一类基于神经网络的观测器及其在二关节机械手中的应用

本文提出一种非传统的神经网络观测器用来估计非线性系统的未知非线性部分。该神经网络是三层网络,采用带修正项的误差反传算法进行训练,以保证跟踪的精度和权值的有界。且在sigmoid 活化函数中增加线性滤波器,以提高系统的抗干扰能力。然后利用Lyapunov直接法保证基于权值误差的非传统观测器的稳定性。最后将该观测器应用到二关节机械臂系统的状态观测中,仿真结果验证了有效性。     

改进的神经网络观测器在非线性系统中的应用

为降低非线性观测器对模型精度的依赖性, 提出一种非传统的神经网络观测器设计方法。该神经网络为三层前馈网络, 采用带修正项的误差反传算法进行训练, 以保证控制的精度和权值有界, 利用神经网络识别系统的非线性部分, 并结合传统的龙伯格观测器重构系统状态; 利用Lyapunov 直接法保证基于权值误差的非观测器的稳定性, 并将该观测器应用于机器人轨迹跟踪控制中。仿真结果表明, 该方法解决了模型不确定系统状态观测问题, 适用于模型精度较低的非线性系统。     

同步一类结构部分未知混沌系统的自适应非线性观测器

针对一类结构部分未知混沌系统，设计了一种舍有补偿器的自适应正交神经网络非线性观测器．这种自适应非线性观测器以混沌系统的线性部分能准确复制为前提，利用正交神经网络的非线性逼近能力实现结构部分未知混沌系统在状态不可测情况下的同步．在所设计的观测器中，正交神经网络的权值和补偿控制器的自适应调节规律都是通过Lyapunov稳定性原理推导所得，保证了闭环系统的稳定性，     

基于动态递归神经网络的动态矩阵控制

给出了利用动态递归神经网络 (DRNN)重构一个非线性动态过程的方法 ,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征 ,容易实现并进行稳定性分析。利用训练好的网络作为预估模型 ,设计了基于DRNN的动态矩阵控制算法。仿真结果表明了权值调整算法和控制策略的有效性     

非线性状态观测器及其在交流调速中的应用

本文讨论了双非线性系统的状态观测器构成问题。当感应电动机采用变频调速时,描述调速系统的特性方程是双非线性微分方程。本文提出用非线性磁通观测器构成感应电动机的调速系统,实验结果证明,这个观测器能观测感应电动机的磁通,使得电动机的磁通保持恒定。由实验结果表明,这种系统具有良好的调速性能。     

感应电动机磁场定向控制系统速度估计方法

提出了适用于感应电动机的转速估计方法，并应用于磁场定向（ＦＯＦＯ）调速控制系统中的磁通观测器。从电动机的基本状态方程导出降维的磁通观测器方程，根据两个磁通观测器输出的差异，估算出电动机转速。采用此方法的实验系统，显示了足够的稳定性。     

基于动态递归神经网络的动态矩阵控制

给出了劝态递归神经网络（DRNN）重构一个非线性动态过程的方法,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征,容易实现并进行稳定性分析,利用训练好的网络作为预估模型,设计了基于DRNN的动态矩阵控制算法,仿真结果表明了权值调整算法和控制策略的有效性。     

改进型神经网络参数自学习PID控制器的实现

用BP神经网络自学习PID控制器的3个可调参数KP,KI和KD，实现最佳组合的PID控制，在调整神经网络的权值算法中，用被控对象的预测模得到预测输出值来改进学习算法。该方法用于异步电动机直接矩控制中效果明显。     

感应电动机的非线性状态观测器

本文用坐标变换推导了有界输入下感应电动机的动力学方程,得到一个描述感应电动机动态响应的五阶双线性和非线性状态方程。在三相平衡条件下,这个模型可简化为三阶模型。由五阶和三阶模型,根据Liapunov稳定性理论分别构造了四阶和二阶双线性非线性状态观测器。上述观测器可以重构感应电动机的定子磁链和转子磁链。数字仿真结果表明,非线性状态观测器的重构误差具有快的收敛性,并且也表明了简化后的二阶非线性状态观测器与四阶非线性状态观测器的重构状态间有极好的近似性。     

基于神经网络预测的网络控制系统故障检测

考虑一类长时延网络控制系统,假定其存在输出时延,对其进行故障检测。通过对网络控制系统时延采样值进行神经网络预测,使之成为无延迟的控制系统。在此基础上,建立了基于神经网络预测的故障观测器误差方程,并证明了该观测器稳定的条件。当系统正常时,只要给定的不等式条件成立,该观测器系统就是稳定的。当系统发生故障时,观测器残差能够迅速发生跳变,从而检测出故障的发生。最后通过仿真示例说明该文方法能够较好预测网络时延,发现系统故障。     

预测神经网络控制器及其在禽蛋孵化过程中的应用

本文针对常规神经网络控制通常需要辨识网络和控制网络两个网,提出将神经网络用于提前学习系统动态特性,借助于运动方程来获得控制信号的预测控制算法,极大地提高了算法的运算速度。将此算法用于非线性多变量耦合的禽蛋孵化过程,取得了最佳的动、静态特性。     

一种新的快速收敛的反向传播算法

提出了一种新的快速的误差反向传播算法 .这种方法从神经网络的权值调节公式入手 ,通过避免过早饱和、加大权值调节的幅度等手段来加快收敛 .并通过对两个奇偶问题、一个函数逼近问题的仿真 ,验证了所提出的算法的有效性 .结果表明 ,所提出的算法在收敛速度等方面大大优于通常的BP(反向传播 )算法、带动量项的BP算法以及其他的一些改进的算法 .     

