利用人工神经网络进行感应电动机解耦控制

为了使感应电动机具有象直流电动机一样优良的转矩与转速控制性能,提出了一种基于人工神经网络的感应电动机解耦控制方法。由于实时递归网络具有较强地表达和处理瞬态信息的能力,适合解决非线性动态系统问题,因此用递归网络构成的解耦控制器具有良好的动态特性。为减少这种神经网络解耦控制器的学习时间,提出了一种自适应学习算法,通过在网络学习的过程中不断地调整学习速率,从而加快了网络学习速度。仿真计算结果表明,这种神经网络解耦控制方式具有优良的动态响应特性。     

基于动态神经网络解耦线性化的内模控制

采用动态神经网络对一类多变量仿射非线性系统进行建模，利用解析求得的模型动态逆，将非线性对象近似输入输出解耦线性化。针对复合后的伪线性系统采用内模控制，分析了存在建模误差的情况下闭环系统的鲁棒稳定性。仿真表明了所提方法的有效性。     

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CMAC和PID的非线性耦合系统解耦控制研究

为了实现多变量非线性耦合系统的解耦控制,提出了一种基于CMAC与PID的复杂关联自适应解耦控制策略,并给出了详细算法。该控制策略采用PID控制器和CMAC控制器共同构成一个复合控制器,多个复合控制器通过多输入多输出线性神经网络,实施对复杂非线性耦合对象的控制作用。由于神经网络的自适应特性,可使得耦合系统逼近参考模型,实现解耦控制。仿真结果表明,该控制策略实现了耦合系统的解耦控制,并且具有较强的抗干扰能力和鲁棒性。因此采用此控制策略能够实现多变量非线性耦合系统的解耦控制。     

基于递归神经网络的多变量系统预测控制

针对线性PID控制器系数难以整定的问题，构造了一种用神经网络实现的非线性PID控制器．多个具有相同结构的非线性PID控制器并联，对多变量系统实现解耦控制器．结合预测控制的思想，提出两种控制方案．第一种是在递归多步预测的基础上，在广义最小方差目标函数下实现控制，第二种利用多步预测目标函数在线修正解耦控制器的权值．仿真实验表明这两种方法的有效性．     

高指数非线性微分代数控制系统的解耦

讨论了一类高指数非线性微分代数控制系统的输入输出解耦问题,给出了使系统可通过静态反馈达到输入输出解耦控制问题的具体条件,并证明了解耦条件在正则静态状态反馈控制下的不变性．     

基于DRNN的三电机变频调速系统参数PID控制研究

三电机变频调速系统是一个多输入多输出、非线性、耦合的系统。针对电流跟踪型感应电机系统,以解析式的方式建立其数学模型。采用基于对角递归DRNN神经网络的自整定PID控制器,结合自适应神经元解耦补偿器的解耦控制技术,设计三电机变频调速系统神经网络控制器。基于S7-300 PLC控制平台进行实际的试验,结果表明,该方法能够根据外界环境信息变化获得最佳PID调节参数,较好的实现了速度和张力的解耦控制,系统具有良好的动静态性能和抗干扰能力。提出的方法满足了许多工业控制场合的需要,具有良好应用前景。     

基于模糊RBF神经网络整定的航空发动机多变量解耦控制

为解决航空发动机控制变量之间的强耦合性,构造了基于模糊RBF神经网络整定的航空发动机多变量解耦控制系统.设计了基于模糊RBF神经网络的多变量解耦控制器,在线调整PID控制器的参数并根据Delta学习规则对网络权值进行修正以达到最佳控制;针对某型航空发动机含未建模动态和噪声等随机干扰的非线性模型进行了多变量解耦控制系统仿真.结果表明:系统具有满意的动态性能和解耦特性,该方法不需要知道发动机的精确数学模型,对航空发动机的非线性和不确定性具有较强的自适应能力.     

基于神经网络的多变量非线性系统的广义预测控制

为了使广义预测控制的思想成功应用于多变量非线性系统,用神经网络对其进行开环解耦得到单变量非线性系统后,采用一种复合多层前馈神经网络结构作为单变量非线性系统预测模型,利用递推最小二乘法和Davidon最小二乘法作为在线学习算法,建立了一种适合多变量非线性系统的自校正广义预测控制器。     

多模型自适应前馈解耦控制器

当一类非最小相位系统参数发生跳变时，针对常规自适应控制系统暂态响应差的问题，提出一种基于多模型切换的多变量直接自适应前馈解耦控制器．该控制器由多个参数已知的固定控制器和2个自适应控制器构成．多个固定参数控制器可由系统参数模型通过映射直接得到，并且和邻域一起完全覆盖控制器参数模型集．通过加权多项式矩阵的选择，消除了稳态误差，实现了解耦控制，并给出了全局收敛性分析和覆盖性证明．仿真结果表明，暂态响应和解耦效果得到了提高。     

