神经网络辨识的自适应逆控制

逆模型控制是一个新颖的控制方法．但在实现上会遇到很多困难,如被控对象的大滞后、时变性和不确定性等,使精确的对象数学模型难以建立．文中根据工业对象的特点及对控制系统高鲁棒性与高自适应性的要求,提出一种改进的神经网络的模型参考自适应逆控制系统．仿真试验表明,此系统具有良好的跟踪给定信号和消除对象干扰的作用．     

非线性逆控制研究浅析

回顾和总结逆控制系统的研究现状,从理论和应用的角度分析已用于非线性系统的逆控制方法,包括神经网络逆控制,自适应逆控制和将神经网络引入逆控制的一种基于神经网络自适应逆控制。最后,提出进行非线性系统逆控制设计需要解救的一些关键问题。     

基于复合正交神经网络的广义通用模型自适应控制

在自适应逆控制中应用复合正交神经网络具有算法简单、学习收敛速度快等优点,将复合正交神经网络与广义通用模型控制器策略相结合,提出了一种基于神经网络的广义通用模型自适应控制方法.该控制方法中的参考轨迹为一条典型的二阶曲线,控制器参数具有明显的物理意义,参数整定方便.仿真实验验证了该控制策略的有效性.     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

X滤波自适应逆控制算法及在液压位置控制系统中的应用

针对非线性时变特性的液压位置伺服系统跟踪控制问题,基于自适应逆控制理论,提出X滤波液压位置自适应逆控制策略.对传统自适应滤波算法在X滤波结构下的不足,提出变换域变步长归一化最小方差算法.采用该算法对液压伺服位置系统进行了对象建模、在线逆建模及开环控制系统设计.仿真结果表明,X滤波液压位置自适应逆控制具有跟踪速度快、对参数摄动鲁棒性强等良好动态特性.     

模糊神经网络内模控制

内模控制(IMC)是一种先进的控制算法,具有很强的抗干扰性及鲁棒性,在工业过程控制中应用广泛.内模控制的控制性能往往取决于被控对象的模型,因此,如何得到被控对象的精确模型成为关键问题.对于工业中常见的非线性过程,传统的设计方法很难得到满意的控制效果.模糊控制和神经网络的引入为非线性内模控制的研究提供了一种新方法.模糊逻辑适合表达机遇规则的知识,而神经网络具有较强的自学习及自适应能力.将模糊逻辑与神经网络相结合,应用于内模控制中,对基于该模糊神经网络(FNN)的内部模型和控制器的建立进行了分析.仿真结果证明该算法是有效的,具有很强的自适应性和鲁棒性,可以应用于非线性及时变系统中.     

基于模糊神经网络的机械手自适应控制

单纯的神经网络和单纯的模糊系统具有各自的优点和缺点,模糊神经网络是两者的结合,它可吸取两者的优点而达到更优良的性能。这里提出了一种基于模糊神经网络的自适应控制方法。在利用常规控制器提取初始模糊规则的基础上,利用专家经验对初始规则进行补充,最后再利用误差的反向传播算法对参数进行在线的自适应调整。该方法用于机械手的跟随控制,两个模糊神经网络分别用于主回路控制和对象的逆模型,最后得到了优于样本控制器的跟踪控制效果。     

无人机神经网络重构控制

针对无人机可重构飞行控制系统提出一种基于径向基神经网络的模型跟随自适应逆重构控制方法,其核心是建立内外控制回路,内回路运用自适应逆控制,使得系统不受外部扰动和测量噪声的影响。外回路采用神经网络模型跟随自适应控制结构,使用神经网络和比例混合控制器,对参考模型和系统输出之间的误差进行自适应调整,利用误差来改变神经网络控制器的参数,使得系统达到满意的动态性能。并通过一个具体重构仿真结果证实了该方法的有效性。     

模糊神经网络的MRAC在环境试验箱控制中应用

针对环境试验箱具有非线性、时变性、强耦合性使得经典控制理论难以对其进行有效控制的问题,提出了以模糊神经网络构成间接模型参考自适应控制方案,以满足系统稳定性、实时性的设计要求.阐述了如何运用模糊神经网络构造间接模型参考自适应控制系统及如何对模糊神经网络构造的辩识器和控制器进行学习和训练.仿真结果表明,该智能控制系统具有很强的鲁棒性和控制复杂被控对象的优越性.     

