具有降阶模型的多模型鲁棒自适应控制

针对传统鲁棒自适应控制器暂态性能差的缺点,提出了多模型鲁棒自适应控制方法.对于包含未建模动态的自适应控制系统,首先采用正则化技术把系统未建模动态转化为系统有界扰动,并利用系统低阶模型设计多模型鲁棒自适应控制器,最后证明了系统BIBO稳定以及跟踪误差有界.仿真实验说明所提出的方法能获得较好的控制效果.     

基于多模型切换的智能控制研究

针对实际对象在不同工况下的模型参数突变，提出了基于多模型切换的智能控制方法．应用自适应模型库算法来建立多个模型而无需被控对象的先验知识．在系统运行过程中，由常规自适应模型和重新赋初值自适应模型在线自动地建立多个模型及相应的控制器．在每个采样时刻根据性能评价函数来选择最佳控制器．证明了该算法能够保证闭环系统的稳定性和跟踪误差的渐近收敛性．仿真结果表明，本所提出的方法使系统的动态响应品质得到了明显的改善．     

三温区电加热炉的神经网络模型参考自适应控制

提出了一种基于神经网络非线性系统的模型参考自适应控制方法，通过在线训练获得反映对象动态持性的神经网络辨识器和神经网络控制器，对三温区电加热炉进行实时控制，仿真结果表明该方法的有效性及其优良性能。     

基于多模型切换的智能控制研究

针对实际对象在不同工况下的模型参数突变 ,提出了基于多模型切换的智能控制方法 .应用自适应模型库算法来建立多个模型而无需被控对象的先验知识 .在系统运行过程中 ,由常规自适应模型和重新赋初值自适应模型在线自动地建立多个模型及相应的控制器 .在每个采样时刻根据性能评价函数来选择最佳控制器 .证明了该算法能够保证闭环系统的稳定性和跟踪误差的渐近收敛性 .仿真结果表明 ,本文所提出的方法使系统的动态响应品质得到了明显的改善 .     

多模型自适应PID解耦控制器

对于一类非线性、强耦合、离散时间系统,提出了基于多模型的多变量自适应PID解耦控制策略,取消了系统平衡点参数已知的条件.控制策略包括一个完全自适应PID解耦控制器,一个参数重赋值自适应PID解耦控制器,多个参数固定PID解耦控制器和一个切换机制.理论分析表明,通过合理地选择切换函数,自适应PID控制器保证系统BIBO稳定,参数重赋值自适应PID控制器和参数固定PID控制器改善系统性能.     

基于即时线性化的Wiener非线性系统预测控制

采用一种Laguerre网络与SBP神经网络构成的组合模型和即时线性化方法实现了对Wiener非线性系统的自适应预测控制策略。组合模型无需动态系统的阶次和时延的结构先验知识；即时线性化，即是在线依据每个控制周期由模型获得的系统未来各步预测输出yo(k i)|k,(i=1,…，P）对非线性模型进行线性化，进而利用线性化模型进行控制优化求解，即时线性化避免了非线性控制优化求解的困难。文中还给出了实现即时线性化的算法，最后仿真表明所提的算法与策略是有效的。     

一类非线性多变量系统的模糊神经网络自适应控制

针对一类数学模型不完全确知并包含外部扰动的非线性多变量系统，提出一种模糊神经网络(FNN)自适应控制策略．用FNN模型在线辨识非线性系统的未知动态，并根据误差系统的Riccati方程，设计H∞控制，有效抑制系统的外部扰动，该控制律采用Lyapunov设计方法来保证控制系统的稳定．FNN自适应控制策略解决了传统非线性控制器理论结果形式过于复杂，实用性差的问题，拓宽了非线性理论的应用范围．     

基于自校正模型的非线性系统多模型预测控制

针对化工过程某些非线性系统的不对称动态特性，提出了一种基于自校正模型的多模型预测控制算法。在平衡点附近建立线性模型，利用当前工作点，通过二阶泰勒展开校正模型参数，补偿非线性不对称动态特性，形成了非线性系统的自校正多模型描述。以基于模型输出偏差的切换指标函数作为模型切换准则，结合状态反馈预测控制，构成了多模型预测控制器。pH值控制的仿真结果验证了该算法的有效性。     

控制中的神经网络

提出了神经网络控制器的分类以及非线性映射特性，讨论了神经网络控制器的特点。在与传统自适应控制相比较的基础上，提出了解决非线性动态系统的方法，并通过实验加以验证。     

电液伺服系统多模型鲁棒自适应控制

针对电液伺服系统中存在不确定非线性和强参数不确定性的问题,提出一种多模型鲁棒自适应控制算法。根据系统参数不确定性范围建立了多个辨识模型,在辨识模型中设计非线性鲁棒项,以抑制干扰、未建模动态等不确定非线性的影响,提高系统的鲁棒性。基于辨识模型设计相应的控制器,采用基于辨识误差的性能指标函数作为切换依据,选取最佳控制器作为当前控制器,解决了传统自适应控制对参数自适应初值敏感的问题。该方法能够克服不确定非线性和强参数不确定性的影响,使系统得到渐进跟踪的性能,提高系统的瞬态响应性能。实验结果表明,该算法能抑制建模不确定性的影响,系统期望跟踪指令幅值为10mm时,跟踪误差大约为0.038 6mm,相对跟踪误差约为0.386%,系统跟踪精度得到了提高。     

