改进的自适应广义预测极点配置加权控制器

预测控制在应用时，一个值得注意的重要问题是如何减小计算量，保证实时性问题，文献[1]的广义预测极点配置加权控制器在这方面已有改进，但仍要在线求解闭环极点方程，计算量仍较大，本文提出用计算量小的递推算法辨识上述方程参数的新方案，同时推广了文献[1][2]有关Diophantine方程的递推算法，应用表明本文方案的有效性。     

广义线性系统鲁棒极点配置分离原理

针对广义线性系统,提出了基于全维观测器的控制系统设计的鲁棒极点配置分离原理。基于矩阵灵敏度理论证明了如下事实:与状态反馈系统相同的闭环系统极点具有和状态反馈系统极点相同的极点灵敏度。与观测器系统相同的闭环系统极点具有和观测器系统极点相同的极点灵敏度。于是全维观测器的状态反馈控制器中具有最小灵敏度的鲁棒极点配置,可以通过求解两个分开的鲁棒状态反馈极点配置问题实现。     

神经网络自适应广义预测解耦控制器的设计

提出了一种神经网络补偿自适应广义预测解耦控制方案，即用神经网络逼近通道间的耦合、非线性及未建模动态，且采用了改进RLS辨识算法及用后能改善辨识效果，从而增进自适应控制的精度与鲁棒性，能解决参数不确定的非线性多变量耦合问题，给出了该算法的实现原理及步骤。理论分析和仿真结果表明，该方案是有效的。     

简化稳定广义预测控制算法

讨论了一种简化的无穷广义预测控制算法,算法在被控对象稳定的条件下可以保证闭环系统的稳定性.使用收缩原开环系统极点的方法使原系统稳定,然后针对这个稳定广义系统推导了无穷广义预测控制率,理论分析证明可以保证开环不稳定系统的闭环稳定性.该算法可以得到控制率的显式解,不用递推求解Diophantine方程,大大减小了过程计算量,具有一个意义明确的可调参数,适用于不稳定,非最小相位和纯滞后系统.对几类不稳定过程的数值仿真结果说明了该方法的有效性.     

基于预测校正的三回路驾驶仪极点配置设计

针对三回路自动驾驶仪设计中,以开环穿越频率为性能指标的极点配置算法存在的缺陷,提出了预测校正开环穿越频率极点配置设计方法。采用该方法完成了某战术导弹三回路自动驾驶仪设计;验证了该方法设计的控制系统比传统方法性能优异,满足期望开环穿越频率性能指标;分析了三回路自动驾驶仪各回路对导弹控制系统发挥的作用。通过实例分析,表明该方法克服了以往极点配置设计方法的缺点,便捷有效,收敛速度快,计算量小,非常适用于三回路自动驾驶仪的设计。     

航空发动机多回路切换输出反馈控制的极点配置方法

通过利用极点配置的方法对多回路切换控制系统设计H∞输出反馈控制器。从复平面的一类凸区域的性质推导出控制器存在的充要条件,且以线性矩阵不等式的形式给出。最后,将设计方法运用到航空发动机多回路切换控制系统中,通过仿真可看出此方法是行之有效的。     

并行广义预测自校正控制器(GPC)

本文旨在讨论ＧＰＣ算法［１，２］的并行化问题，通过对原串行算法的数据流及数据相关性的分析，得到了一种三角阵列的并行算法。该算法自然导致Ｓｙｓｔｏｌｉｃ结构，并具有良好的数值稳定性。对于一个 ｎ阶系统而言，本算法采用Ｏ（ｎ２）阶的处理器单元互连成三角阵列，可以把计算时间由原来的Ｏ（ｎ３）阶（内积运算）时间提高到 Ｏ（ｎ）阶，因而具有 Ｏ（ｎ２）的加速比，其处理器的利用效率得到了很大提高。     

基于MATLAB的线性系统极点配置问题的算法分析

线性系统的动态性能主要取决于系统极点的位置。极点配置问题就是把闭环极点组配置到所希望的位置上 ,使综合得到的系统动态性能达到期望的要求。极点配置问题的算法有多种 ,特别是对于多输入系统 ,其计算较为复杂。分析了一个基于龙伯格能控规范型的极点配置问题的算法 ,并针对此算法给出了一个具有实用价值的MATLAB通用程序     

基于广义线性加权的自适应阵

在non-circular信号情况下,采用广义线性加权重新定义了最大信噪比准则下的自适应阵模型,它不但对接收信号进行加权同时对接收信号的共轭也进行加权,最优权使得提出的自适应阵输出信噪比比传统的自适应阵提高了1倍。同时,提出的自适应阵,使得权向量选取的自由度增加,相当于虚拟阵元,使得阵元数增加,因而方向图比传统的自适应阵具有更窄的主瓣波束。     

基于Elman网络的广义预测控制快速算法

将广义预测控制与Elman网络结合起来,提出了一种新的广义预测控制快速算法,首先用Elman网络对非线性系统进行辨识,建立预测模型,然后该算法引入了一种约束矩阵,约束矩阵的引入避免了矩阵求逆的计算,提高了系统的响应速度,最后通过对一个非线性系统的仿真验证了该方法的快速性和实用性.     

