开架式水下机器人运动的变结构神经网络控制

针对开架式水下机器人运动的精确控制问题,提出一种水下机器人变结构神经网络控制方法。利用变结构控制理论中的趋近律方法,推导出神经网络参数的镇定算法,并讨论了学习算法的全局稳定性条件。仿真实验结果表明该控制方法对网络学习率的改变和外界扰动有很强的鲁棒性,具有一定的理论和实用价值。     

基于鲁棒神经网络的水下机器人运动控制

针对水下机器人神经网络控制中系统响应速度慢及对噪声较敏感的问题,依据变结构控制理论,提出了一种基于鲁棒神经网络的水下机器人控制方法E利用指数趋近律,推导出神经网络参数的镇定算法,并采用标准误差反向传播(EBP)算法最小化目标函数,最后在水下综合探测机器人仿真平台上进行了试验研究E试验结果表明,该控制方法对神经网络学习率的改变和外界扰动有很强的鲁棒性,大大降低了机器人机械传动系统的磨损,且能够保证神经网络快速、稳定地学习,从而满足实时性控制的要求,具有较高的理论和实用价值.     

基于模糊神经网络的PI自适应控制器

利用模糊神经网络的模糊推理能力以及前馈神经网络的逼近能力 ,将其与自适应控制方案结合 ,并取带有控制增量约束的广义目标函数作为优化指标 ,从而推导出一种能对非线性非最小相位系统进行有效控制的模糊神经网络间接自适应控制器。在网络学习算法上采用带有动量项的BP算法。仿真结果表明了该方法的有效性。     

结构振动序列最优控制算法及其Simulink仿真实现

阐述了序列最优控制算法是针对土木工程结构地震响应振动控制问题中激励不可预知的特点,推导出1 种更为一般的最优控制算法,所获得的最优控制力表达式同时包含了结构响应和地震激励2 部分的影响.该算法增益矩阵与传统的2种最优控制近似算法相比具有时变的特点,提出了在应用该算法进行主动控制Simulink仿真分析时的2种实现方法,并通过AMD控制基准模型对2种实现方法进行了比较,同时也对该算法与现有两种结构最优控制算法的控制效果进行了评价.结果表明,2种实现方法是完全等效的,且在控制效果方面,序列最优控制算法优于现有的2种最优控制算法.     

基于小脑模型的广义预测控制快速算法

从状态空间的角度推导出广义预测控制算法,并利用小脑模型(CMAC)提出了一种新型广义预测控制快速算法,解决了传统GPC算法计算量大的问题.仿真结果表明该算法的有效性.     

基于二维模型预测控制的迭代学习控制性能评估方法

实际工业生产常用操作方式是批次过程,可以用迭代学习控制进行控制。针对过程模型未知的情形,采用子空间辨识求解模型参数,以迭代学习控制的性能评估为课题。首先,根据测量得到的输入输出数据构造Hankel矩阵,再借助QR分解、SVD分解等几何工具计算出子空间矩阵,最后由列子空间与行子空间估计出系统模型参数。在获得模型之后,把迭代学习控制作用下的闭环系统转换成二维模型。接着,提出了基于模型预测控制的基准,并给出了详细的推导证明。根据这些算法,得到最优控制律,并拟合出性能评估曲面,从而性能差距可以更直观地反映在三维空间中。最后,通过仿真对上述方法的效果进行了验证。     

DMC在pH调节系统中的应用

本文提出一种动态矩阵控制的改进算法，这种算法应用于具有纯滞后特性的系统中，可以明显地减少控制量的增量。本文中还给出详细的理论推导和在ｐＨ调节系统中的使用结果。     

双频双Buck换流器有功无功调节的控制算法及仿真

针对一种单周控制的新型双频双Buck型柔性换流接口电路,推导出有功无功独立可调的算法和控制方程．基于单周控制的控制方程运用简单的控制电路就可实现交流侧有功功率与无功功率的控制,并对系统进行了仿真,结果验证了理论推导的正确性．     

