基于自适应神经网络内模控制的控制器设计实现

基于内模控制的思想,利用前馈神经网络的逼近能力,将其与自适应内模控制方案结合,并取目标函数作为优化指标;从而推导出一种能对线性系统进行有效控制的神经网络间接自适应内模控制器。     

多模型自适应内模控制及其应用研究

针对实际被控对象滞后性、时变性、不确定性和非线性等特点,对传统内模控制策略进行多模型化,构成多模型自适应内模控制。仿真表明,多模型自适应内模控制较之单内模控制和常规PID控制,在稳定性、鲁棒性和响应速度等方面,均具有明显的优越性。     

永磁直线同步电机自适应内模控制研究

为了解决永磁直线同步电机（PMLSM）运行过程中对系统参数摄动及负载扰动等不确定因素敏感的问题,结合内模控制和模型参考自适应控制各自的优点,设计了PMLSM自适应内模控制器（AIMC）.仿真结果表明,自适应内模控制器同常规PI控制器相比,具有更好的动态稳定性和跟踪性能,对外界干扰具有较强的鲁棒性.     

考虑切换时间的机器人装配线平衡优化方法

考虑装配过程中的切换时间,以装配线的工位节拍最小为优化目标,建立了机器人装配线平衡问题的数学模型.在此基础上,将自适应策略引入模拟退火遗传算法框架中,构建了自适应模拟退火遗传算法.以轿车制造车身车间左前门内板总成的焊接装配为例,分别对比了标准遗传算法、模拟退火遗传算法及自适应模拟退火遗传算法在解决该问题方面的性能,结果表明自适应模拟退火遗传算法在解的性能和算法收敛性两个方面表现出了较大的优势.     

基于灰色预测的自适应内模PID双重控制器设计

针对一类非线性系统，提出一种基于灰色预测的自适应内模PID双重控制方法．把由系统的输入输出数据得到的灰色预测模型作为系统的内部模型，并在基本的内模控制结构上增加PID控制器，加快了跟踪误差收敛速度，内模控制的性能明显改善．仿真结果表明，该控制方法简单而有效，内模PID双重控制较单一内模控制具有更好的系统性能．     

结合聚类模型和自适应模型的遗传算法

在进化后期,自适应遗传算法有助于保存种群中的优秀模式;但在进化初期,对适应度值大的个体的保护,易降低种群的多样性、减弱算法的搜索性能。基于聚类的遗传算法可以提高遗传算法的收敛速度和搜索性能,但交叉概率和变异概率取定值,易使优秀模式在进化后期遭到破坏,难以收敛到全局最优。在遗传算法中同时引入聚类模型和自适应模型,有利于继承两类改进型遗传算法的优点,克服各自的不足。使用经典的测试函数对引入聚类模型和自适应模型的遗传算法进行测试,仿真结果表明:同时引入聚类模型和自适应模型的遗传算法比引入聚类模型或自适应模型的遗传算法具有更好的收敛速度和寻优能力。     

基于模型完全动态延时逆的内模控制方法

分析了常规内模控制中存在的缺点,提出了一种基于模型完全动态延时逆的内模控制方法,取消低通滤波器的设计,以逆的延时时间的调整来提高系统的鲁棒稳定性,并结合自适应逆控制原理,采用有效消除被控对象下游输出端和上游输入端扰动的内模控制方法。     

基于神经网络的时变时滞系统自适应内模控制

将基于人工神经网络的时变时滞系统参数辨识算法与内模控制相结合 ,提出了时变时滞系统自适应内模控制算法 .理论分析及仿真结果表明 ,该算法能克服时滞及参数的变化 ,具有鲁棒性好、抗干扰能力强的特点     

自适应遗传算法在视频摘要中的应用

提出了一种基于自适应遗传算法的视频摘要模型.通过采用标准种群多样性和健康种群多样性来控制遗传算法中的3个关键算子:交叉、变异和选择.结果表明,在视频摘要的研究中提出的自适应遗传算法避免了传统遗传算法局部收敛的问题,可以保证种群的多样性和算法的不断寻优能力,视觉效果更好.     

求解0/1背包问题的自适应遗传退火算法

针对标准遗传算法易早熟收敛以及收敛速度慢的问题,提出一种自适应遗传退火算法用于解决高维约束优化问题.该算法采用轮盘赌和最优保存策略相结合的选择机制,并结合自适应交叉、变异概率,继而引入模拟退火算法,加快迭代后期算法的收敛速度.最后,比较了标准遗传算法和自适应遗传算法的实验结果,证明了自适应遗传退火算法在0/1背包应用中的高效性和精确性.     

