基于递归神经网络的伺服系统自适应反步控制

针对伺服系统的系统参数摄动和非线性动态摩擦补偿问题,提出基于递归神经网络(RNN)的自适应反步控制(RNABC)系统设计方法.RNABC系统由反步控制器和鲁棒控制器组成,反步控制器包含RNN不确定观测器,鲁棒控制器则用来消除由于引入不确定观测器而带来的逼近误差.由于自适应反步控制的自适应律源于Lyapunoy函数的,因此系统的稳定性得到了保证.仿真结果表明,对于系统参数摄动和非线性摩擦干扰RNABC能使伺服系统具有很好的跟踪性能.     

高精度磁悬浮反作用飞轮自适应神经网络控制

针对磁悬浮反作用飞轮存在的干扰噪声以及非线性等问题,设计了自适应神经网络机构,实现了对磁悬浮反作用飞轮的稳定控制,并利用其能够逼近复杂的非线性函数和自学习能力等特点,实现了对磁悬浮反作用飞轮系统的噪声抑制作用及非线性补偿。对某磁悬浮飞轮系统的仿真研究表明,该控制机构可有效消除飞轮系统的干扰噪声,抑制控制对象的非线性,提高磁悬浮反作用飞轮的控制精度。     

基于神经网络的伺服系统控制研究

采用神经网络方法设计伺服系统逆动态控制器。判定了一类非线性伺服系统的可逆性。设计开环和闭环网络权值训练方案,使用Ａｌｏｐｅｘ随机学习算法在线训练对象逆动态模型。进行了基于反馈误差学习方法的伺服系统实时控制器设计,仿真结果表明神经网络方法辨识和控制伺服系统的有效性。     

神经网络在转台控制系统设计中的应用

针对三轴飞行仿真转台中环电液伺服系统的非线性、参数时变性以及转台的快速性要求，给出了一种具有并行结构的单个神经元PID模型参考自适应控制方法。其中环利用神经网络逼近被控对象，控制器采用单个神经元PID。仿真结果表明该方法满足系统快速性的要求，并具有较好的鲁棒性。     

电液系统神经网络自适应控制的研究

提出一种采用神经网络非线性系统控制的结构及原理．即采用两个ＢＰ神经网络,一个用来对被控系统进行在线辨识,另一个用做非线性自适应控制器．并对具有未知外部负载干扰的电液位置伺服系统进行了动态仿真,讨论了神经元激励函数形状因子、神经网络节点数以及神经网络训练次数对控制系统性能的影响     

高精度飞行仿真转台的鲁棒自适应控制

针对高精度直流伺服系统,提出一种基于Lyapunov直接法的鲁棒模型参考自适应控制方法.在算法中,通过调节增益系数,以适应系统中参数的变化,通过引入鲁棒补偿项,实现对摩擦环节的补偿,使得在具有参数不确定性和未知非线性摩擦特性的情况下,跟踪误差渐进收敛于零.并以三轴转台为例,进行了数值仿真,其结果表明该方法的有效性和鲁棒性.     

基于NDO的飞行模拟转台伺服系统跟踪控制

针对飞行模拟转台伺服系统跟踪控制问题,提出了一种基于非线性干扰观测器(nonlinear disturbance observer, NDO)的反推全局滑模控制方案。该方案利用NDO观测系统的参数不确定性及非线性摩擦干扰,通过选择适当的设计参数使观测误差指数收敛,进而对引入NDO的系统采用反推全局滑模设计控制器,控制律的设计保证了闭环系统的稳定性。仿真结果表明,所提控制方案能够有效克服参数不确定性及非线性摩擦干扰的影响,实现了转角位置的精确跟踪,并且有效去除了控制抖振。     

网络流量的神经网络自适应Smith预估补偿控制

网络的时延对基于速率反馈的ATM网络的ABR流量控制具有极大的不利影响，Smith预估补偿是克服大纯滞后影响的有效手段，然而其对时延的预估误差非常敏感，实际网络时延的不确定性往往使其难以取得满意的效果。该文将在线学习的神经网络自适应控制器与Smith预估补偿相结合，很好地克服了网络的时延及其不确定性对流量控制的不利影响，从而使信源的发送速率能快速响应网络状态的变化。与PIDSmith预估补偿控制相比，控制的适应性和鲁棒性更好，更适用于实际网络，且为保证信元不溢出及链路带宽充分利用所需的缓冲容量更低。     

一类径向基神经网络干扰观测器轨迹线性化控制

利用径向基神经网络(RBFNN)的逼近能力,研究了基于径向基神经网络干扰观测器(RDO)的鲁棒自适应轨迹线性化控制(TLC)策略,以解决空天飞行器复杂飞行条件下系统不确定及干扰的控制问题。分析了系统存在不确定性时轨迹线性化控制方法性能降低甚至失效的原因,设计了自适应调节律,并采用Lyapunov方法严格证明了在该自适应调节律作用下闭环系统所有误差信号最终有界。仿真结果表明,较当前TLC方法的控制性能,新方案在空天飞行器系统上具有更优异的控制性能和鲁棒性。     

