基于神经网络的非线性动力系统控制研究

基于改进BP神经网络,建立了一种自适应在线控制模型,并且该控制方法应用到离散非线性动力系统和倒立摆系统控制问题。为了避免BP神经网络在训练过程中的目标函数局部极小值问题,提出了一种基于BFGS优化算法的神经网络训练方法。与其它控制方法相对比,所提出的基于神经网络的倒立摆控制方法具有较高的控制精度。通过离散时间系统的控制模拟和倒立摆模型系统的控制两个算例,验证了所提出的控制方法的具有有效性和很好的控制效率。     

基于增强学习规则的倒立摆模糊神经网络控制器

为实现模型未知、初始时有脉冲输入的车上单级倒立摆镇定控制,提出了一种采用增强学习规则训练的模糊神经网络控制器。以神经网络构造基于T-S(Tankagi-Sugeno)规则的模糊控制器;用3层前馈网络组成预测器进入仿真,得到倒立摆状态并计算状态预测值,再将状态和状态预测值组成训练数据对,训练状态预测BP(Backward Propagation)网络;利用增强学习的方法训练模糊控制器,根据神经网络产生的模糊控制量和倒立摆状态预测,做出控制决策。此方法简化了模糊控制部分参数调整,亦可应用于其他无模型控制。实验证明,控制器鲁棒性良好,即使在倒立摆参数变化较大时,控制器仍能维持倒立摆平衡。     

基于BP神经网络特定学习的单级倒立摆控制方法

利用BP神经网络的特定学习算法，以单级倒立摆为控制对象设计一个四输入／单输出、包含5个隐层单元的3层BP神经网络控制器，提出一种新的单级倒立摆控制方法，然后通过Matlab6．5数值计算软件对这种新的单级倒立摆控制方法进行仿真．仿真结果表明，该方法具有较好的收敛性，是一种有效的控制方法．     

三级倒立摆的GA-PIDNN系统辨识

针对典型的不稳定、多变量、非线性、强耦合的三级倒立摆系统,建立了基于GA优化的PID神经网络(GA-PIDNN)辨识结构,完成了GA与BP两种算法的简单对比,并给出了MATLAB仿真结果.结果表明,GA-PIDNN对于非线性三级倒立摆的辨识是有效的,且GA优于BP算法.     

一种简易的倒立摆控制实验系统

利用旧式针式打印机的横向走行结构，作为倒立摆的基本机械结构，设计并制作一种简单可行的低成本倒立摆实验系统。在此基础上，对其控制电机和主控电路加以重新设计，并设计控制算法，使之能够实现对倒立摆的控制。经实验验证收到了一定的控制效果。本系统可应用于演示倒立摆控制，或验证控制算法。     

一类非线性系统的广义预测控制

将广义预测控制应用于Hammerstein模型描述的非线性系统,得到了一类非线性系统的广义预测控制算法.仿真结果表明,该算法具有较强的鲁棒性.     

基于二级倒立摆的自适应神经网络模糊控制

针对二级倒立摆系统,提出了一种先进的智能控制策略．该种方法采用BP算法与梯度下降法结合的混合算法对Takagb-Sugeno模糊模型中的前项及后件参数进行优化修正,在已获得的客观输入输出数据对的基础上,提出一种基于自适应神经网络的模糊推理系统ANFIS来对倒立摆系统进行建模和控制．仿真结果表明,所提出的设计方法是正确的和可行的．     

模糊神经网络控制倒立摆系统

对单级倒立摆进行了详细的受力分析。通过建立模糊规则，构造模糊神经网络系统，运用BP算法对系统进行训练，并用这一网络对倒立摆进行控制。仿真结果表明，模糊神经网络有很广阔的适用领域。     

带误差补偿的GPC对网络控制系统时延的解决

针对网络控制系统(NCS)具有不确定时延的特性，提出了将广义预测控制(GPC)应用于网络控制系统的思想。为了克服模型失配和系统不确定性的影响，基于BP神经网络建立一个误差的预测模型，用误差预测值对输出预测值进行补偿，构成新型的广义预测控制算法，并采用了平滑滤波的加权输入控制律。在网络控制系统中，测试了网络数据传输的随机延迟时间特性，比较了GPC和具有BP网络预测误差补偿的GPC两种控制方法，验证了具有BP网络预测误差补偿的GPC在模型失配时的更好的控制性能。     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法,在该算法中,先用BP神经网络辨识对象模型,同时预测对象的未来输出,然后用动态矩阵控制算法进行滚动优化和反馈校正.该方法解决了非线性、时变对象难以建模及控制的问题,又保留了常规预测控制的优点,是一种比较好的、有着广阔应用前景的新型控制算法.仿真结果验证了这一新型算法的可行性.     

软计算技术在倒立摆系统中的应用

基于软计算技术的混合控制方法汇集了模糊逻辑与神经网络各自的优点,集学习、联想、自适应于一体,并将基于自适应遗传算法的模糊神经网络控制用于单级倒立摆系统中. 结果表明,新型的智能混合控制器比传统的模糊控制器具有响应速度快、鲁棒性强等优点.     

Improved Marquardt Algorithm for Training Neural Networks for Chemical Process Modeling

IntroductionResearch on artificial neural networks(ANN) hasmade great progress during the past few years.Neural networks have been widely used in chemicalprocesses.Among all kinds of networks,the back-propagation (BP) network is the most commonchoice forits high capability of nonlinear mapping,study and classification. Through adjustingnetwork weights according to samples,the BPnetwork can simulate systems with complexnonlinear mapping relationships,such as chemicalprocesses.　The most com…     

神经网络在广义预测控制中的应用

利用ＢＰ神经网络技术把多变量系统解耦为单变量系统,并推导出基于ＡＲＭＡＸ模型的隐式ＧＰＣ算法。用此算法控制解耦后的系统。     

基于改进型BP神经网络的油井产量预测研究

为了保证油田生产持续稳定地发展,针对油田单井产量提出了基于改进型BP神经网络的预测模型。对传统的BP神经网络的结构和训练算法进行了研究,发现它存在易于陷入局部极小,收敛速度慢等问题。提出了使用LM算法的改进型BP神经网络。最后给出了基于改进型BP神经网络的单井产量预测模型仿真实验。结果证明该算法的实用性和可行性,在油井产量预测方面有一定的实用价值。     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法 ,在该算法中 ,先用BP神经网络辨识对象模型 ,同时预测对象的未来输出 ,然后用动态矩阵控制算法进行滚动优化和反馈校正。该方法解决了非线性、时变对象难以建模及控制的问题 ,仿真结果验证了这一新型算法的可行性