带有遗忘因子的滤波器型迭代学习直线伺服系统

针对永磁直线同步电机伺服系统,提出开闭环迭代学习控制器,实现期望直线位置的跟踪控制.分析了永磁直线同步电机的2-D模型及迭代学习直线伺服系统的收敛性.通过减小系统输入误差协方差矩阵迹的方式得到优化的遗忘因子,来修正控制输入的迭代学习律,同时采用零相位FIR数字滤波器对前馈学习控制器中的误差信号进行滤波处理.实验结果表明,带有遗忘因子的滤波器型迭代学习控制器能够保证直线伺服系统在不断的迭代学习中提高性能,有效抑制端部推力波动,系统具有很好的学习收敛速度、动态响应及控制精度.     

液压系统中粒子群优化神经网络权值的控制算法

针对非线性、时变等缺陷导致传统的控制器控制效果较差、不适应电液伺服系统的现象,提出了用于电液伺服控制的基于粒子群优化算法对神经网络的权值进行学习训练的PSO-NN算法。结合电液伺服系统实例分析,用MATLAB仿真得到了输入阶跃信号和正弦信号时,PSO-NN算法的输出曲线以及适应度曲线;为了展示PSO-NN算法的效果,用BP算法仿真了对应输入阶跃信号和正弦信号的输出。仿真结果表明:在电液伺服系统的控制中,PSO-NN算法性能优于BP算法,系统输出具有更好的收敛性和对输入的跟随性,从而证明PSO-NN算法对于电液伺服系统的控制是合适并有效的。     

SOA算法在交流伺服系统中的应用

针对传统交流伺服系统控制效果不佳、参数优化困难等不足,采用人群搜索算法（SOA）分别对伺服系统电流环、速度环以及位置环的控制器参数进行优化,并与改进PSO算法优化控制器参数以及传统频域法整定控制器参数两种方案进行对比.仿真结果表明：SOA算法优化控制器参数能提高系统响应速度和鲁棒性,SOA算法比改进PSO算法在伺服控制器参数优化方面具有更好的搜索功能.与传统频域法整定方案比,SOA算法无需提前在线辨识系统转动惯量操作更简便.     

用虚拟仪器实现BP神经网络的PID控制

新建一个3层BP神经网络的虚拟仪器程序,通过设置隐含层层数、学习速率、惯性系数、输入信号类型和采样周期等控制单元,可将PID控制器的调控参数传递给后台程序.程序运行时,用户在控制面板中修改参数的输入值,系统做出实时响应,系统输出波形也会发生相应的变化.仿真结果表明,BP神经网络PID控制器参数调整简单,具有较高的精度和...     

基于小脑模型的电液位置伺服系统在线学习控制研究

针对非线性电液位置伺服系统的跟踪控制问题,提出了一种采用小脑模型（ＣＭＡＣ）神经网络的在线学习控制方法,与传统的ＣＭＡＣ控制器不同,该控制器采用动态误差作为ＣＭＡＣ神经网络的激励信号,从而使基于ＣＭＡＣ的控制器跟踪连续变化的信号成为可能,给出了具体的控制结构和算法,仿真结果表明,该控制器具有良好的处理非线性及跟踪连续变化信号的能力,并对时变外负载干扰具有明显的抑制作用,而且新型控制器能和较高的学习     

前向多层感知器网络的逐层学习算法

提出一种改进的前向多层网络逐层学习算法,隐层神经元的输出函数由具体系统的样本输出值确定,先让前面的隐层及输入层的权值确定不变,然后对当前层的权值进行,前一隐层输出值地误差进行估计以得到新的输出值,将其作为临时教师信号用来训练前一层的权值,把每一层权值的改变量和输出值误差的估计转变为最小二乘问题,逐层处理,直到输入层,数字仿真和具体应用的结果表明了算法的有效性。     

钢包精炼炉的电极系统智能建模及控制

针对钢包精炼炉电极控制系统具有非线性、时变、模型不确定、大滞后、多输入多输出耦合的特点,提出一种基于神经网络实时在线辩识的内模控制方案.控制器采用神经网络解耦,将混沌机制引入到BP算法中,用以加快学习的收敛速度.仿真结果证实了控制策略的有效性.     

采用支持向量机的非对称阀控液压缸模型预测控制

针对非对称阀控液压缸位置控制中出现超调与由阀芯换向引起的压力冲击问题,设计了基于支持向量机与序列二次规划算法的非线性模型预测控制器。采用支持向量机拟合控制信号与活塞速度的关系得到系统的近似模型,使用序列二次规划算法求解获取控制器输出;通过增加输出约束以及满足输入约束实现每次控制过程中阀芯不换向、活塞快速到达目标位置并且无超调。数值仿真结果表明:在相对位置误差信号大于8%时,控制器输出的控制信号始终大于最大控制信号的90%,有效缩短了系统的响应时间;在保证活塞位置无超调、阀芯不换向的条件下,实现了精确位置控制,稳态误差小于0.02%。所提算法实现了多约束条件下非对称阀控液压缸系统的无超调快速控制,具有一定的理论和工程价值。     

多输入多输出电液伺服系统解耦自适应控制的研究

本文提出了一种新的多输入多输出电液伺服系统解耦自适应控制方案,它是广义最小方差自校正控制和参考模型自适应控制相结合的控制方案,能保证良好的动态解耦性能、高跟踪精度和适当的控制信号值.稳定性分析表明:本方案既适用于最小相位系统,也适用于非最小相位系统.使用本方案对一个两输入两输出的电液伺服系统进行了数字仿真和实时控制,取得了很大的成功.控制算法十分简捷,因而它适用于快动态系统.     

