模糊神经网络模型参考自适应控制

给出了一种基于模糊神经网络的模型参考自适应控制方案。首先,构造了一种运用递推预报误差（ＲＰＥ）算法的多层前向神经网络,并用其对被控对象建模,然后,又构造了一种模糊神经网络控制器（ＦＮＮＣ）。从而为一类难以建立精确数学模型的非线性被控对象提供了一种新的自适应控制方法,信息结果验证了其有效性。     

基于RBF神经网络的伺服系统模型参考自适应控制

为进一步提高控制质量,提出一种RBF神经网络模型参考自适应控制策略,设计出伺服系统的控制方法,并给出RBF神经网络辨识模型参数的学习过程.仿真结果表明采用该策略控制效果良好,完全满足控制要求.     

永磁同步电机的神经网络模型参考自适应控制研究

本文介绍了一种基于BP神经网络的正弦波永磁同步电机(PMSM)智能控制方法。同传统的PID控制相比较,基于神经网络的智能控制具有自学习、适应环境变化等优点。将BP神经网络模型参考自适应控制应用于PMSM,其仿真结果表明这种智能控制具有很强的鲁棒性、良好的动态和稳态特性。     

永磁交流伺服系统神经网络模型参考自适应控制

基于神经网络模型参考自适应控制策略,提出了一种利用模型参考适应控制（MRAC）的方法对永磁交流伺服系统进行智能控制。系统可以在线进行参数辨识对网络教师值进行修正。仿真研究表明,该系统具有较强的鲁棒性,与传统的PID控制比较,优点明显。     

非线性系统的神经网络逆模型控制

利用神经网络逼近任意非线性的能力 ,将其与非线性逆系统相结合 ,对非线性系统的逆模型进行建模 ,对实现的伪线性系统设计自适应控制进行综合 ,动态神经网络在线消除系统的近似逆误差和正向模型的辨识误差 ,设计权值调整规律为 w∧·=-λ·eTPbΦ(r ,r· ,v)‖e‖ p >E0‖e‖ p >E,仿真结果表明其有效 .     

神经网络辨识的自适应逆控制

逆模型控制是一个新颖的控制方法．但在实现上会遇到很多困难,如被控对象的大滞后、时变性和不确定性等,使精确的对象数学模型难以建立．文中根据工业对象的特点及对控制系统高鲁棒性与高自适应性的要求,提出一种改进的神经网络的模型参考自适应逆控制系统．仿真试验表明,此系统具有良好的跟踪给定信号和消除对象干扰的作用．     

利用神经网络自适应逆控制消除干扰和噪声

神经网络的自适应逆控制具有对鲁棒性高、自适应能力强和难以精确建立数学模型的工业对象,尤其是大滞后、非线性、不确定性及时变的对象.利用BP神经网络构成逆控制器,提出一种基于神经网络的模型参考自适应逆控制系统.仿真实验表明,此系统具有良好的消除对象干扰和敏感噪声的作用,可以在工业控制中广泛应用.     

基于预测的模型参考自适应逆控制

由于纯延迟离散系统仅存在延时的逆模型,因而对该系统进行自适应逆控制时,扰动消除会产生一定的延迟误差。为此,提出了一种基于非线性预测的模型参考自适应逆控制方法,实现了扰动的实时消除,从而无延迟误差,使系统控制性能得到改善。仿真结果表明了新方法的有效性。     

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果,发现该算法使控制器存在严重的“过学习”现象,为避免这一现象,设计了一种新的误差函数结构,得到改进的BP算法,针对一个存在大惯性环节的线性时变系统,对比分析了神经网络模型参考自适应控制器在采用传统的BP算法和改进的BP算法时得到的不同控制效果。     

基于粒子群优化的BP神经网络模型参考自适应控制系统

将粒子群优化的BP神经网络作为模型,参考自适应控制系统的控制器,把参考模型输出与系统实际输出的均方误差作为PSO-BP神经网络的适应函数,通过PSO算法强大的搜索性能使自适应控制系统的均方误差最小化.仿真实例结果表明,基于粒子群优化算法的BP神经网络自适应控制系统收敛快、精度高,有较好的网络的泛化和适应能力,能够很好地控制系统的输出跟随参考模型的输出.     

基于动态逆的直升机飞行品质设计研究

直升机的固有特点使其飞行品质较差,而直升机的使用任务却要求它具有良好的飞行品质。本文采用动态逆和极点配置相结合的方法设计直升机飞行控制律,并通过仿真手段进行检验,证实了样例直升机飞行品质提高以及所用飞行控制率的鲁棒性,从而表明本文控制律的有效性。     

一类神经网络非线性系统模型参考自适应控制

针对一类非线性系统 ,提出了一种神经网络模型参考自适应控制方案 .用GA离线辨识网络NNM ,在此基础上用BP算法在线训练控制器网络NNC .仿真结果验证了此控制方案的有效性 .     

基于RBF神经网络的销售预测模型的研究与应用

文章研究一种基于RBF神经网络建立预测模型方法,其主要采用有监督学习的SG(Stochastic gradient)法对RBF神经网络进行训练,并通过遗传算法优化隐层节点的中心值,用优化的中心值再次训练网络,优化网络参数,得到全局最优解。     

一种基于RBF神经网络预测模型的DMC预测控制

研究了一种利用RBF神经网络预测模型的动态矩阵控制算法,首先利用动态节点生成构造性RBF神经网络辨识对象模型,同时预测对象的未来输出,然后用传统的动态矩阵控制算法进行滚动优化和反馈校正。仿真表明该算法在非线性对象的任意工作点都可以通过神经网络辨识获得工作点附近的近似线性模型,具有较好的实时性。     

贝叶斯网络在适应性E-Learning系统中的应用

在适应性E-Learning系统中，建立学生学习模型的过程中难度最大的是处理众多的不确定因素，本文运用了贝叶斯网络的推理机制来处理这些不确定因素。     

模型参考自适应控制系统的一种设计方法

本文采用直接优化性能指标的方法,设计了离散时间的模型参考自适应控制系统,证明了最优调节器的存在性,并分别导出了确定性系统和随机系统的自适应算法。所设计的调节器参数,在一定条件下具有全局收敛性。数值模拟结果表明,所给出的算法是有效的,其控制精度和收敛性质都优于通常的自适应算法。     

模型参考自适应控制系统的一种设计方法

本文采用直接优化性能指标的方法,设计了离散时间的模型参考自适应控制系统,证明了最优调节器的存在性,并分别导出了确定性系统和随机系统的自适应算法.所设计的调节器参数,在一定条件下具有全局收敛性.数值模拟结果表明,所给出的算法是有效的,其控制精度和收敛性质都优于通常的自适应算法.     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法,在该算法中,先用BP神经网络辨识对象模型,同时预测对象的未来输出,然后用动态矩阵控制算法进行滚动优化和反馈校正.该方法解决了非线性、时变对象难以建模及控制的问题,又保留了常规预测控制的优点,是一种比较好的、有着广阔应用前景的新型控制算法.仿真结果验证了这一新型算法的可行性.