基于Elman型神经网络的空调负荷预测模型

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系，且这种关系具有动态性，因而传统方法的预测精度不高，而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点，建立了基于Elman型神经网络的空调负荷预测模型，并进行了实例预测。文中还比较了Elman网络和BP终结建模效果，仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点，说明Elman网络是一种新颖、可靠的负荷预测方法。     

基于神经网络的空间7R冗余机器人的运动模型辨识

针对空间冗余机器人运动学控制中正、逆运动学求解的复杂性，采用神经网络从两方面解决这一问题。一是从神经网络出发，提出了一种新的动态神经网络结构--状态延迟输入动态递归神经网络（SDIDRNN），提高了网络的学习速度；二是从辩识方案出发，以SDIDRNN为基础，在空间7R冗余机器人正、逆运动学模型辩识的问题上，设计了一种新颖的解耦辩识方案。将其与另外两种具有普通网络结构的辩识方案相比较，说明了该新方案具有更高的学习能力，辩识误差可降低到对比方案的40％-6％。由于学习速度的提高，达到设定误差时的训练次数大大减少，使该方案在机器人运动控制系统中的实时计算能力大大增强，为神经网络在机器人运动学控制中的应用提供了一条崭新的思路，具有重要的应用意义。     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.     

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。     

基于免疫遗传算法的递归模糊神经网络

为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性系统的映射.与高木-关野模糊神经网络相比,网络参数减少了45%,网络误差减少了65%,而网络的运行时间提高了近68%.T_RFNN仿真实验的辨识结果也表明,该网络在训练次数明显减少的情况下学习性能得到了显著改善.     

Observer Design Based on Self-Recurrent Consequent-Part Fuzzy Wavelet Neural Network

In this paper, we propose and construct an observer design based on a Self-Recurrent Consequent-Part Fuzzy Wavelet Neural Network(SRCPFWNN) for a class of nonlinear system. We use a Self-Recurrent Wavelet Neural Network(SRWNN) to construct a self-recurrent consequent part for each rule of the Takagi-Sugeno-Kang(TSK) model in the SRCPFWNN and analyze the structure of the fuzzy wavelet neural network model. Based on the Direct Adaptive Control Theory(DACT) and a back propagation-based learning algorithm, all parameters of the consequent parts are updated online in the SRCPFWNN. On this basis, we propose a design method using an adaptive state observer based on an SRCPFWNN for nonlinear systems. Using the Lyapunov function, we then prove the stability of this observer design method. Our simulation results confirm that the observer can accurately and quickly estimate the state values of the system.     

基于人工神经网络的遥感图像分类研究

随着人工神经网络系统理论的发展,神经网络技术日益成为遥感图像分类处理的有效手段,并有逐步取代最大似然法的趋势。本文重点讨论了遥感图像分类处理研究中应用效果显著的BP神经网络方法,并在MATLAB平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与最大似然法的分类结果进行了精度比较分析。结果表明基于BP神经网络的遥感图像分类效果是较好的,是一种有效的图像分类方法。     

人工神经网络在水泥喷粉桩承载力设计计算中的应用

对人工神经网络及BP（Back Propagation）网络模型作了简要介绍，并对水泥喷粉桩复合地基承载力及其影响因素的非线性关系进行了分析，提出利用地域已有水泥喷粉桩复合地基承载力及影响因素的资料建立代神经网络模型进行承载力的设计计算，通过实例验证，该模型可达到较理想的效果，可以实现水泥喷粉桩复合地基承载力的合理设计计算，为今后该类复合地基承载力的设计提供了可借鉴的方法。     

基于电信行业小波神经网络模型的应用

为对未来电信业务总量和各类用户数进行有效预测, 利用分析历年电信业务总量和各类用户数, 建立小波神经网络预测模型, 以提高预测精度。在神经网络预测模型建立中, 神经网络中的转移函数使用小波函数替代, 从而得到小波基神经网络系统; 通过对自适应学习速度和参数初始值选取的改进, 获得高几率初始参数并加快算法收敛速度。     

多变量系统的神经网络解耦新方法

利用前馈补偿的原理,设计了两种多变量系统的神经网络解耦方法·一种利用神经网络实现前馈补偿,使补偿以后的系统实现解耦,且解耦单变量系统具有原对象主通道的特性·第二种方法将解耦和神经网络逆动态控制结合起来,使对象的输出跟随对应输入值的变化·两种方法均可适用于多变量非线性系统