基于动态RBF神经网络在线辨识的单神经元PID控制

针对工业控制领域中复杂非线性时变系统,提出了基于动态RBF神经网络辨识的单神经元PID控制方法。采用动态RBF神经网络辨识器在线辨识系统模型,获得PID参数在线调整信息,并由单神经元PID控制器完成控制器参数的在线自整定,实现系统的智能控制。仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性。     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。     

一类高精度伺服系统基于模糊神经网络的复合控制

针对高精度伺服系统中存在的各种非线性及不确定性 ,提出了基于模糊神经网络的复合控制方法。控制器由前馈控制器和闭环反馈控制器组成。前馈控制器由零相差跟踪控制器 (ZPETC)及FIR滤波器构成 ,闭环反馈控制器采用模糊神经网络控制 ,包含一个辨识网络FNNI和控制网络FNNC。该控制方法结合了神经网络和模糊推理的优点 ,可以克服各种非线性和不确定性 ,明显提高跟踪性能 ,具有很好的鲁棒性。提出的模糊神经网络结构简单 ,推理算法易于实现 ,并且可以更合理地选择初始权值 ,加快了网络的收敛速度 ,在一定程度上解决了神经网络的实时性问题     

基于RBF网络非线性系统逆控制的一种设计方案

基于逆动力学控制的思想,提出一种RBF神经网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF神经网络结构和最近邻聚类算法,实现了对系统逆动力学模型的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题。仿真实验证明该控制策略不仅能使系统具有良好的动态跟踪性能和抗干扰能力,而且具有较强的鲁棒性。     

基于RBF辨识的伺服系统CMAC控制

提出一种基于RBF辨识的伺服系统CMAC复合控制器,并进行了仿真研究。采用RBF神经网络辨识被控对象模型,根据辨识结果调节单神经元控制器的参数,由单神经元PID控制器与小脑模型前馈控制器组成复合控制结构,通过搜索使控制器尽快地进入合适的参数空间,实现了控制的快速性要求。仿真结果表明,该控制方法能够缩短系统暂态响应时间,提高系统的动态跟踪精度,增加系统鲁棒稳定性。     

电液伺服系统的模糊径向基函数网络监督控制

针对电液伺服系统存在未知干扰力及参数时变等问题,提出一种新型的模糊径向基函数(简称RBF)神经网络的在线控制方法。该方法基于RBF网络与模糊推理系统的等价性,将模糊推理的思想引入RBF神经网络,从而为RBF隐层数目和中心位置初始化找到一种有效的途径,并采用Kohonen竞争学习机制在线调节网络参数,构成模糊自组织RBF监督控制策略。对典型电液位置伺服系统的仿真结果表明,该方法实时性强,具有良好的鲁棒性和跟踪性能。     

基于径向基函数神经网络的燃料电池温度非线性建模与预测

针对现有的熔融碳酸盐燃料电池（MCFC）模型过于复杂的弊端，本文应用RBF神经网络辨识方法建立了MCFC的温度非线性模型。简要分析了MCFC电堆的温度特性，讨论了应用RBF神经网络进行多输入／多输出非线性系统建模的主要问题，并详细给出了其辨识结构，算法和模型训练方案，应用仿真对建模的有效性和建模精度进行了检验，并与BP神经网络辨识的效果进行了对比，仿真结果证明RBF神经网络远比BP神经网络收敛得快，应用RBF神经网络辨识方法对MCFC电堆建模是可行的，它避免了用复杂的微分方程组来描述MCFC，通过神经网络可快速地得到其输入同特性，它为MCFC温度的在线预测和在线控制奠定了基础。     

基于RBF网络的BTT导弹逆控制研究

运用RBF神经网络结构和最近邻聚类算法,对导弹系统逆动力学系统进行动态模型辨识,并以辨识模型为控制器与BTT导弹控制系统串联构成一个动态伪线性系统,进而应用逆系统方法设计了一种用于解决BTT导弹非线性控制问题的经典控制与神经网络在线自学习相结合的控制方案,实现了导弹三通道的线性化控制和输出的渐近无差跟踪.仿真结果表明,该方案可依据设计指标的要求,实现对BTT导弹的非线性控制,且具有较强的鲁棒性.     

自适应反演滑模转台鲁棒控制器设计

针对未知非线性、外界干扰和参数摄动等不确定因素对实际转台控制系统的影响,提出了自适应反演滑模神经网络的转台鲁棒控制器设计。自适应反演滑模控制作为主控制器,RBF神经网络实现了不确定上界值的在线辨识。仿真结果表明,基于RBF神经网络的自适应反演滑模控制很好地克服对象的不确定性,实现控制系统的较强鲁棒性,适于高精度飞行仿真转台系统的实时鲁棒控制。     

过热汽温系统的RBF神经网络控制

采用RBF神经网络直接构成神经网络控制器，将在线学习和控制相结合，这种方法不需要增加另一个神经网络对系统进行在线辨识，也不需要预先确定神经网络控制器的结构。通过将该方法应用于电厂过热汽温系统的控制进行仿真研究并与常规PID串级控制系统进行比较，结果表明控制系统的性能得到较大的提高。     

