仿人智能控制在磁悬浮轴承轴向控制系统中的应用

针对磁悬浮轴承控制系统非线性、时变、强耦合的复杂特性，提出了仿人智能控制算法，并成功应用在磁悬浮轴承轴向控制系统中。实验结果表明：仿人智能控制在动脉和稳态控制效果以及抗扰能力上，均比普通线性PID控制具有很明显的优点。     

动态矩阵控制在网络控制系统中的应用研究

针对单输入单输出NCS中存在的有限随机长时延问题,本文采用DMC算法设计控制器,通过控制器对网络中传输的信息进行时延补偿和进一步处理,使系统的输出达到预先给定的要求.最后通过DMC算法和和传统PID算法的仿真实验,证实了采用DMC算法处理NCS中时延问题的可行性和有效性.     

无源性控制在磁悬浮系统中的应用

针对磁悬浮系统非线性特点,提出无源性控制对策.从能量平衡角度,将一类仿射非线性系统转换为标准的哈密顿系统,给出了单自由度磁悬浮系统的模型.对系统外界干扰和参数不确定性问题,采用无源性理论设计控制器.文中直接采用哈密顿函数作为存贮函数,不仅保证了数学严密性,而且具有明确的物理意义.仿真结果表明,系统能够快速响应,而且控制方法简单,易于工程实现.     

“基因算法”在人工神经元网络中的应用

在使用著名的ＢＰ算法来训练一个多层毅向神经网络时，首先要确定这个神经元网络的主结构以及网络的各种初始化参数，但拓扑结构和各种参数的确定到目前为止还无确定的规则可寻。本研究将基因算法引入人工神经元网络。通过它来自动确定神经元网络的拓扑结构以及具体参数，并给出了基因算法在神经元网络应用中的具体实现。     

自适应基因算法在环境优化问题中的应用

探讨了基因算法的原理及本身参数优化特性，总结参数的简便设置技术，并针对该法的寻优效果明显依赖于模型参数的初始变化区间的大小，及可能会出现过早收敛的问题，提出了自适应加速基因算法，实例应用结果表明，该法具有直观、简便、快速，适用性强等特点，可广泛应用于各种优化问题中。     

RBF网络自整定PID控制在网络化控制系统中的应用

文章针对网络化控制系统普遍存在的时延问题,介绍了一种基于径向基函数神经网络自整定PID的控制策略.在Matlab/Simulink环境下搭建了基于TrueTime工具箱的网络控制系统的仿真平台.仿真结果表明:与常规PID控制相比,神经网络自整定PID控制算法可有效地提高系统的鲁棒性和自适应性,且此方法易于实现,便于工程...     

混沌免疫粒子群优化算法在BP网络训练中的应用

将人工免疫系统中的克隆选择和混沌算法引入粒子群优化算法,提出一种混沌免疫粒子群优化算法.算法的主要特点是利用克隆和混沌变异等操作,提高收敛速度和种群的多样性.结合Iris分类问题,将新算法应用到BP网络的权值优化中,并和基于标准PSO算法的方法和单纯BP网络训练进行比较.实验结果表明,该算法性能优于所比较的两种算法,并且具有良好的收敛性和稳定性.     

智能优化算法在复杂模型寻优中的研究

针对建立的钢板轧制过程中的中厚板凸度预报多参数复杂模型,分别采用BP算法、BP改进算法、混沌算法和粒子群算法进行寻优并对结果进行比较。实验结果表明,该模型切实可行,在模型优化中,混沌算法和BP算法寻优速度慢,精度不高,粒子群算法寻优速度和精度均有相应提高,BP改进算法寻优速度和精度均为最优。     

预测函数控制在确定性网络控制系统中的应用

针对网络控制系统具有不确定时滞的特性,通过在节点中设置缓冲区的方法将随机时滞转化为确定性时滞,从而将网络控制系统从随机系统转化为确定性时滞系统;针对这类时滞系统利用预测函数控制算法设计了控制器,以实现基于模型匹配和多步预测的思想来改善控制性能。通过仿真和基于DCS的模拟系统实验,结果均表明了该方法的正确性和有效性。     

基于RBF神经网络的非线性磁悬浮系统控制

磁悬浮系统是一个典型的不确定、非线性系统.由于磁悬浮系统的复杂性很难建立精确的数学模型,采用RBF神经网络(RBFNN)对非线性磁悬浮系统进行辨识,再根据神经网络自适应控制原理设计了非线性磁悬浮系统的神经网络自适应状态反馈控制器与自适应PID控制器,并利用MATLAB进行了仿真.仿真结果表明,神经网络自适应控制能很好地控制本磁悬浮系统;神经网络自适应控制器对于此非线性磁悬浮系统位置具有良好的控制效果,该控制系统具有较好的稳态特性和控制特性.     