基于RBF神经网络的直接模型参考自适应控制

大多数的现代被控对象均具有非线性的特性,使得采用传统的PI、PID控制很难取得较好的控制效果.人工神经网络,在一定条件下可以任意精度逼近任意非线性函数且具有较强的自学习、自适应、自组织能力.故将其应用于非线性严重的装置的控制,可充分发挥其非线性映射能力和自学习、自适应、自组织的能力,实现对非线性装置的高性能控制.相比于Sigmoid激发函数的BP神经网络,RBF神经网络具有更简洁的网络结构和更快的收敛速度且可避免收敛于局部极值点,使得RBF神经网络更适合于在线应用同时也具有更好的控制效果.本文采用RBF神经网络构成神经网络NN进行自适应控制.为进一步加快神经网络的学习收敛速度,本文采用变学习速率的神经网络学习算法,学习速率随收敛过程误差的大小而自适应地进行调整,这可大大加快神经网络学习训练的收敛速度.本文对RBF神经网络直接自适应控制策略应用于非线性被控装置的控制进行了仿真研究,仿真结果表明,系统的动态响应快,超调小,稳态精度高,有较强的跟踪能力,具有较好的控制效果.     

基于神经网元的自适应Dahlin数字控制器

在常规Dahlin数字控制器基础上,提出了1种基于神经网元的自适应Dahlin数字控制器.它具有收敛速度快、鲁棒性强的特点,而且学习算法是自适应的.它既可以用于参数时变和时滞未知的受控对象,又适用于逆不稳定过程,同时不存在控制器的振铃现象,是解决具有慢时变和时滞未知工业过程控制的有效方法.     

基于神经网络逆模型的Fuzzy-PID控制方法及其应用研究

在Ｆｕｚｚｙ－ＰＩＤ复合控制的基础上提出了一种基于神经网络逆模型的Ｆｕｚｚｙ－ＰＩＤ控制方法。该方法综合了模糊控制、神经网络控制和ＰＩＤ控制的优点, 使复杂工业过程中的非线性、时变等问题都得到了较好的解决。仿真结果表明, 该控制器具有较好的适应性和鲁棒性, 结构简单, 易于实现。     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性,提出了一种基于神经网络的通用模型控制方法,将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线,由于径向基函数网络具有许多优点,该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。     

基于对角递归神经网络的控制系统

针对角递归神经网络具有结构简单、收敛速度快,可广泛用于非线性系统的辨识与控制的特点.基于工业自动化通用技术平台(IAP),采用图形化控制策略组态技术开发了一套基于对角递归神经网络的控制系统,该系统具有基于参考模型跟踪的控制结构,可快速自适应地调整控制器参数.仿真实验结果表明,基于对角递归神经网络的控制系统控制精度高、稳定性好,可成为处理复杂工业过程,尤其是解决不确定和非线性领域问题的有效工具.     

基于RBF神经网络逆系统的注射速度控制

为了实现注射速度的精确控制,针对其非线性时变的动态特性,提出了基于神经网络逆系统的控制方法.采用M.Rafizadeh模型描述注射速度系统特性,通过求解该系统的相对阶证明了系统的可逆性.由于注射速度系统逆模型的解析形式难以获得,因此构造了基于RBF神经网络的注射速度逆系统,并将该系统与常规PID控制相结合,对注射速度实现复合控制,解决了基于RBF神经网络逆系统的开环控制效果不理想的问题.仿真实验表明,该控制系统具有良好的跟踪性能及抗干扰性能.     

基于自回归动态神经网络的逆模型辨识及在线控制

研究了自回归动态神经网络及其学习算法，提出应用于动态逆模型辨识的结构，并与ＰＩＤ控制相结合形成了非线性动态对象的在线自适应控制系统．仿真结果表明此方案简单可行，克服了静态网络的一些局限性．     

基于鲁棒神经网络的水下机器人运动控制

针对水下机器人神经网络控制中系统响应速度慢及对噪声较敏感的问题,依据变结构控制理论,提出了一种基于鲁棒神经网络的水下机器人控制方法E利用指数趋近律,推导出神经网络参数的镇定算法,并采用标准误差反向传播(EBP)算法最小化目标函数,最后在水下综合探测机器人仿真平台上进行了试验研究E试验结果表明,该控制方法对神经网络学习率的改变和外界扰动有很强的鲁棒性,大大降低了机器人机械传动系统的磨损,且能够保证神经网络快速、稳定地学习,从而满足实时性控制的要求,具有较高的理论和实用价值.     

多变量生物发酵过程的解耦控制

把非线性系统的逆系统方法与神经网络非线性辨识技术相结合 ,提出了一种基于神经网络逆系统的发酵过程多变量解耦控制策略 .当过程模型缺乏足够的先验知识时 ,所提出的解耦控制策略对多变量非线性连续发酵过程取得了良好的控制性能 .仿真结果表明 ,提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性 ,具有较强的鲁棒性 .克服了基于微分几何理论的逆系统解耦控制方案依赖于过程模型和对模型参数变化很敏感的缺点 .