一种基于显现模式的懒惰式贝叶斯分类器

本文提出了一种新的基于EP的分类算法,即基于基本显现模式的懒惰式贝叶斯分类算法（Lazy Bayesian Classification based on essential Emerging Patterns,LBCeEP）,该算法使用懒惰式学习技术进行训练数据集的约简,并使用了一种特殊形式的更能有效地反映类标属性的EP,同时采用贝叶斯方法应用这种EP来进行分类.在UCI机器学习库中的14个数据集上的实验表明,本文所提出的算法具有更好的分类效果。     

一种新型的动态模糊神经网络控制器

基于前向模糊神经网络ＡＮＦＩＳ提出了一种新型的动态模糊神经网络（ＤＦＮＮ）,将模糊逻辑,神经网络和ＰＩＤ控制器三者的优点有机地融合在一起。通过在ＡＮＦＩＳ的归一化层和输出层之间加入递归层,构成了动态模糊神经网络（ＤＦＮＮ）,并推导了基于ＢＰ的反传学习算法,与ＡＮＦＩＳ和ＰＩＤ控制器相比,ＤＦＮＮ具有更好的控制效果。ＤＦＮＮ的参数具有明确的物理意义,可根据专家的经验选择初值,加快了网络的收敛速度,由     

一种基于流形的蚁群聚类算法

在介绍了基于信息熵的蚁群聚类算法以及流形学习的方法的基础上,将基于动态切空间排列的流形学习方法与该蚁群聚类算法相结合,给出了一种聚类算法的新思路,并在城市规划布局问题中做了仿真实验,提高了算法的收敛速度。     

基于Volterra基函数网络的自适应逆控制方法

提出了一种基于Ｖｏｌｔｅｒｒａ基函数（ＶＰＢＦ）网络的非线性系统自适应逆控制方法。对象和逆控制器各用一个ＶＰＢＦ网络表示,应用正交最小二乘算法进行离线网络结构确定和权值初始化,构造了一种动态归一化非线性最小均方（ＤＮＮＬＭＳ）权值更新算法,以进行网络权值的在线学习。仿真结果表明,该方法具有算法简单、学习速度快、鲁棒性能好等优点。     

利用前馈神经网络计算Lyapunov指数

Ｌｙａｐｕｎｏｖ指数是混沌动力学系统的重要不变量．用基于前馈神经网络的自适应快速学习算法计算混沌动力学系统的全部Ｌｙａｐｕｎｏｖ指数．结果表明，本算法在有限的样本点及出现外部噪声的情况下，是非常可靠的．     

神经网络智能PID参数最优控制及应用

本文提出了一种神经网络智能ＰＩＤ参数最优控制系统，给出了有效的基于共轭梯度的神经网络学习算法。仿真实验和应用结果表明，这类智能控制器可用于难以建立数学模型的控制系统。     

基于即时学习算法的软测量建模方法

针对工业过程中存在许多难以直接测量变量的问题,提出1种基于即时学习算法的软测量建模方法.提出k-矢量近邻方法建立系统的当前工况点的建模邻域,以提高即时学习算法的预测能力,利用递归最小二乘算法简化建模的在线计算量,通过PRESS估算得到算法的最优解,优化了算法,应用该算法对某一化工厂产品的酯化率进行测量建模,预测得到的最大相对误差为0.8742%,证明该方法的泛化性能良好,满足实际测量的精度要求,是1种便于理解,易于实现的软测量方法.     

基于再励学习的歼击机安全着陆横侧向协调控制

基于大系统递阶控制思想,提出了一种运用再励学习算法设计歼击机自动着陆横侧向协调控制系统的方法.将再励学习算法引入歼击机着陆阶段的横侧向子系统的协调控制中,对滚转通道和航向通道的控制器参数进行在线寻优,提高了在线补偿神经网络消除非线性系统逆误差的能力,有效地改善了歼击机着陆阶段横侧向控制子系统的鲁棒性能.通过将这种方法应用于某型歼击机自动着陆控制的实时仿真研究,仿真结果表明了本文方法的有效性和可行性.     

急切式和懒惰式学习策略相结合的决策树分类模型

急切式学习策略和懒惰式学习策略有着不同的学习和分类机制.通过分析急切式学习策略下的普通决策树模型和懒惰式学习策略下的懒惰式决策树模型,提出了一种新的决策树分类模型即Semi-LDtree.它生成的决策树的结点,如普通决策树一样,包含单变量分裂,但是叶子结点相当于一个懒惰式决策树分类器.这种分类模型保留了普通决策树良好的可解释性,实验结果表明它提高了分类速度和分类精确度,特别是在大的数据集合上效果更加明显.     

一种解决振型遗忘问题的新算法

本文通过对线性结构体系的动力学方程进行正则变换，在理论上分析了主动控制力对残余振型的影响，提出了解决振型遗忘问题的矩阵奇异值辅助分析的新算法，并采用人工神经网络的ＢＰ算法对主动控制力进行了动态仿真。数值计算的结果表明：采用本文提出的算法可以方便，有效地减弱振型遗忘所引起的不利影响。