器,通过引入径向基函数(RBF)神经网络,对模型参数变化进行估计,通过反馈设计,对系统进行线性化处理,利用反步法实现电压控制器设计.结合李雅普诺夫的渐近稳定性理论,获得链式STATCOM输出无功电流的控制.仿真和实验结果进一步验证了控制方法的正确性和有效性.     

基于PSO-LSSVM的复杂试验不确定度分析

提出一种结合粒子群优化（PSO）算法和最小二乘支持向量机（LSSVM）模型的复杂试验不确定度分析方法。以汽车座椅的安全带拉伸试验为对象,研究汽车座椅安全带拉伸试验的主要影响因素及其概率密度函数参数,采用拉丁超立方方法进行试验设计,并进行安全带拉伸试验有限元仿真。运用PSO-LSSVM建立安全带拉伸试验的数学模型,并与BP（back propagation）神经网络建立的数学模型进行对比,结果显示PSO-LSSVM数学模型有更高的预测精度,满足后续不确定度评定要求。进一步采用蒙特卡罗方法实现安全带拉伸试验的不确定度评定,并以国家标准规定的方法进行参考,研究结果表明,该方法可应用于各种复杂试验不确定度分析中。     

具有干扰解耦能力的鲁棒在线故障诊断

针对一类带有未知输入干扰和模型不确定性系统,提出了一种新型鲁棒在线故障诊断方法,该方法综合应用带有未知输入状态观测器技术和RBF神经网络的在线建模能力,利用状态观测误差实时调整RBF神经网络的权值,使其不但能在线实时检测、分离、估计故障信号,而且对未知输入干扰具有解耦能力,对有界模型不确定性具有鲁棒性,给出了该方法的鲁棒性和灵敏度的分析结果,仿真结果表明了该方法的有效性。     

模糊数据库模型的自学习系统

该系统是利用神经元网络的可自组织、自学习等一些特性,设计了一个用神经元网络来表达和处理模糊数据库中的不确定性问题,即在模糊数据库的查询中所面临的查询条件的不确定性、表达上的不准确性和已知的内容不完全性等方面的问题。该自学习系统较好地把神经元网络应用到了模糊数据库中。     

组合导航系统软件可靠性的预测模型

针对组合导航系统软件可靠性长期预测的复杂性,建模时在引入神经网络技术的基础上,提出了滚动式预测方法.该方法考虑了多种不确定因素对预测结果的影响,不断加入新预测的故障数据,克服了单纯依靠神经网络技术预测偏差较大的缺陷.仿真结果表明,该模型预测精度高,可用于实践中指导软件测试.     

利用神经网络自适应逆控制消除干扰和噪声

神经网络的自适应逆控制具有对鲁棒性高、自适应能力强和难以精确建立数学模型的工业对象,尤其是大滞后、非线性、不确定性及时变的对象.利用BP神经网络构成逆控制器,提出一种基于神经网络的模型参考自适应逆控制系统.仿真实验表明,此系统具有良好的消除对象干扰和敏感噪声的作用,可以在工业控制中广泛应用.     

基于神经元网络的电力系统故障处理器

本文利用神经元网络模型中的反向传播算法,对某电力系统中的某厂站,建立了BP模型,以进行故障分析处理.该神经元处理器采用C语言编译,在IBM/PC/AT机上运行良好.实验结果证明:神经元网络法在用于故障分析时具有快速并行处理、模糊判断、自学习等优点,是一种可行的方法.     

关于股票价格的二阶模糊时间序列

由于股票价格的时间序列具有不确定性,股市的真实模型不容易建立,而模糊时间序列在解决模糊性数据和不确定性数据方面具有较大优势;因此,本文首先将数据进行预处理并改进论域划分的方法,然后利用三角隶属度函数进行数据的模糊化处理,再利用模糊化后的数据建立三层BP神经网络,最后,应用广义的逆模糊数公式将预测模糊集进行逆模糊化,从而得到预测结果.应用本文方法对印度国家银行(SBI)股票价格和Alabama 大学的入学人数进行预测,预测结果精度较高.     

轮式移动操作机器人的鲁棒跟踪控制器设计

针对轮式移动操作机器人的非完整性和不确定性，为其设计了鲁棒跟踪控制器，即采用分段运动学到动力学为移动平台设计动力学跟踪控制器，并分别为移动平台和机械手设计神经网络控制器，利用遗传算法来搜索神经网络的优化权系值，从而补偿平台与机械手间的不确定量,通过Matlab的Simulink以及CMEX文件对所设计的控制器仿真，结果表明此控制器具有较强的鲁棒性。     

医院大型电梯电力系统的PLC控制方法优化

医院大型电梯电力系统在实际运行的过程中具有很高的非线性和时变性,使大型电梯电力系统PLC控制效果不佳,当前方法采用线性学习法,无法适应运行环境的不确定性,造成电力系统控制的不稳定性。提出一种基于BP神经网络PID控制算法的医院大型电梯电力系统的PLC控制优化方法,将PID算法作为PLC的软件设计部分,通过比例、积分与微分这三种控制作用的合理调配,形成相互关系。鉴于PID控制算法调节时间长、超调量大等弊端,采用BP神经网络对其进行优化。利用BP神经网络的自学习和加权系数的调整,使BP神经网络输出最优大型电梯电力系统控制规律下的PID控制算法的参数,实现医院大型电梯电力系统的稳定控制。实验结果表明,所提方法具有很高的控制稳定性和鲁邦性,综合性能较强。     

基于RBF的TCP网络自适应滑模控制

针对TCP网络的拥塞控制问题,提出了一种基于RBF神经网络的自适应滑模控制算法.为了简化滑模控制器的设计,将系统的各个不确定参数和非线性补偿整合成一个总的不确定.考虑到网络系统的不确定性上界很难获得,使用RBF神经网络对系统不确定的上界进行自适应学习.将RBF神经网络的输出作为不确定上界的补偿,从而消除了系统的不确定带...     

基于模糊神经网络的MVB故障诊断算法

针对多功能车辆总线具有随机性和不确定性导致故障诊断准确率较低的问题, 设计一种基于模糊神经网络的MVB故障诊断算法. 首先根据MVB故障类型给出诊断模型, 然后采用减法聚类生成数量较少的模糊规则, 最后采用T-S模糊神经网络对故障进行分类. 在MATLAB环境下对该算法的拟合能力及诊断准确率进行仿真分析的结果表明, 该算法简化了模糊神经网络结构, 有效提高了故障诊断准确率.