改进的Elman网络在非线性系统辨识中的应用

通过对Elman网络的研究,提出一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络,给出Elman网络的标准BP学习算法,针对标准BP算法的收敛速度慢和容易收敛于局部极小点的缺点,利用非线性动量项自适应变步长的BP算法进行改进,从而提高算法的收敛速度,避免陷入局部极小点的问题.通过在系统辨识中的应用,表明该网络收敛速度快,模型精度高,并具有较强的自适应性和鲁棒性,适合于动态系统的实时辨识.     

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。     

一种非线性系统参数辨识的耦合算法研究

针对工程复杂性、时变性、非线性的特点,提出了基于混沌免疫粒子群算法(CIPSO)与El-man神经网络的耦合算法(CIPSD-ENN),用于非线性动态模型参数辨识.CIPSO优化算法将人工免疫系统中的克隆选择和混沌优化机制引入粒子群算法,在粒子群种群进化过程中,该算法对粒子进行克隆选择,提高其收敛速度,对克隆后的粒子混沌变异以增强种群局部搜索能力.最后,CIPSO与动态反馈型Elman神经网络融合,对其权值、阈值寻优,建立了基于CIPSO和ENN的耦合算法系统辨识模型.实验结果表明,算法具有收敛速度快、收敛精度高、鲁棒性强的特点,与单纯Elman网络辨识相比,模型收敛速度提高了10倍,拟合精度提高了2个数量级.     

基于Elman网络补偿模型的Smith预测控制

研究基于Elman网络补偿模型的Smith预测控制问题.采用互补建模方法对被控对象进行建模,其中机理模型反映被控对象的主要工作规律和运行趋势,但不可避免地存在一定的模型误差;通过Elman网络拟合机理模型的模拟误差,并对其进行补偿.实验结果表明,基于Elman网络补偿模型的Smith预测控制充分利用了神经网络的非线性拟合能力,只要对纯滞后环节精确建模,就可以完全抵消该环节对控制品质及系统稳定性的不利影响.该方法使得Smith预测控制可以用于模型不易精确确定的系统.     

基于动态反馈神经网络的复杂系统预测控制

在分析基于动态反馈神经网络(DRNN:Dynamic Recurrent Neural Network)的模型预测控制策略的基础上,为改善Elman网络辨识高阶系统时的计算复杂性,采用具有局部动态反馈特性的Elman网络进行线性系统状态空间模型的在线辨识.基于跟踪器型性能指标的预测控制器对系统进行滚动优化,并对动态反馈神经网络逼近状态空间模型进行了证明.对过程控制装置三容系统进行了仿真研究,通过离线训练方式获得网络初值的选择.仿真结果表明,此算法能使系统的输出保持期望轨迹,并能有效处理系统本身的输入、输出约束条件.     

改进型Elman神经网络在炉温控制系统建模中的应用

介绍一种基于改进型Elman神经网络的系统辨识方法,并将其应用于电加热炉温度控制系统的系统辨识.该系统具有典型的长时延、慢时变、非线性、强干扰分布参数系等特征,并与传统Elman及BP(Back Propagation)网络相比.实验结果表明:该方法适合于高阶动态系统且辨识效果较理想.     

纳入雷诺数修正的GA-Elman算法对EGTM的研究

为进一步减小排气温度裕度计算误差,对发动机起飞排气温度裕度基线观察值和雷诺数影响系数进行了多元非线性拟合,提出了利用雷诺数影响系数修正排气温度（Exhaust Gas Temperature,EGT）基线观察值的方法,将雷诺数影响系数加入神经网络的输入层,利用遗传算法（Genetic Algorithm,GA）优化Elman网络模型,建立排气温度裕度（Exhaust Gas Temperature Margin,EGTM）的预测模型。通过结合飞行数据计算,对比多元非线性拟合以及Elman网络模型和基于Elman网络优化的GA-Elman模型的计算误差效果,得出实验结果：GA-Elman对EGTM计算精度更高,鲁棒性更强。     

机械手动态T-S神经模糊H∞控制器设计

机器人是强耦合的非线性动力学系统.为了设计其控制器,利用动态神经模糊系统对非线性H∞控制问题进行了研究.在传统的T-S神经模糊系统基础上,将延迟反馈和记忆单元引入其中,并针对此网络推导了相应的动态BP训练算法.利用此网络可以有效反映机器人等非线性系统的动态性能,克服了静态神经网络无法有效表示动态系统映射关系的缺点.在此模糊模型的基础上,采用H∞方法研究了系统控制器的设计.最后以倒立摆为例的仿真试验表明此控制器具有良好的鲁棒性.     