船舶运动控制虚拟现实交互式仿真系统

提出并生成一种应用虚拟现实技术,可使仿真过程可视化的船舶运动控制交互式仿真系统。它使研究者可以在实验室环境下更好地研究船舶航向,航迹,减摇等船舶运动控制系统,直接获得系统的动态和静态特性,实现实时跟踪和监控船舶运动控制多种算法的可视化仿真过程。     

反弹道导弹动能拦截器的新型最优制导律

针对大气层外动能拦截器拦截弹道导弹的末制导过程 ,提出了一种新型最优制导律。由于采用了一种新的剩余时间计算方法 ,这种最优制导律产生的加速度指令可以通过拦截弹的轨控系统 (弹体纵轴方向无控 )实现。最后 ,采用新型最优制导律和传统比例导引律分别进行了拦截过程的计算机数值仿真 ,仿真结果表明了这种新型最优制导律的有效性。     

基于支持向量机的逆动力学模型辨识及应用

建立系统逆动力学过程模型已经成为许多非线性系统控制问题研究与实现中的关键问题。该文应用支持向量机(SVM)回归方法实现了对热工对象的逆动力学过程在线辨识,并通过三个典型的仿真算例对基于SVM的非线性系统逆动力学过程模型的有效性进行了考察。仿真结果表明,基于SVM的逆动力学过程模型不仅具有较高的辨识精度,同时还具有较为理想的泛化性能和在线跟踪能力;利用所建立的系统逆动力学过程模型能够获得恰当的控制作用,保证系统的输出按照给定的轨迹达到设定值。     

基于RBF神经网络的柔性机构动态响应辨识模型

通过神经网络技术对柔性机构复杂的非线性动态响应进行辨识,建立了柔性机构运动参数的辨识模型。利用径向基函数(radial basis function,RBF)神经网络优异的非线性逼近能力,建立了柔性机构动态响应的辨识模型。将机构的驱动力矩、阻尼力矩和非线性运动参数分别作为RBF神经网络的输入样本和期望输出样本。建立了RBF神经网络的拓扑结构,利用样本数据对其进行训练。通过空间站柔性展开机构模型进行动态响应的辨识,结果表明辨识的收敛速度快,精度高。该方法为复杂大系统的建模和分析提供了一种理想的途径。     

复杂工业过程多智能体协调Petri网模型

分析了复杂工业过程下的多智能体体系系统所面临的问题,探讨了有关多智能体系统的协调地,采用并行处理技术,建立Ｐｅｔｒｉ网模型,对复杂工业过程多智能体协调进行了模拟。     

分销网络RFID使能的CONWIP策略的仿真与优化

为了改善供应链分销网络的性能,本文将射频识别(RFID)技术应用到供应链管理中.依据单工厂多阶段生产过程中定量在制品法(CONWIP)控制策略的原理,设计了RFID使能的电子流通卡系统,实现了供应链分销网络RFID使能的CONWIP控制策略,并采用基于仿真的自适应全局最优和声搜索算法(SGHS)对策略中的参数进行优化,优化结果证明了SGHS方法的可行性,并通过与其它控制策略的仿真结果对比,验证了RFID使能的CONWIP控制策略在供应链分销网络中应用的有效性及优越性.     

Decentralized Variable Structure Control of Complex Giant Singular Uncertainty Systems

ＤｅｃｅｎｔｒａｌｉｚｅｄＶａｒｉａｂｌｅＳｔｒｕｃｔｕｒｅＣｏｎｔｒｏｌｏｆＣｏｍｐｌｅｘＧｉａｎｔＳｉｎｇｕｌａｒＵｎｃｅｒｔａｉｎｔｙＳｙｓｔｅｍｓ￥ＷｅｎＸｉａｎｇｃａｉ＆ＬｉｕＹｏｎｇｑｉｎｇ（ＤｅｐａｒｔｍｅｎｔｏｆＡｕｔｏｍａｔｉｏｎ，...     

Remarks on Network Community Properties

This paper discusses a popular community definition in complex network research in terms of the conditions under which a community is minimal, that is, the community cannot be split into several smaller communities or split and reorganized with other network elements into new communities. The result provides a base on which further optimization computation of the quantitative measure for community identification can be realized.     

大型变速风力发电机组的自适应模糊控制

控制技术是风力发电机组安全高效运行的关键。风力发电机组是复杂多变量非线性系统,具有不确定性和多干扰等特点。本文提出使用模糊逻辑推理系统得到低风速时的发电机参考转速,该方法无需测量风速,避免了风速测量的不精确性。根据机组的运动方程,采用最近邻聚类学习算法建立发电机电磁转矩自适应最优模糊控制,低风速时获得最大风能利用系数。算法综合考虑风力发电机组的机械特性和电气特性,系统辨识作为控制算法的一部分自动执行。高风速时,变论域自适应模糊控制器控制桨距角,机组能准确地保持在额定功率发电。仿真结果表明了本文提出方法的有效性。     

TSK动态网络及其在非线性动态系统中的应用

针对非线性动态系统特点，提出了一种新型的基于TSK模糊模型的动态回归模糊神经网DRFNN（Dynamic recurrent fuzzy neural networks），并给出了网络参教的迭代算法和基于李亚普诺夫稳定理论的收敛性证明。该动态回归网络由静态网络和内反馈动态回归网络组成，在结构上更好的拟合了非线性动态系统特点，应用于非线性动态系统的辨识和控制的试验结果也说明该动态回归模糊神经网络对解决非线性动态系统辨识和控制问题的有效性。