五转向架城轨磁浮车辆动力学问题的研究

在分析城轨磁浮车辆运动规律的基础上，利用Catia及ADAMS软件，通过合理简化，建立了五转向架城轨磁浮车辆的动力学虚拟样机模型.基于上述模型，进行了两种工况的数值仿真，仿真结果与理论结果吻合较好，验证了模型的正确性.讨论分析了空气弹簧刚度与阻尼对车辆平顺性的影响.本文为五转向架城轨磁浮车辆的进一步研究奠定了基础.     

基于优化遗传算法的灰色-RBF神经网络预测模型研究

根据灰色系统、RBF神经网络的模型及遗传算法原理,提出了一种基于灰色系统与改进的遗传算法RBF神经网络的系统预测模型,采用改进的遗传算法对该模型进行全局优化,最后用实验验证了模型的有效性,对比分析了单独使用GM(1,1)和RBF神经网络模型的预测结果.结果证明,优化后的预测模型的预测精度高于另外两种模型的预测结果.     

磁流体重力悬浮的研究

从磁流体的伯努利方程出发,对磁流体在磁场作用下所具有的悬浮能力进行了理论推算;结合超顺磁理论分析了磁流体重力悬浮过程中磁场梯度,磁场强度以及磁流体本身性质等因素的作用,并对磁流体重力悬浮过程作了描述;采用自制磁流体进行实验,实验结果同所作的分析及计算基本相符;成功地把Pt,Pb等致密物质悬浮起来。     

基于优化BP神经网络算法的网络质量评价

针对现有的BP神经网络算法,提出了在变步长BP神经网络算法基础上的优化方案,并将其应用于网络质量评价当中.在优化方案中,对步长的上升和下降阶段分别采用不同策略进行优化.理论分析表明:优化后的算法能够克服传统算法权值收敛过慢,和变步长算法误差收敛中的震荡问题.仿真表明,优化后的算法会使神经网络的学习误差和网络质量分类的总体误差明显下降并大幅提高评价的准确性.优化算法较传统算法相比误差收敛过程更加稳定,且学习误差下降达9.64％,网络质量分类的总体误差下降达23.1％；优化算法的验证准确率在传统算法的基础上提高了19.65％,在变步长算法的基础上提高了9.88％.由此可见,优化算法在BP神经网络的预测精度方面起到了大幅度提高的作用.     

遗传算法优化BP神经网络在纳税评估中的应用

将遗传算法优化误差反传(BP)神经网络的数据挖掘方法应用于纳税评估,为税务机关申报征收与税务稽查的数据挖掘建立分类预测模型.从分析的结果可以看出,模型具有良好的预测效果,能为提高税收管理的针对性和有效性提出一些参考建议,以提高税收征管的水平.     

磁悬浮实验系统的设计与分析

文章设计了一套单自由度磁悬浮实验系统,分析了该系统的控制特性;并设计了一套模拟PID控制器,成功地对该系统实现了控制,且为其它高级控制算法的研究提供了一个很好的实验平台。     

基于遗传算法优化BP神经网络的TIG焊缝尺寸预测模型

建立了4-12-4结构的误差反向传播(BP)神经网络.以训练样本预测误差作为适应度函数,采用具有全局寻优功能的遗传算法得到最优化的BP神经网络的权值和阀值.以TIG焊接工艺参数电弧长度、保护气流量、焊接电流和焊接速度作为网络输入,焊缝的上余高、下余高、上焊宽和下焊宽作为网络的输出,优化后的BP网络模型具有良好的泛化能力和预测能力.     

基于遗传算法进化神经网络的潜射导弹筒盖压力预测

提出一种基于遗传算法进化神经网络的潜射导弹筒盖最大压力和压力持续脉宽的预测方法,遗传算法可依据个体适应度完全自适应,并在此基础上提出了一种提高遗传算法初始进化速度的随机基因偏移方法.训练结果表明,优化神经网络所形成的虚拟函数具有较好的遍历性,能够较好地反映样本的内在联系,借助该方法预测的潜射导弹筒盖压力特性具有较高的精度,可快速、准确地预测发射筒筒盖的压力特征.     

基于贝叶斯算法的神经网络优化方法

提出了一种近似建模的前馈网络训练算法一贝叶斯算法,该方法能对模型中的未知量构造其后验分布,提高网络的泛化性能,获取对应于后验分布最大值的权值向量．结果表明,贝叶斯算法所建立的神经网络近似模型具有更高、更稳定的精度．