神经元自适应PSD控制器在直流调速系统中的应用

在神经元ＰＳＤ控制器的基础上，给出了一种改进的神经元自适应ＰＳＤ控制算法，这种改进的算法能够根据控制过程中的误差变化改变神经元的权值增益，进一步提高控制器的自适应能力。对基于改进神经元自适应ＰＳＤ控制器的直流调速系统进行了仿真研究，并与普通神经元ＰＳＤ算法进行比较，结果表明该系统具有良好的动、静态性能，很强的鲁棒性和自适应能力。     

神经元自适应PSD控制器在直流调速系统中的应用

在神经元PSD控制器的基础上 ,给出了一种改进的神经元自适应PSD控制算法 ,这种改进的算法能够根据控制过程中的误差变化改变神经元的权值增益 ,进一步提高控制器的自适应能力 对基于改进神经元自适应PSD控制器的直流调速系统进行了仿真研究 ,并与普通神经元PSD算法进行比较 ,结果表明该系统具有良好的动、静态性能 ,很强的鲁棒性和自适应能力     

一种改进的Smith预估补偿方法

在常规Ｓｍｉｔｈ预估补偿算法控制结构的基础上,进行适当改进,使用模型参考自适应辨识方法,把控制对象与模型间的差异用增益来补偿,得模型失配条件下的Ｓｍｉｔｈ预估补偿控制效果接近于模型精确条件下的控制效果,仿真结果表明,在存在模型偏差时,提出的方法能大大改善Ｓｍｉｔｈ预估补偿 动态性能,且对外扰具有很好的抑制作用。     

一种改进的Smith预估补偿方法

在常规Ｓｍ ｉｔｈ 预估补偿算法控制结构的基础上,进行适当改进,使用模型参考自适应辨识方法,把控制对象与模型间的差异用增益来补偿,使得模型失配条件下的Ｓｍ ｉｔｈ 预估补偿控制效果接近于模型精确条件下的控制效果．仿真结果表明,在存在模型偏差时,提出的方法能大大改善Ｓｍ ｉｔｈ 预估补偿控制的动态性能,且对外扰具有很好的抑制作用．     

基于变增益迭代学习算法的多元间歇精馏控制

面对多元间歇精馏过程的多阶段操作和非稳态运行特点以及高稳定性和高精度的控制需求,传统的反馈控制一般难以确定最优的回流比操作方案.针对该问题,在传统P(比例)型迭代学习控制(itecative learning control,ILC)算法的基础上,提出了一种学习增益沿批次指标自适应调整的变增益P型ILC算法.该算法能够保证间歇精馏过程在不同的操作时刻沿批次指标具有平衡的学习效率,从而提高过程控制性能沿批次指标的收敛速度.以Aspen Batch Distillation(ABD)软件系统中的一个三元间歇精馏模型为实际控制对象,对所提出的变增益P型ILC和传统PID控制以及P型ILC 3种控制方案进行了控制性能的仿真和比较,仿真结果证明了该控制算法不仅计算简单,同时比传统P型ILC算法具有更快的收敛速度.     

基于无穷范数的视觉伺服自适应控制方法

针对基于视觉的机器人伺服过程中, 控制系统的精度和稳定性容易受到环境噪声、 设备性能等因素影响, 导致收敛指标不理想的问题, 提出一种基于无穷范数优化任务序列( INOTS: Infinite Norm Optimization Task Sequence)的自适应增益算法, 通过将实时全局任务细化为不同子任务, 根据不同时刻子任务的特点自动配置增益。 仿真结果表明, 相比于固定增益及传统自适应增益调节算法, 该增益算法可有效提高系统响应速度,增强控制系统的抗干扰能力, 提高系统稳定性。     

