粒子群优化的RBF神经网络功放行为模型

研究功率放大器的非线性行为模型建模问题.功率放大器既呈现非线性,又呈现记忆效应,为了对具有记忆效应的非线性功率放大器进行精确的行为模型建模,提出了基于粒子群优化的RBF神经网络射频功放行为模型.利用freescale半导体晶体管MRF6S21140器件模型及设计的电路从ADS中导出输入输出数据,对射频功率放大器模型进行了仿真实现,得出了输出电压幅度的拟合曲线以及误差曲线.仿真结果表明:PSO-RBF射频功放模型能够获得较好的精度,能够很好的描述射频功率放大器的非线性和记忆效应,为有效解决精确建立射频功放行为建模的问题提供了参考方法.     

高速公路交通流的RBF神经网络建模

在对城市高速公路交通流模型深入研究的基础上 ,针对在不同环境以及时变系统中对复杂非线性大系统的控制 ,提出了一种改进的快速 RBF神经网络算法对交通流进行建模 ,克服了传统的数学模型对交通非线性大系统建模时泛化能力差的缺陷 .该算法是采用 APC- 单路径聚类算法确定 RBF神经网络结构参数的一种快速 RBF神经网络算法 ,网络训练速度快 ,效果良好 ,对实现交通流的在线建模与控制有重要意义 .文中进行了计算机仿真研究 ,结果表明了方法的有效性     

改进型RBF神经网络对ROF前传系统非线性行为建模

光载无线电(Radio-over-Fiber, ROF)前传系统在C-RAN基础上简化了基站RRH架构,但是ROF前传系统下行链路包含功放等非线性器件,依然面临非线性失真.先通过行为模型建模得到整个系统的非线性特性是对整个系统构建预失真器极为重要的步骤.针对ROF前传系统下行链路行为模型建模分析,以径向基函数神经网络为基础,提出了改进型复数径向基函数神经网络模型(Improved Complex RBF Neural Network,ICRBFNN),以4 MHz带宽的LTE信号作为测试信号,并与传统的功放模型广义记忆多项式(General Memory Polynomial, GMP)、改进型广义分数阶记忆多项式(Augmented General Fractional order Memory Polynomial,AGFMP)、实数时延神经网络(Real-Value Time-Delay Neural Network, RVTDNN)、实数时延径向基函数神经网络(Real-Valued Time-Delay Radial Basis Function, RVTDRBF)等功放行为模型作对比来验证模型的有效性.仿真实验结果表明,ICRBFNN相比传统功放模型取得了3 dB以上的建模精度提升.     

基于U模型的神经网络PID控制系统设计

研究一类非线性对象的建模,提出通用的非线性U模型表达式。在非线性U模型基础之上,提出径向基神经网络PID控制算法,采用梯度下降法与PID位置增量算法相结合,根据径向基神经网络在线辨识非线性被控对象,得出Jacobian信息去修正PID控制器参数,最终完成非线性系统的精确控制。仿真结果证实,采用高精度的非线性U模型及神经网络PID控制算法提高了非线性控制系统的精度。     

基于U模型的神经网络PID控制系统设计

研究一类非线性对象的建模,提出通用的非线性U模型表达式。在非线性U模型基础之上,提出径向基神经网络PID控制算法,采用梯度下降法与PID位置增量算法相结合,根据径向基神经网络在线辨识非线性被控对象,得出Jacobian信息去修正PID控制器参数,最终完成非线性系统的精确控制。仿真结果证实,采用高精度的非线性U模型及神经网络PID控制算法提高了非线性控制系统的精度。     

船舶直线控制反步自适应神经网络算法

为了解决控制模型完全未知情况下非线性系统的控制问题,该文以船舶航向为控制对象,研究了径向基神经网络(RBFNN)方法.建立参数不确定的船舶运动的三阶非线性模型,针对系统的参数的不确定问题,提出了基于RBFNN估计的控制设计策略.利用神经网络对非线性参数不确定性进行了在线估计,然后利用反步法进行了控制器设计.RBFNN方法对于非线性系统提供了一种有效的解决方法,仿真结果证明了该方法的有效性.     

