网络控制系统的自适应预测控制

针对具有随机时延的网络控制系统,提出一种自适应预测控制方法. 利用Elman神经网络对网络控制系统的随机时延进行在线预测,然后采用一种增加微分作用的改进隐式广义预测控制方法对网络时延进行补偿,实现了随机时延网络控制系统的自适应预测控制. 仿真结果表明,该方法对网络随机时延有很好的补偿效果,可明显改善系统输出性能,保证控制的稳定性与快速性.     

基于BP神经网络的机械臂模糊自适应PID控制

机械臂属于强耦合多变量的典型非线性系统,常规的控制策略难以取得满意的控制效果.采用基于BP神经网络的模糊自适应PID控制策略,解决了原有PID控制的参数自适应能力弱、鲁棒性较差的问题.该方法采用BP神经网络动态调整PID控制器参数,使之能够随时满足控制精度的需要,改善系统的控制性能.仿真实验结果表明:所提的控制策策略实现简单,同时具有较高的控制精度.     

换热机组供水温度的广义预测控制

针对热工过程对象具有大惯性、大时滞、时变和非线性等动态特性，建立了热力站换热机组的CARIMA模型和基于该模型的供水温度广义预测控制系统．利用Matlab对该控制系统进行了仿真，并与PID控制进行了比较，证明了广义预测控制(GPC)可以应用于热工过程控制中，并能取得良好的控制品质和鲁棒性．     

CVC四辊冷轧机板形控制策略探讨

四辊宽带冷轧机在轧制过程中板材的轧制质量,即影响板材形状的因素众多,且多为非线性影响因素,因此,很难针对具体的CVC四辊冷轧机板形轧制过程建立精确的数学分析模型;目前在线使用的PID控制算法难以满足板带轧制机的板形控制的精度要求。在控制环节中,加入模型预测控制理论(MPC),设计预测控制器,采用滚动优化和反馈校正的控制策略,建立一个具有自适应学习功能的板形控制功能模块。     

一类非线性系统的自适应模糊观测器设计

针对一类不确定非线性系统提出了自适应模糊观测器设计方法．该观测器采用模糊系统逼近非线性函数，它不要求被观测对象结构和参数已知的条件，并对估计误差、模糊逼近误差和外扰的存在采用了鲁棒监叔项以保证良好的观测性能，该观测器是对非线性广义Luenberger自适应观测器的一种扩展．该方法的有效性得到理论证明和仿真实验的验证．[第一段]     

遗传算法在PID自整定控制中的应用

提出了一种基于遗传算法和单神经元的自整定PID控制器的设计方法，该控制器首先利用遗传算法对PID的3个参数作离线优化，搜索到一组准最优的PID参数，作为PID控制器参数的初始值，然后利用改进后的单神经元梯度下降法在线调节PID参数，以使系统获得最优的动态性能和稳态性能．仿真结果表明：与传统PID控制算法比较，该控制方法响应速度快，具有更好的控制效果．     

基于免疫机制的模糊PID控制器设计

针对惯性、迟滞系统,本文结合PID、模糊控制和生物免疫原理,设计了一种基于免疫机制的模糊PID控制器。该控制器既具有PID控制的广泛性,也具有模糊控制的非线性逼近作用,还具有免疫控制的自适应调节能力。借助MATLAB的模糊控制工具箱和simulink仿真工具进行验证,结果表明基于免疫机制的模糊PID控制的动态性能和稳态性能都优于PID控制和模糊PID控制。     

基于免疫机制的模糊PID控制器设计

针对惯性、迟滞系统,本文结合PID、模糊控制和生物免疫原理,设计了一种基于免疫机制的模糊PID控制器。该控制器既具有PID控制的广泛性,也具有模糊控制的非线性逼近作用,还具有免疫控制的自适应调节能力。借助MATLAB的模糊控制工具箱和simulink仿真工具进行验证,结果表明基于免疫机制的模糊PID控制的动态性能和稳态性能都优于PID控制和模糊PID控制。     

电弧喷涂自适应控制系统研究

研究建立了微机控制电弧喷涂系统模型，为实现最优控制提供了理论依据。设计了弧压反馈控制器和电流反馈控制器，增加了PC机采集喷涂过程参数并同单片机串行通讯，实现PC机在线修改PID调节器参数。采用遗传算法对PID调节器控制参数进行寻优，实现了电弧喷涂过程自适应控制，获得了满意的喷涂效果。     

基于TSA的非线性神经网络预测控制

针对现有非线性预测控制方法在线递推控制律时求解非线性方程的困难,提出一种基于树和种子算法(tree and seed algorithm, TSA)的非线性神经网络预测控制算法.该算法采用径向基函数(radical basis function, RBF)神经网络建立非线性系统的过程模型,并将该模型作为预测模型,可以有效逼近系统的过程特性.在此基础上,通过该模型递推非线性系统的预测输出值,并设计具有约束的二次型性能指标.利用TSA优化该性能指标,不断在线搜索非线性预测控制系统的最优控制律,避免采用直接递推的方式求解复杂非线性优化问题,减轻了系统的计算负担.生化发酵过程仿真对比结果表明,该算法具有很强的跟踪和抗干扰能力.     

