一类神经网络观测器的设计及应用

为了减少小波神经网络(Wavelet Neural Network,WNN)的母小波与神经元数,在WNN模型修正的基础上提出了一种能够储存小波上一步信息由自反馈神经元组成的自回归小波神经网络(Self Recurrent Wavelet Neural Network,SRWNN);在分析了这种网络的结构形式后,提出了一类非线性系统的神经网络自适应状态观测器设计方法,并通过引入Lyapunov函数,证明了这种观测器设计方法的正确性;最后,将这种观测器设计方法用于航天器机械手的反演控制,根据SRWNN观测器的估计状态值,应用反演控制理论设计控制器,能够很好地实现系统状态观测,实现无需速度的信号跟踪。     

执行器故障检测的神经网络观测器方法

针对一类非线性系统,提出了一种用于执行器故障检测的神经网络观测器方法·这种非线性系统具有未知非线性函数,不需要满足结构匹配条件,并且不要求系统状态可测·观测器利用神经网络器逼近系统中的未知非线性项,提高了状态估计的精度·估计的残差提供了故障检测的手段,另一方面利用自适应律进行故障的识别·基于李亚普诺夫方法,从理论上证明了状态估计误差稳定且渐近收敛到零·最后,仿真结果表明该方法的有效性·     

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，     

基于多级观测器的液压伺服系统自适应故障检测与隔离

针对传统的基于固定阈值的故障检测及诊断方法虚警率高,无法有效实现液压伺服系统的故障检测与隔离,提出了一套基于多级观测器的液压伺服系统自适应故障检测与隔离方法。首先,采用第1级RBF网络作为液压伺服系统观测器,通过比较观测器估计输出值与实际系统输出得到残差信号。其次,采用第2级RBF神经网络产生自适应阈值,实现了液压伺服系统自适应故障检测。最后,采用小波包分析提取残差信号特征,利用第3级RBF神经网络实现系统的典型故障隔离。实验结果表明,利用多级观测器模型能够有效实现液压伺服系统的自适应故障检测及隔离。     

一类非线性不确定系统的滑模观测器设计及其在故障检测中的应用

研究了一类非线性部分满足Lipschitz条件的非线性不确定系统的鲁棒滑模观测器的设计问题。提出了一种将Thau观测器与Walcott-Zak观测器结合的非线性鲁棒滑模状态观测器设计方案,并利用Lyapunov定理证明了状态观测误差最后一致收敛于一个紧集。将所设计的滑模观测器应用于故障检测,仿真实验结果验证了该方法的有效性。     

非线性摄动时滞系统故障诊断

针对一类含有未知输入和非线性摄动的状态时滞系统,采用基于自适应观测器的故障诊断系统的设计方法,以线性矩阵不等式的形式给出此问题解的存在条件及求解算法,并论证了系统的鲁棒稳定性,给出了对故障检测具有高灵敏度、零误报率的阚值判断公式.设计的自适应观测器具有双重功能:首先作为故障检测观测器能够检测出故障的发生,然后作为故障诊断观测器能够理想地估计出故障随时间的变化曲线.此算法既能诊断突变故障,又能诊断缓变故障.仿真结果表明算法具有良好的诊断性能.     

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。     

一种新的自适应状态观测器设计方法

利用模糊系统的径向高斯函数网络对一类非线性变系统的状态进行了估计。给出了一种递阶自组织在线学习算法，提出了非线性时变系统的自适应状态观测器，并对其结构及特征进行了讨论。仿真结果表明这种自适应状态观测器能很好地观测系统的状态。     

电力设备基于小波神经网络故障检测方法的仿真研究

提出了一种基于小波神经网络非线性观测器的故障检测方法。它是将规范正交的小波函数作为基函数网络中的基函数,得到小波神经网络。通过小波的去噪和神经网络的自学习功能,获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判决,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法的有效性。     

基于观测器的非线性系统神经网络自适应控制

针对一类单输入单输出非线性不确定系统,基于状态观测器并结合自适应神经网络和滑模控制,提出一种稳定的间接自适应神经网络输出反馈控制算法.该算法不需状态可测的条件,并能保证系统稳定.仿真结果表明了该方法的有效性.     

Design of Fault Detection Observer Based on Hyper Basis Function

In this paper, we propose the Hyper Basis Function(HBF) neural network on the basis of Radial Basis Function(RBF) neural network. Compared with RBF, HBF neural networks have a more generalized ability with different activation functions. A decision tree algorithm is used to determine the network center. Subsequently, we design an adaptive observer based on HBF neural networks and propose a fault detection and diagnosis method based on the observer for the nonlinear modeling ability of the neural network. Finally, we apply this method to nonlinear systems. The sensitivity and stability of the observer for the failure of the nonlinear systems are proved by simulation, which is beneficial for real-time online fault detection and diagnosis.     

基于小波神经网络的输电线路故障检测

在分析了小波函数时频特性和人工神经网络学习能力和算法鲁棒性的基础上，提出了一个利用小波神经网络检测电力系统输电线路故障的方法。理论分析和基于EMTP仿真测试结果表明，该小波神经网络故障检测模型和算法是有效的，与传统的人工神经网络相比，具有收敛速度快，鲁棒性强的特点。     

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QPSO小波神经网络的网络异常检测

为了提高网络异常检测中,对异常状态的检测率,降低对正常状态的误判率,提出一种基于量子粒子群优化算法训练小波神经网络进行网络异常检测的新方法.利用量子粒子群优化算法(QPSO)训练小波神经网络,将小波神经网络(WNN)中的参数组合作为优化算法中的一个粒子,在全局空间中搜索具有最优适应值的参数向量.实验数据采用KDD CUP99数据集,实验结果表明:该学习算法与传统的梯度下降法(GD)和粒子群算法(PSO)相比,收敛速度快,具有更好的全局收敛性,提高了异常检测的准确性,同时该方法对于新的异常也有较高检测率.     

基于自适应神经网络的非线性系统的智能故障诊断

针对一类模型未知的非线性系统,提出了一种基于自适应神经网络的故障诊断方法,用RBF神经网络构造了状态估计器和故障估计器,解决了非线性系统状态不可测时的故障诊断问题。并用Lyapunov方法研究了故障误差和状态误差的收敛性,结果表明了该方法实用、有效。     

结合遗传算法和阻尼牛顿算法的小波神经网络入侵检测

小波神经网络结合了小波变换和神经网络的优点,具有很强的非线性映射能力和自适应、自学习能力,特别适合于入侵检测系统.但小波神经网络的也有易于陷入局部极小值、收敛速度慢的弱点.对此,本文引入遗传算法来优化产生小波神经网络的初始权值与阈值等,确定一个较好的搜索空间,从而克服小波神经网络易于陷入局部极小值的缺点;同时引入了阻尼牛顿算法,在遗传算法所确定了的搜索空间中对网络进行快速训练,解决传统小波神经网络收敛速度慢的问题,两者构成阻尼牛顿-遗传-小波神经网络.仿真结果表明该方法可行,使神经网络的逼近能力和泛化能力得到了显著提高.