高速公路交通流RBF神经网络建模

在对城市高速公路交通流模型深入研究的基础上,针对在不同环境以及时变系统中对复杂非线性大系统的控制,提出了一种改进的快速ＲＢＦ神经网络算法对交通流进行建模,克服了传统的数学模型对交通非线性大系统建模时泛化能力差的缺陷,该算法是采用ＡＰＣ－Ⅲ单路径矛类算法确定ＲＢＦ神经网络结构参数的一种快速ＲＢＦ神经网络算法,网络训练速度快,效果良好,对实现交通流的在线建模与控制有重要意义,文中进行了计算机仿真研究,     

基于神经网络的车用发动机广义预测控制

为了改善具有非线性特性的发动机燃油控制效果,以达到高效率、低污染的要求。利用一种前向神经网络作为非线性系统的模型,并将其分为线性部分和非线性部分。其中非线性部分用单隐层的BP神经网络对其建模,采用学习速度较快的Davidon最小二乘法在线调整网络权值;线性部分采用受控自回归积分滑动平均(CARIMA)模型作为其数学模型,用递推最小二乘法(RLS)作为其参数辨识的方法。每步将所得非线性系统的网络模型线性展开,得到线性回归模型,并以非线性前馈增益方式补偿建模误差,建立了一种适合非线性系统的自校正广义预测控制器。仿真结果表明该算法收敛速度快,控制动作平稳,控制效果理想。     

基于超闭球小脑模型的系统建模及其校正

为了克服神经网络建模在工程应用中的不足,利用超闭球小脑模型（HCMAC）神经网络所具有的结构简单、学习收敛速度快、泛化能力强等优势,提出了基于HCMAC的非线性动态系统建模原理。分析了建模误差产生的原因,给出了基于误差校正率的神经网络模型多步在线校正策略,采用通过实时扩展模型学习样本空间和基于模型误差可信度的模型参数修正方法训练模型,以跟踪实际动态过程。仿真实验证明：上述方法可有效地减小由于样本精度不高和在模型输入空间中的分布不均匀所带来的初始模型误差,同时可实时适应非线性动态过程工况的变化。     

一种基于I/O数据的多模型建模方法

针对复杂非线性系统,提出了一种基于I/O数据的多模型建模方法.首先,利用模糊划分对输入数据进行在线聚类;然后,采用最小二乘法在每一个聚类点处建立一个局部模型,并利用新获得的I/O数据对局部模型的参数进行更新.该方法借鉴模糊模型中空间划分的思想,将模糊空间划分与多模型建模相结合,利用即时I/O数据对局部模型的数量以及每一个局部模型的参数进行在线更新,从而实现对复杂非线性系统的在线建模.仿真实验证明了该方法的有效性.     

基于失配补偿Smith-RBF神经网络的 主蒸汽压力控制技术

针对燃气发电锅炉主蒸汽压力控制系统对象的大滞后、不确定性和煤气扰动大的特点,设计了一种基于失配补偿Smith预估及RBF神经网络的控制方案。利用RBF神经网络的在线学习能力整定常规PID的参数,并通过失配补偿Smith预估控制器对系统中存在的纯滞后进行补偿,有效解决了火力发电锅炉主蒸汽压力对象动态特性模型失配及纯滞后的问题。通过仿真研究及实际应用表明:该控制方法对于火力发电锅炉主蒸汽压力控制具有很好的稳定性和抗干扰能力。     

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.     