基于T-S模型的智能PID控制

提出一种基于分段线性模糊模型的T-S模型,并与传统PID控制器相结合设计了一种模糊神经网络PID控制器,它具有模糊系统非线性、可解释性的特点,神经网络的自学习和自组织功能.对其进行非线性时变系统仿真,仿真结果表明该控制器较常规PID控制器的调整时间可明显缩短.     

基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制

提出一种基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制新方法,该方法针对传统的PI调节器固定参数所造成的不足,利用具有自适应能力的单神经元PID调节器和RBF神经网络相结合,实现了参数在线辨识,转速在线控制.仿真结果表明该方法控制精度高,动态特性好,适合于永磁同步电机的速度控制.     

基于神经网络的机械臂自适应输出反馈控制设计

研究了机械臂的位置跟踪问题,提出了基于神经网络的自适应输出反馈控制方法. 该方法无需系统精确的数学模型,适用于具有非线性不确定性和外界干扰的机械臂控制系统. 设计的控制器由三部分组成：基于动态补偿器的输出反馈控制项、神经网络自适应控制项和鲁棒控制项. 神经网络的权值自适应学习率由Lyapunov稳定性理论得出. 仿真结果表明设计的控制器能驱动机械臂精确跟踪期望的位置,验证了该控制方法的有效性.     

一种基于神经网络辨识的预测方法

针对时变的非线性系统,将传统的预测控制与神经网络逼近任意非线性函数的能力相结合,提出一种基于神经网络辨识的预测方法.同时选用含有调整参数的双曲正切函数作为节点的激活函数,弥补由于未考虑激活函数的输出值域、影响神经网络辨识精度和速度不足的问题.仿真结果表明,它适用于无滞后和有滞后的时变非线性系统,辨识收敛速度快、精度高,并具有较强的自适应性和鲁棒性.     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测,提出了一种基于经验模态分解算法（empirical mode decomposition,EMD）优化非线性自回归（nonlinear auto regressive,NAR）动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律,为此使用了基于时间序列的NAR动态神经网络,该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型,以此来减少预测误差,提高预测精度.结果显示,EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测,预测精度可达93%,具有较好的应用价值.     

基于RBF神经网络重构模糊PID控制器的研究

尽管模糊PID控制器具有良好的控制品质,但存在计算复杂和实时性差的问题,为了解决这个问题.利用1LBF神经网络逼近能力重构模糊PID控制器,由于重构的RBF神经网络的并行计算能力,这简化了计算复杂性并提高实时性.通过选择不同的给定信号,比较模糊PID控制器和重构的RBF神经网络的控制性能.得到两者的控制效果是相当的.说明重构的RBF神经网络可以取代模糊PID控制器,从而减少了计算复杂性.避免维度灾难并改善控制实时性.     

BP神经网络在砂体连通性评价中的应用

为了更好地预测河道砂体间的复杂连通情况,根据萨尔图油田中区西部葡I油层组的密集井网资料,考虑将影响砂体连通性的主要因素(物性参数、砂体规模参数、隔层特征参数等)与连通级别建立一个非线性映射模型,通过反馈误差学习方法对砂体连通性进行定量分析。通过对PI2、PI3河流相储层结构即单砂体接触模式及展布特征的分析,选取影响连通性的合适参数和代表性学习样本,利用BP神经网络判别模型进行反复学习和预测。通过比较预测输出与期望输出的误差情况可知,基于BP神经网络的砂体连通性定量判别具有较好的应用效果,并且可以考虑延伸应用于对整个区块的连通性预测当中去。     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

基于神经网络误差修正的灰色广义预测控制

提出一种基于神经网络误差修正的多步灰色广义预测控制算法,采用神经网络对灰色系统的建模误差进行预测,同时根据新信息优先的原则,用最新预测误差不断更新神经网络建模数据,对新出现的误差具有动态补偿动力,最终预测值为模型预测值与预测误差之和,有效地抑制模型误差的影响,增强灰色广义预测的鲁棒性.仿真结果验证了该算法的有效性.