一种模糊神经网络自适应预测控制方案的研究

针对现有模糊推理方法的缺点,结合神经网络的学习能力和插值能力,提出了一种新型的模糊神经网络结构。在此基础上设计了一种模糊神经网络自适应预测控制方案,并导出了相应的学习算法。同时引入了预测误差的智能补偿,以提高预测及控制精度。仿真实验表明,该算法能实现模糊控制和神经网络控制的优势互补,在非线性复杂系统的控制方面具备较高的性能。     

Speed-Sensorless Control Using Elman Neural Network

1. INTanDUCTIONControlling induction motor without sensor is available nowadays. In order to aclileve two-level closed lOops,i. e., digital current lOop and digital speed loop, it is necessary to sense.and digitize the motor phase currentand motor speed. Howver, the sensors involved have the followillg disadvantages. First, they aJre eXPensiveand make up a significan portion of the total cost. Second, they may result in electrical or mechaulcal fault.Based on speed estimation, it is pos…     

基于状态观测器的非线性系统神经网络自适应控制

结合高增益观测器,针对相对阶为n的非线性系统,设计了神经网络自适应控制器。利用Lyapnov定理获得了神经网络权值的更新律和控制器的控制律,从而确保了整个闭环系统的稳定性和有界性。由于神经网络不需任何的离线训练,因而该控制器能够广泛应用于一大类非线性性系统的控制中。仿真结果验证了控制方案的有效性。     

基于模糊神经网络的ATM网络连接接纳控制

ATM网络的业务量控制是ATM网络中的关键技术之一.连接接纳控制是业务量控制的一种,对业务源进行预防式控制.本文采用模糊神经网络算法对ATM网络进行连接接纳控制,仿真结果表明它比传统的算法有更好的效果.     

Using RBF Neural Network for Optimum Control of a Cold Storage

1. INTRODUCTIONThe predictive optimum control of cold storage temperature has found a wide applicationin agricultural engineering, especially for keeping fruits and vegetables fresh by cold storage.All of the currently-used temperature control units face the problems on how to choose theoptimum temperature as the controlled object, how to predicte the temperature variation ofthe refrigerating storehouse and how to realize the optimum control. A lot of study effortshave been made. The earl…     

多区域变风量空调系统神经网络预测控制研究

总风量控制法自提出后,由于末端动作频繁、通信量大、控制复杂而一直处于研究完善阶段.在分别对表冷器的PID控制系统和空调室的神经网络预测控制系统得出满意的动、静态性能的基础上,应用总风量控制法,对多区域变风量空调系统联动控制.在MATLAB环境下仿真表明系统达到了良好的控制效果.     

基于神经网络的自抗扰控制器

将神经网络与自抗扰控制器相结合,提出一种新的控制器,并深入分析了该控制器结构。仿真研究表明,该控制器较单一的自抗扰控制器具有参数适应性更大、动态特征更好等优点。     

活性污泥污水处理系统的模糊神经网络控制

针对中、小型污水处理厂的实际情况，在对活性污泥污水处理系统机理模型研究的基础上提出一种控制模型。在对系统进行性能分析与综合的基础上，提出了应用于该控制模型的模糊神经网络控制器。通过仿真实验表明，该控制器能够自动调整隶属度函数、动态优化控制规则，将其应用于活性污泥污水系统具有快速性与有效性，比基于规则的传统模糊控制具有更强的鲁棒性，可以获得良好的控制性能。     

基于干扰观测器的轮廓误差耦合控制研究

针对多轴运动的轮廓误差，提出了基于干扰观测器的轮廓误差耦合控制。该方法通过构造干扰观测器来预测各单轴系统的内部和外部干扰，并根据预测到的干扰信息对各轴进行补偿以消除干扰对系统的影响。考虑到系统的动态特性，拟采用模糊神经网络对干扰信号进行动态分配，并依据轮廓误差耦合控制思想补偿到各轴，达到轮廓误差最小控制。而文章采用遗传算法对网络进行训练以加快网络训练速度，且不易陷入局部最小。仿真结果证明其可行性与有效性。     

DC-DC变换器的模糊神经网络控制方法研究

提出了一种新型的模糊神经网络串联式结合方式。这种串联型模糊神经网络具有模糊控制的结构简单、使用方便的特点，同时又利用了人工神经网络的聚类功能，使整个控制器又具备人工神经网络的自学习能力。仿真试验表明该控制方法对于复杂的全桥式串联共振型DC—DC变换器具有良好的控制效果，整个模糊神经网络控制器的设计过程不仅避免了传统控制器的繁琐的参数调节过程，而且又避免了传统模糊神经网络控制器设计的复杂性。