基于小波神经网络免疫PID控制器的研究

针对PID控制器,本文介绍了一种基于小波神经网络的免疫PID控制器。由于小波变换具有较好的时频局部性．神经网络拥有较强大的非线性映射的能力、自适应、自学习等优势,将规范正交的小波函数与神经网络的基函数相结合构成小波神经网络．该网络同时具有小波和神经网络的优点,本文用小波神经网络来逼近免疫PID的函数,试验以及仿真结果表明,本文介绍的控制器性能优于其它类型免疫PID控制器。     

不确定变形耦合发电机系统的参数辨识与自适应同步

研究了不确定变形耦合发电机系统的自适应同步和参数辨识，设计了自适应控制器和参数更新规则，理论证明了该控制器可使得两个变形耦合发电机系统——驱动系统和未知参数的响应系统渐进地达到同步，并且可以辨识出响应系统的未知参数．数值模拟结果证明了该控制器的有效性。     

基于模糊神经模型的自适应单神经元控制系统设计

提出一种基于模糊神经模型的自适应单神经元控制系统.该控制系统首先根据采集到的输入输出数据建立被控过程模型,并在此基础上引入单神经元控制器.通过李亚普诺夫方法对控制器参数进行在线调节,从而使得系统输出值能够较快跟踪设定值.理论分析和仿真结果表明:本文提出的单神经元控制器和传统的PID控制器具有极其相似的结构,因此,具有结构简单、易于操作的特点,具有较快的跟踪速度,并且控制参数可以在线调节.     

一种基于模糊神经网络的自适应PID智能控制器

设计了一种新的基于模糊神经网络的自适应PID智能控制器,该系统利用模糊神经网络对被控对象进行模糊辨识,同时,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,从而实现PID控制的自适应和智能化。仿真实验表明,该控制器具有较高的控制品质。     

一种新的基于MEA的自适应模糊控制器

针对两输入一输出的典型模糊控制器，提出了MEA-FUZZY自适应控制策略，采用MEA对模糊控制系统的5个相关参数进行优化，实现了输出比例因子的在线调整，并在分析规则表的基础上调整了模糊隶属函数，从而使该自适应模糊控制器的整体性能接近最优。仿真结果表明，该控制系统结构合理，优化方法简单有效，控制品质优良，同时具有较强的适应性和鲁棒性。     

一种新结构自适应速度控制器的设计与应用

本文提出一种简明的自适应速度控制器的设计方法。所设计的控制器适用于被控对象参数易发生快速的、大范围的及不可测变化的电力拖动系统的自适应控制,并具有结构简单、容易实现的特点。通过在可逆的可控硅直流调速系统中的应用表明,自适应控制系统的跟随能力和抗干扰性能较常规控制系统有明显改善。     

云调节增益自适应单神经元PID的应用

提出了一种单神经元自适应PID控制器，并给出了控制结构模型。首先探讨了单神经元自适应PID控制学习算法，进而通过分析单神经元PID控制算法与系统动态响应及超调量的关系，利用云模型控制器修改神经元控制器的比例系数K，并根据系统误差在线实时修改控制系数，提高了系统响应性能。仿真结果表明，增益自适应单神经元PID控制器是一种具有自学习、自适应、鲁棒性强的控制器。     

一类It (o)型非线性随机大系统的分散鲁棒镇定

利用反演法（Backstepping）构造出了适当形式的四次型Lyapunov函数，类似于自适应控制器的设计方法，讨论了一类Ito型随机非线性大系统在概率意义下的分散鲁棒稳定性，并系统地给出了状态反馈和输出反馈分散鲁棒自适应控制器的设计方法．     

基于神经网络的自适应控制器

提出了一种基于神经网络的控制系统,将传统ＰＩＤ工程整定法与神经网络相结合,采用直接自适应控制方法,使基于神经网络的控制器在ＰＩＤ控制的基础上实现自适应控制,更有效地改善控制品质．     

一类It型非线性随机大系统的分散鲁棒镇定

利用反演法(Backstepp ing)构造出了适当形式的四次型Lyapunov函数,类似于自适应控制器的设计方法,讨论了一类It^o型随机非线性大系统在概率意义下的分散鲁棒稳定性,并系统地给出了状态反馈和输出反馈分散鲁棒自适应控制器的设计方法。