输出误差约束下冷轧厚控系统的模糊反步控制

针对冷带轧机液压厚控(HAGC)系统易受外界扰动且存在测量时延的问题,提出基于障碍Lyapunov函数的模糊反步控制策略.首先,将HAGC系统模型转化为严反馈系统,并将系统中的测量时延转化为输入时延.其次,设计辅助系统补偿系统中的输入时延;利用模糊逻辑系统和干扰观测器分别处理系统的非线性项和未知综合不确定项;为了保证系...     

基于轴间驱动力分配的汽车操纵稳定性控制方法研究

建立了基于扩展Elman网络的四驱电动汽车变速转向预测模型,以系统辨识的方法建立了该神经网络的非线性自适应预测控制器,经前后轴纵向力分配比例的反馈,借助对轴间驱动力分配的控制对车辆的稳定性控制问题进行了研究。仿真分析表明,这一方法能有效改善车辆侧向动力学稳定性。     

非线性动态传感器系统 Hammerstein神经网络补偿法

针对传感器动态特性中存在非线性的问题,提出一种基于Hammerstein传感器模型的非线性动态神经网络补偿法。先将补偿模型分解为与Hammerstein模型对应的线性动态与非线性静态2个环节;再设计一种新型的神经网络结构,使网络权系数对应于相应的Hammerstein补偿模型参数,并推导反向传播的网络权系数调整方法;最后通过网络迭代训练,求得补偿模型的线性动态与非线性静态两个环节。仿真与实际实验结果均表明该传感器非线性动态补偿方法使传感器具有理想的输入输出特性。     

伪线性神经网络

给出了多输入－多输出（MIMO）的伪线性神经网络（PNN）结构与模型。PNN的构成是基于Gain-schedu-ling 控制技术与扩展线性化方法。还讨论PNN的递推预报误差的二阶学习算法（RPF）和训练过程中，并通过对多变量、强耦合的非线性加热炉的动态建模,证明了用PNN建模，效果良好，且具有训练参数少，收敛 速度快，准确性高等良好性能。     

多层递归神经网络自适应控制及稳定性分析

提出一种基于多层归神经网络的自适应控制离散时间系统的方法,使用多层递归神经网络及新的动态ＢＰ算法（ＤＢＰ）描述未知系统的输入／输出关系。基于此神经网络模型,提出一种自适应控制方案,并对该方案的闭环稳定性进行了分析。     

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。     

MIMO准线性神经网络的研究与建模

给出了多输入－多输出（MIMO）的准线性神经网络（PNN），采用递推预报误差的二阶算法作为训练方法，讨论了PNN的收敛性，通过对多变量、强耦合的非线性加热炉的动态建模，表明这种神经网络建模方法具有效果良好、参数少、收敛快且准确性高的特点。     

基于动态神经网络的一类非线性组合系统自适应控制

针对一类非线性组合大系统,提出一种用动态神经网络逼近组合大系统的新型设计方法·首先由动态神经网络辨识非线性组合大系统,也就是利用动态神经网络逼近系统的未知项和互联项,其次设计控制器使实际系统的状态来跟踪参考模型的轨迹·利用Lyapunov稳定性理论保证跟踪误差和其他信号是最终一致有界的·通过一个非线性系统例子的仿真证明这种设计方法的可行性·这种设计方法能够解决大系统中最为复杂的互联项问题,得出基于神经网络的自适应控制律·     

基于结构的神经网络在液压缓冲器建模中的应用

分析了液压缓冲器的结构及其动态工作过程，介绍了基于结构的神经网络建模方法．该建模方法根据系统结构组成特点将复杂系统分解为相互关联的简单子系统，用函数链神经元分别建立子系统模型，然后根据子系统间固有的连接关系将子系统神经元模型连接成一个网络，所得网络模型即为原系统模型．应用该方法建立了52SFZ—140—207B液压缓冲器的动态模型．结果表明，基于结构的神经网络建模方法对复杂非线性系统建模是有效的．     

非线性动态网络的通用分析方法与故障诊断

基于规范式分段线性化总体表达式并应用网络的一些基本知识,列出了非线性动态网络规范式分段线性化方程组.用该法分析动态网络无需计算响应跨越边界的时间,并能将整个动态过程的计算转化为代数的递推运算.在动态网络响应易于用计算机仿真的基础上,提出了基于小波-神经网络的非线性动态网络故障诊断的基本思想.     

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     

摆式客车倾摆控制系统神经网络预测控制

考虑伺服电机及机械系统的非线性对车体倾摆的影响，并包括伺服电机的饱和非线性特性的影响在内，采用神经网络方法对非线性特性的动态系统的输入输出关系进行辨识研究，建立摆式客车伺服系统神经网络非线性模型；提出在摆式客车中运用神经网络预测控制结合鲁棒控制的复合控制系统，解决这类非线性系统的控制问题，即应用神经网络进行辨识及预测控制．研究表明，从理论及工程应用角度看神经网络预测控制都是切实可行的，为在摆式客车倾摆控制系统中应用神经网络预测方法提供了一个新的方向．