高原机场中断起飞决断速度计算与分析

针对现有的飞行理论对中断起飞决断速度计算研究不足并且计算方法单一的问题,利用Matlab/Simulink仿真平台构建了中断起飞距离计算模型,通过计算不同飞行条件下不同故障速度的中断起飞距离,得到大量的训练样本。建立三层神经网络模型,以飞行条件和中断起飞需用长度为输入量,故障速度为目标量,对神经网络模型进行训练,直到均方差达到要求。将神经网络运算结果、仿真平台运算结果、手册数据进行对比,证明了提出的利用神经网络计算起飞决断速度的方法是有效的。利用神经网络,对海拔高度、飞行质量、温度、风速、跑道可用长度变化对中断起飞决断速度的影响进行了分析,给出了相关曲线。本文使用的神经网络方法精度较高,计算也比较便捷,可以应用到其它机型在不同条件下的中断起飞决断速度计算中,具有一定的实用价值。     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

模糊神经网络局部通风机调速控制器

为提高煤矿局部通风机的调速能力,采用模糊控制与神经网络技术,设计了局部通风机智能调速控制器。该控制器由瓦斯检测、风速检测、模糊神经网络控制器、变频调速器和局部通风机五部分组成,采用多层前向神经网络输出控制量。仿真结果表明：通风机速度曲线与实际电机速度曲线误差很小,模糊控制与神经网络的结合能够克服传统线性和非线性控制的缺点,较好地实现煤矿局部通风机的调速,提高了系统的鲁棒性。     

用BP网进行变速风力发电机组控制分析

传统的控制需要精确的风力发电机的数学模型,而因为空气动力学的不确定性和电力电子的复杂性,使风力机系统精确模型难以建立,特别是在风速突变以及有扰动存在时,风力机的控制和分析很复杂;为了克服这一困难,用神经网对变速风力发电机组进行控制;设计功率系数曲线的BP网模型及最佳桨距角的BP网模型,在低风速时跟随风速获得最大功率系数,高风速时保持功率最大并在允许范围内.在MATLAB环境下给出了用BP网对变速风力发电机控制的仿真模型和仿真结果,显示采用神经网控制器控制有很好的抗风速突然波动的作用,能有效地抑制扰动.     

暂态混沌动力学在神经网络优化计算中的应用

通过在神经网络状态空间演化方程中引入一个非线性反馈项,使神经网络系统的动力学表现出混沌特性。为将混沌动力学作为搜索机制应用于优化问题,又引入一个调节机制构成了暂态混沌神经网络模型。本文着重分析了暂态混沌神经网络动力学行为,并将其应用旅行推销员问题。实现了全局优化且有较快的收敛速度。     

变异蚁群神经网络及其对DTC转速的辨识

将变异机制引入基本蚁群算法中，然后利用这种变异蚁群算法去优化神经网络的权值，有效地解决了神经网络容易陷入极小点的缺点，同时又远比只采用单一的基本蚁群算法提高了收敛速度，从而得到一种时间效率和求解效率都比较好的启发式方法，即变异蚁群神经网络．通过对直接转矩控制中电机转速进行辨识的仿真实验，结果表明：这种变异蚁群神经网络兼具了神经网络和蚁群算法两方面的优点，不仅具有广泛的映射能力，还明显提高了运算效率，用变异蚁群神经网络构造的转速辨识器能够准确地跟踪电机转速的变化，使系统具有良好的动态性能．     

神经网络在汽轮发电机组故障诊断中的应用

本文将改进后的神经网络应用于汽轮发电机组的故障诊断中,利用神经网络的高速并行性,联想记忆,容错性和自学习功能,使所建立的系统具有较高的推理速度和较强的类型识别能力。     

改进BP神经网络在流型智能识别中的应用

为了克服ＢＰ神经网络的易陷入局部极小、收敛速度慢等缺点,利用非线性最小二乘法对其进行了改进,改进后的ＢＰ神经网络的收敛速度提高了１￣２个数量级,同时利用压阻式压关器测得了水平管内油气水多相流压差信号,根据分形理论中的重要构相空间法提取出压差信号的特征向量,再将特征向量送入改进的ＢＰ神经网络中,从而完成对油气水多相流流型的智能识别,结果证明,改进的ＢＰ神经网络能有铲地自动识别出油气水多相流的流型。