机器人模糊学习控制

针对机器人轨迹跟踪控制问题,提出一种模糊学习算法,并设计出结构合理的模糊学习控制器,该控制器通过自身从过去趋向的学习能力可自动调整其模糊控制规则。将这种方法用于一个两自由度机械手的控制,仿真结果显示控制效果良好,所提出的控制器比惯用的模糊控制器展示出更良好的应用前景。     

结构半主动减震控制新体系的理论与试验研究

提出了结构半主动减震控制的一种新体系———半主动变刚度·阻尼控制系统 ,设计了控制装置 ,推导了控制系统的运动方程 ,提出了基于预测控制的预测瞬时最优控制算法 ,完成了结构模型振动台对比试验 .试验研究表明 ,结构半主动变刚度·阻尼控制系统及其控制算法是十分有效的 ,为该前沿技术的工程应用创造了条件     

基于二阶Adaline网络的滑模变结构控制器

针对一般神经网络滑模控制系统在线训练时间长、实时性差的问题,提出一种自适应神经滑模变结构控制系统。该系统主要由二阶Adaline网络辨识器、滑模控制器和变结构二阶学习算法估值器组成。其中二阶Adaline网络是对原Adaline网络的改进,在其输入样本向量中增广了有关样本的二次项,相当于用时变二次多项式去逼近非线性系统,既有原Adaline网络训练速度快的优点,又具有一定非线性逼近能力;滑模控制器根据辨识误差自适应调整趋近律中的增益参数;而变结构二阶学习算法首先对递推近似Newton法进行简化,然后将其改造成一种新型的变结构算法,具有较快的收敛速度。针对同一非线性系统,采用常规神经滑模变结构控制存在较小的抖振,平均调节误差为0.0913;而采用自适应神经滑模变结构控制很快趋于平稳,几乎消除高频抖振,平均调节误差为0.0109。仿真结果证明了该方案的有效性。     

红绿灯控制专家规则及其神经网络实现

在对红绿灯控制系统中专家规则进行分析的基础上，提出了这些规则的模糊数学实现模型，并给出了该模型的神经网络结构及算法。实验表明，该方法用于实时控制是有效的     

Wiener型系统基于神经网络的在线训练算法广义预测控制

利用RBF神经网络在训练算法和广义预测控制算法进行了Wiener型非线性模型预测控制的研究，仿真表明这种做法是可行的。     

车载VLBI天线精确定位预测控制系统

利用模型预测控制算法（具有对象精确度要求不高、抗干扰能力强、控制精度高等特点）成功地对车载ＶＬＢＩ天线这样一个操作环境多变、干扰强度大、定位精度要求高的受控对象实现了快速实时控制。     

神经网络的遗传设计及其在甲醛生产建模及优化中的应用

采用遗传算法的机制设计了一种同时对前向网络的连接权值及拓扑结构进行搜索的方法，并采用以隐结点为基本基因型的方式，同时在算法中加入了局部搜索的方法．该算法已被应用于甲醛生产过程的建模及优化，达到了良好的效果．     

基于动态递归神经网络的动态矩阵控制

给出了利用动态递归神经网络 (DRNN)重构一个非线性动态过程的方法 ,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征 ,容易实现并进行稳定性分析。利用训练好的网络作为预估模型 ,设计了基于DRNN的动态矩阵控制算法。仿真结果表明了权值调整算法和控制策略的有效性     

一种基于模糊神经网络的智能控制系统

针对具有较大惯性和时变特性的被控对象,以减小动态调节过程中累积平方误差指标为目标,设计了基于模糊神经网络的智能控制系统.,并结合动态调节过程的特点推导了学习算法公式。     

神经模糊网络自适应模糊控制研究

提出了一种由样品辨识、模糊推理和控制处理 3个子网模块构成的基于知识的多层神经网络 .这种网络由各子网分别构成并按照最初的模糊控制结构适当连接而建立 ,具有明确区分各组成子网功能及其知识流结构 .由于综合了模糊逻辑的推理过程及神经网络的学习能力 ,使它能够在其结构中以模糊规则的形式引入语言知识并通过网络的训练及自学习对这些知识进行加工 ,从而实现了真正意义上的自适应模糊控制器 .最后还讨论了这种 NFN网络在动态过程控制中的应用