转子单平面自适应平衡控制仿真及电主轴平衡试验

为了实现旋转机械的智能动平衡,提出了一种转子单平面在线自适应主动平衡方法。从传统的影响系数法出发,先后引入增益因子和遗忘因子,建立了固定参数的转子自适应主动平衡控制算法模型,分析了控制模型的稳定条件。采用数值仿真,对增益因子和遗忘因子对转子自适应主动平衡控制过程的影响规律进行量化研究,获得了转子单平面在线自适应主动平衡控制算法的收敛性和稳定性变化规律。建立了高速电主轴自适应电磁主动平衡试验台,开展了转速3 300 r·min-1下转子单平面自适应主动平衡试验。结果表明:增大增益因子可以加快主动平衡过程的收敛速度,减小增益因子可以提高平衡过程的稳定性,准确的影响系数估计可以放宽对遗忘因子取值的要求,试验和理论仿真的规律是一致的,证明所提出的转子自适应主动平衡控制算法是正确的。     

一种新的Jerk模型高机动目标跟踪自适应算法

在Jerk模型的基础上,提出了一种新的高机动目标跟踪自适应算法STF-C-Jerk.该算法利用“当前”模型的思想,将Ｊerk项假设成为非零均值过程,更切合目标机动实际过程,同时通过引入强跟踪滤波器的渐消因子,实时调节滤波器增益,增强了系统对目标突发机动的自适应跟踪能力.仿真结果表明,提出的STF-C-Jerk自适应跟踪算法显著提高了Jerk模型自适应算法的跟踪性能.     

有界增益遗忘L1自适应控制算法的研究

针对单输入单输出非线性系统存在参数不确定性和干扰,结合L_1自适应方法和极点配置控制方法,提出一种有界遗忘增益L_1自适应控制方法,其中极点配置控制器主要用来保证线性部分闭环稳定,L_1自适应控制器则用于抵消系统的非线性特性、参数不确定性和干扰。在L_1自适应律中采用改进的有界增益遗忘(IBGF)方法计算自适应增益,将定常自适应增益换成时变的增益,由低到高的平缓时变增益可以有效地抑制由非零初始状态造成的扰动,该算法的稳定性得到了证明。仿真验证表明该方法具有很好的控制效果,验证了它的有效性和实用性。     

基于二次逼近模型的PID增益预测控制

针对传统的 PID控制和预测控制的问题 ,文章提出一种基于二次逼近模型的 PID增益预测控制 ,并阐述了该系统的结构、算法和应用特点。通过二次逼近建模的方法 ,提高了建模的算法速度和实际逼近精度以及较强的动态补偿能力。运用这种模型的预测和传统的 PID相结合 ,使控制系统具有增益自适应能力和较好的鲁棒性 ,并通过仿真实例对该方法的特点和性能进行了验证     

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果,发现该算法使控制器存在严重的“过学习”现象,为避免这一现象,设计了一种新的误差函数结构,得到改进的BP算法,针对一个存在大惯性环节的线性时变系统,对比分析了神经网络模型参考自适应控制器在采用传统的BP算法和改进的BP算法时得到的不同控制效果。     

基于覆盖的神经网络集成在语音识别中的应用

神经网络集成通过训练多个神经网络并将各网络的结论进行合成,从而得到最终结果.集成可以显著的提高学习系统的泛化能力.讨论了基于覆盖思想而设计的神经网络集成方法,并将其应用于汉语孤立数码语音识别系统中,通过在集成过程中加入基于覆盖思想的控制算法降低系统的泛化误差,从而使系统的识别效果有了进一步的提高.     

基于神经网络的模型直升机偏航角预测控制方法

模型直升机航向角变化剧烈,一般航向角测量方法具有延迟性、误差大、变化突然等缺点,需要一种具有学习、适应、非线性类人控制的控制方法.基于神经网络的预测控制方法采用双曲正切函数作为传递函数,采用最小二乘拟合算法训练数据得到参数,并在单片机实现中进行了简化,用多项式代替双曲正切函数,简化计算复杂度,在保证控制精度的基础上,提高了预测控制的实时性.在试验台运行中,控制过程延迟小,控制精度明显改善,模型飞行平滑,具有较高的实用价值.     