Robust极点配置及其优化算法

本文提出了一个线性系统极点配置的有效算法,首先利用正交变换将能控系统简化成上Hessenberg能控标准型,然后利用(A,B)特征子空间找出闭环系统关于指定复数集所有可能的特征向量,从中选取一组线性无关的向量{x_1,…x_n}作为闭环系统的特征向量,使得max{c_k,k∈n}极小,最后由x={x_1,…x_n}找出反馈阵F,使得闭环系统(A+BF,B)的极点集等于L。     

连续时间广义预测控制在纵向飞行控制中仿真

导弹的飞行主要是通过姿态稳定和调节实现的。当导弹在大空域内进行飞行时,系统存在着严重的非线性和复杂性等不确定性因素,采用离散的控制算法进行控制,在高采样速率情况下,产生控制抖动问题。提出了连续时间控制方案,通过以小扰动模型为基础的导弹动力学特性分析,设计了导弹纵向飞行通道的全空间串级控制结构,并且以连续模型作为预测控制的被控对象,弹道外回路和姿态内回路均采用连续时间广义预测控制算法。仿真结果表明,该控制方案能实现高精度的控制要求,并且有效的克服了控制抖动。     

基于改进BP神经网络的智能控制方法研究

针对典型BP神经网络存在的缺陷提出了一些有效的改进措施。通过采用改进的BP神经网络来对控制规则样本进行学习和训练 ,使网络记忆控制规则 ,以达到智能控制的目的。仿真和实验结果证明 ,该方法具有优良的控制特性 ,能满足伺服电机控制的需要。     

Neural Network Inverse Adaptive Controller Based on Davidon Least Square

1.IWTaoDUCTIONInrecedeyears,therisingofneuralnetworkcolltrolsuppliesanovelandeffectivemeansforthecontrollingoftheplatwhichhasstrongnonlinearproperty.Thereillto,theneuralnetworkinversecoDtrollersucceededincolltrollingofrobotisasakindofAnportatcolltrolstructure.Battheinversecolltrolschemecannotbeusedincolltrollingofnon-~mumphasesystemduetothenon-stabilityofinversemodelofit.Inaddition,attheaspectofneuralnetworktrainalgorithm,thetraditionalbed-propagationalgoritlunconvergesveryslow.Thesefacto…     

神经网络在预测编码中的应用

讨论如何有效地利用backpropagation(BP)神经网络进行预测编码。改进的BP算法可以提高BP神经网络地收敛速度、泛化能力和稳定性。一般而言 ,四层网络比三层网络具有更快地学习速度 ;二阶网络比一阶网络性能更优越。利用MATLAB程序 ,构造三层、四层和二阶BP神经网络进行预测编码。测试结果表明 ,利用规模足够大的三层BP网络进行预测编码可以取得较好效果 ;四层和二阶网络比等价的三层网络可以更有效地进行预测编码     

一种基于神经网络的混沌控制方法

将神经网络(NN)与内模控制(IMC)相结合,提出了一种用基于BP神经网络的内模控制进行混沌抑制的方法,该方法既具有内模控制的特点,又引入了神经网络的在线自校正机制。应用所提出的方法,针对Duffing振荡器的混沌控制问题进行了仿真研究,仿真结果验证了该方法的有效性,同时还表明该方法具有很好的鲁棒性与自适应能力。     

基于Davidon算法的神经元自适应控制器

通常的神经网络逆元自适应控制器存在两个缺陷 ,一是训练算法收敛过慢 ;二是无法控制非最小相位系统 ,因而限制了其使用范围。利用Davidon最小二乘法训练多层前馈网络 ,用于逼近被控对象的逆模型 ,并利用构造伪系统的方法 ,构成一种对非最小相位系统仍然有效的神经网络逆元自适应控制器。仿真结果表明了该方法的有效性     

用R_ ~n上的神经网络求解有约束预测控制

通过对系统的信号约束,构成有约束广义预测控制问题.并实施一系列的转换步骤,将这一问题化为两个神经网络的求解平衡点问题.理论分析保证了这一求解是有约束预测控制问题的全局最优解.并设计了求解该问题的神经网络电路,使得有约束预测控制的求解能在电路的时间常数级内完成.     

基于模糊神经网络的混合动力汽车控制策略仿真

为保证多能源系统转矩的合理分配,建立了模糊逻辑控制模型,并采用ANFIS优化算法,对建立的混合动力汽车模糊控制模型进行优化。通过对ANFIS神经网络模型进行训练、测试和仿真分析,结果表明:模糊控制模型的隶属函数得到了优化,将优化模型应用于整车仿真,与模糊逻辑控制策略相比,燃油经济性提高5.4%。