基于补偿模糊神经网络的BLDCM伺服控制

为了实现无刷直流电机(BLDCM)位置伺服系统的高精度位置跟踪控制,针对系统多变量、非线性、强耦合、时变的特点,提出了一种基于补偿模糊神经网络控制器(CFNNC)的设计方法.该控制器将补偿模糊逻辑和神经网络相结合,引入了模糊神经元,使网络既能适当调整输入、输出模糊隶属函数,又能借助于补偿逻辑算法动态地优化模糊推理,大大提高了网络的容错性、稳定性和训练速度.仿真和在DSP控制系统上的实验结果表明,采用补偿模糊神经网络控制器,系统响应快、精度高、鲁棒性强,动态特性明显优于传统PID控制.     

自适应神经元控制器在交流伺服系统中的应用

文章介绍了交流伺服系统的数学模型、组成及其原理,在此模型基础上对交流伺服系统的自学习控制进行了深入的研究;利用神经元的自学习功能实现神经元控制器的在线学习,并以神经元控制器作为交流伺服系统的位置调节器;仿真实验表明,神经元控制器与PID控制器相比具有较强的自适应性和较好的性能。     

人工神经网络BP网的应用

目的研究ＢＰ网在人工神经网络领域中的应用及其特点,方法采用误差反向传播学习算法,对不同的声纳回波进行分类处理。结果 建立了３层ＢＰ网络结构的声纳信号处理系统,结论隐蔽层单元增加有益于正确分类率的提高,但连接权计算复杂度增加。     

用模糊神经网络建立GNP与产业结构的关系模型

给出了一种ＧＮＰ值与产业结构的关系模型的算法,利用一个多输入单输出的模糊神经网络（ＭＩＳＯ－ＦＮＮ）,提取关于人均ＧＮＰ值与工业比例,农业比例及人口关系的模糊的规则。利用模糊神经网络进行学习,调整隶属函数的形状及结论部分的参数;同时,还提出了一种在学习过程中动脉筛选模型规则的方法,仿真结果验证了算法的有效性。     

稳定的神经网络自适应控制

本文主要从理论上研究神经网络控制器实现SISO离散时间非线性系统的轨迹跟踪问题，在反向传播算法的基础上，提出了一种新的神经网络训练方法，该算法可以直接估计出动态系统所需要的前馈控制，并在一定条件下证明了此神经网络控制系统的稳定性，另外还给出了将其应用于几个不同非线性系统的仿真结果。     

基于神经元控制器的交流伺服系统

实现了神经元在线参数自学习功能,利用神经元控制器及滞环比较器,智能功率模块实现了基于神经元控制器的交流伺服系统,由仿真和实验结果,可以看出神经元控制器具有较强的自适应性及鲁棒性。     

电液位置伺服系统的再励学习控制研究

针对非线性电液位置伺服系统的不确定性控制问题,提出了一种带有小脑模型（ＣＭＡＣ）神经网络的再励学习控制方法。将ＣＭＡＣ神经网络融入再励学习控制结构中,并进行了撞化与改进杯仅使再励学习控制器具备了泛化能力,而且提高了其学习速度,因此竽电液位置伺 服系统的快速跟踪控制。仿真结果表明,控制器不仅具有良好的处理非线性能力而且对时变外扰支具有明显的抑制作用。     

小型涵道风扇无人机自适应解耦控制律设计

为解决小型涵道风扇式无人机俯仰通道和滚转通道之间的惯性耦合问题,采用简单自适应控制(simple a-daptive control,SAC)方法对无人机姿态角速度控制回路设计模型参考自适应控制器,使该控制回路在受到不确定扰动和参数摄动的影响下,仍能稳定跟随参考模型输出;同时对所构造参考模型进行串联前馈解耦,以使无人机跟随参考模型同步解耦,进而实现对无人机姿态角速度和自身姿态角的有效控制.仿真结果显示,该控制律能使无人机姿态稳定跟踪参考模型输出,并且有效抑制了被控对象参数摄动带来的不利影响,控制系统具有较强的自适应性和鲁棒性.     

多维离散傅立叶变换神经网络函数逼近

利用多维离散傅立叶变换原理构造新颖的神经网络模型用于函数逼近,网络结构为分层前向网络。给出了网络的学习算法,网络的大部分权值都是固定的,只有输出层与最后隐层之间的权值需要调节。     

一种权值预学习BP算法的研究

采用无监督学习中的主元分析算法的０ｊａ规则对前馈网络的权值进行预学习,以此来加速前馈网络的学习速度。通过奇偶校验和非线性系统辨识两个应用,验证了该算法在学习速度与性能上都优于传统的ＢＰ算法。