一类神经网络整定PID参数的非线性系统解耦方法

对具体非线性系统有不同的解耦方法，如模糊解耦、神经网络解耦等。因神经网络有自学习功能以及对参数摄动的不敏感，故对某些特殊的非线性系统采用神经网络解耦作为补偿器进行输入输出解耦，能够获得较强的鲁棒性。首先介绍了神经网络解耦的一般结构，然后给出了递归多层神经网络的学习方法。针对一类非线性系统设计了一类基于递归多层神经网络整定PID参数的多变量非线性系统的解耦控制器。从仿真可以看出，对于文中所给出的非线性系统，这种递归多层神经网络的解耦控制器对于输入输出解耦是可行的。     

电液负载模拟器神经网络辨识器及控制器设计

针对传统控制方法无法解决飞机舵机电液负载模拟器受多余力等非线性因素严重干扰的问题,给出了一种基于神经网络辨识器及控制器的复合控制结构,结合了神经网络系统辨识与自适应实时控制的工作特点。根据电液负载模拟器控制结构及工作原理,采用BP神经网络辨识器在线辨识,获得系统辨识模型以替代理论数学模型。然后,采用Adaline神经网络控制器实时控制,利用系统误差信号与BP神经网络反向递归计算Adaline网络权值调整信息,获得系统控制参数,实现复合控制器的有效监督与智能控制。最后利用MATLAB进行实验验证,仿真结果表明：该方法能够提高系统控制精度,多余力消扰率达92%;并且可以有效模拟飞机舵机所受力载荷的变化情况,实现系统指令信号快速、准确、稳定的加载。     

间接自适应动态递归模糊神经网络控制器设计

针对仿射非线性系统,提出了一种新型的基于动态递归模糊神经网络(DRFNN)的间接自适应控制器.该控制器采用DRFNN对系统的动态非线性映射进行在线估计,并依据李亚普诺夫稳定性理论推导出DRFNN参数在线调整的自适应算法,同时运用投影算法确保参数向量处于约束集合内.应用自适应DRFNN对动态非线性映射进行在线估计时,仅采用被控系统的1个状态变量作为其输入,避免了因增加输入个数而导致网络结构膨胀的问题,从而加快了收敛速度.仿真结果表明:由自适应DRFNN构成的控制器可使系统具有满意的跟踪性能.     

基于小波神经网络的自适应控制器设计

针对一类未知非线性系统,设计了一种基于小波神经网络的自适应控制器,并提出了一种适合在线学习的参数混合训练算法。根据离线和在线学习系统的特性,得到小波神经网络控制器的初始参数,使用混合训练算法在线修正控制律,实现了自适应控制。仿真结果验证了该控制方案的有效性。     

基于BP神经网络的船舶航向智能PID控制研究

针对船舶航向控制非线性的特性,以船舶航向运动一阶KT模型为研究对象,设计了基于BP神经网络的自整定PID算法航向控制器。将传统PID与BP神经网络结合,对被控对象由BP神经网络进行辨识,给出PID控制参数,由PID控制算法进行控制并优化收敛速度。根据真实渡轮船舶特征参数,利用MATLAB/Simulink仿真软件建立船舶航向运动控制系统模型。仿真结果表明,基于BP神经网络的PID控制系统超调小、鲁棒性好,可长时间稳定工作,几乎无稳态误差,控制算法的实用性以及动态控制系统的优越性得到验证。     

神经网络负荷模型的综合能力研究

针对电力电子设备综合负荷模型难以用机理模型描述的现状,构造了动态综合负荷的模糊神经网络模型.该模型具有模糊推理和神经网络的优点,能很好地逼近动态负荷的模型输出.通过对已知实测建模数据的训练,分析了模糊神经网络负荷模型的前件参数、结论参数的辨识策略,阐述了模糊隶属度和模糊规则的形成过程.对负荷构成相异的4组实测变电站负荷数据,用其中1组建模数据进行训练,得出模糊模型结构和参数,用该模型去拟合其他3组数据,对模糊神经网络负荷模型的综合能力进行验证.实例表明,该模糊神经网络负荷模型不仅具有很强的自描述能力和收敛性,而且具有良好的综合描述能力.     

基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.