基于改进型RBF神经网络多变量系统的PID控制

针对工业控制中多输入多输出非线性时变系统,提出了基于改进型RBF神经网络的智能PID控制方法.采用最近邻聚类算法在线构造RBF神经网络辨识器并在线辨识被控对象,对PID控制器参数进行在线调整,实现了多变量非线性时变系统的解耦控制.仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制规律下的PID参数,解耦后的系统具有较好的动态和静态性能,与常规RBF神经网络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.     

基于神经网络的扎龙湿地土地覆盖分类研究

主要研究神经网络在土地覆盖分类方面的应用问题．采用四层神经网络结构,对扎龙湿地的TM影像进行了分类研究,并提出一种基于鲁棒误差函数的自适应反向传播学习算法．仿真结果表明,该方法能够有效地对扎龙湿地TM影像进行分类．所采用的四层网络结构可减轻存储量大的负担,鲁棒误差函数有效地抑制了大误差,自适应反向传播算法使误差下降更快,而且最终得到的分类精度高于三层神经网络和最大似然法的分类精度。     

基因优化网络技术在磁悬浮轴承控制中的研究

针对普通BP算法收敛速度慢，容易陷入局部极小值以及网络初始状态对网络性能的影响等问题，建立了单自由度磁悬浮控制系统的数学模型，设计了一种基因算法优化神经网络的智能控制方法，该方法提出用基因算法离线优化网络。并设计了一种双链异或交叉基因算子，改善了基因算法的效率，在较大程度上改善了单自由度磁悬浮系统的性能。     

基于神经网络的PID参数自整定控制及其Matlab仿真研究

将神经网络自适应PID算法与传统的PID控制算法进行比较分析,通过仿真实验,验证神经网络自适应PID控制算法在总体上优于传统的PID控制算法.该方法有利于系统控制效果的提高,并且受环境的影响较小,在一定程度上弥补了传统PID控制的不足.     

基于同步扰动随机逼近算法的电熔镁炉智能控制系统

针对电熔镁炉熔炼过程中电极电流的调节主要依靠人工手动控制,控制效果差、产品质量不稳定、能量浪费严重的生产现状,提出了一种电熔镁炉智能控制策略.该智能控制策略根据熔炼过程中不同的熔炼工况分别设计了基于SPSA算法和神经网络的正常工况控制器以及基于规则推理技术的特殊工况控制器.将所设计的电熔镁炉智能控制系统应用于实际工业现场,实现了对电极电流的自动控制,保证了产品产量,降低了产品能耗.
关键词：     

遗传算法与神经控制的融合算法研究

遗传算法和神经控制是现代智能控制常用的两种方法,它们具有各自的优点和不足。将遗传算法用于前向神经网络的可能性进行了研究,阐明了遗传算法和神经网络结合的必要性。针对遗传算法和神经控制各自的优缺点,设计了二者的融合算法,将遗传算法应用于神经网络控制器的学习和训练,从而使建立的控制器兼有二者的优点,具有神经网络的广泛映射能力和遗传算法快速全局收敛以及增强式学习等性能,继而提高控制系统的性能。运用该方法对电加热炉温度控制系统进行的仿真实验,实验结果体现了良好的控制效果,证明了融合算法的优越性。     

基于Takagi-Sugeno模型的模糊神经网络的学习算法

选用正态函数作为模糊变量的隶属函数 ,给出了基于Takagi_Sugeno模型的模糊神经网络的用于学习的性能指标 ,并对其性质进行了分析 .在此基础上将二阶段变半径随机搜索法用作模糊神经网络的学习算法 .这种方法简便易行 ,可使模糊神经网络达到较高的精度 .该文给出了神经网络记忆容量的定义并求出了基于TS模型的模糊神经网络的记忆容量 .