一种基于神经网络的内模控制方法及其应用

根据具有非线性、强耦合、不确定性过程的控制需要，提出了一种基于神经网络的内模控制方法，该方法充分利用神经 自学习及非线性逼近能力，建立非线性、强耦合、不确定性过程的动态模型及逆模型，采用这种方法对冷轧过程中带材全局板形进行仿真实验控制，取得了理想的控制效果。     

基于BP算法的神经网络内模控制器

文章针对一类非线性系统,采用加入阻尼项的权值调整BP算法,设计了基于BP算法的神经网络内模控制器,并进行了仿真,结果显示该控制器对阶跃信号和扰动均无稳态误差,对非线性环节有较好的控制效果。     

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。     

模糊神经网络内模控制

内模控制(IMC)是一种先进的控制算法,具有很强的抗干扰性及鲁棒性,在工业过程控制中应用广泛.内模控制的控制性能往往取决于被控对象的模型,因此,如何得到被控对象的精确模型成为关键问题.对于工业中常见的非线性过程,传统的设计方法很难得到满意的控制效果.模糊控制和神经网络的引入为非线性内模控制的研究提供了一种新方法.模糊逻辑适合表达机遇规则的知识,而神经网络具有较强的自学习及自适应能力.将模糊逻辑与神经网络相结合,应用于内模控制中,对基于该模糊神经网络(FNN)的内部模型和控制器的建立进行了分析.仿真结果证明该算法是有效的,具有很强的自适应性和鲁棒性,可以应用于非线性及时变系统中.     

一种基于干扰观测器的内模控制方法

为保证内模控制的可实现性以及满足鲁棒性需要引入滤波器,但是滤波器的存在会导致跟踪滞后和无法有效抑制正弦扰动。针对这一问题本文提出了一种基于干扰观测器（DO）的内模控制方法。该方法能够抑制由阶跃扰动和正弦扰动组成的复合扰动：通过观测器可以对正弦干扰进行观测和补偿,内模控制器抑制阶跃干扰和观测器的补偿误差。对单机械臂的仿真证明了该方法的有效性。     

基于神经网络内模控制的近红外光谱定量分析方法

以近红外光谱法为基础测定方法,结合内模控制,论述了采用自适应神经网络建立校正模型测定石油化工产品组成的可行性.基于dSPACE硬件平台,实验以直馏柴油、加氢精制柴油和催化裂化柴油为校正模型的训练样本,对自适应神经网络校正模型进行了检验,实验结果表明:该方法响应快、误差小、鲁棒性强,在近红外长波区内,校正样品和验证样品的均方误差小于10-6.     

基于内模控制的网络控制系统

文章针对网络控制系统运用了内模控制的方法,无需对网络延时进行在线测量或估计,所以适应于时延为随机、时变或不确定,存在数据丢包以及控制对象模型变化的网络控制系统,并给出了控制器的简单设计方法.结果表明,基于内模控制的网络控制系统具有较好的动态性能,且具有较强的抗干扰能力和鲁棒性.     

基于逆系统方法的内模控制在伺服系统低速问题中的研究

针对常规控制方法对伺服系统低速抖动补偿效果不理想的问题,采用基于神经网络逆系统的内模控制方法对伺服系统进行控制。仿真结果表明,基于神经网络逆系统方法的内模控制能有效的改善低速性能,具有良好的控制效果,且控制器设计简单。     

利用RBF神经网络实现聚合反应的内模控制

文中研究基于径向基(RBF)神经网络算法的内模控制策略在苯乙烯本体聚合反应相对分子质量分布控制领域的应用。利用神经网络对非线性系统的逼近能力，把内模控制推广到聚合反应过程质量指标控制这一非线性系统中。针对建模过程中存在的稳态误差，在训练数据中增加了部分静态数据，有效的提高了模型的验证精度，大大改善了由神经网络构成的内模控制器的控制精度，消除了系统余差。仿真结果证明，基于神经网络算法的内模控制策略达到了较好的控制质量。     

基于动态神经网络解耦线性化的内模控制

采用动态神经网络对一类多变量仿射非线性系统进行建模，利用解析求得的模型动态逆，将非线性对象近似输入输出解耦线性化。针对复合后的伪线性系统采用内模控制，分析了存在建模误差的情况下闭环系统的鲁棒稳定性。仿真表明了所提方法的有效性。     

基于自构建RBF神经网络的内模控制

针对复杂的非线性被控过程,本文提出一种基于自构建RBF神经网络的内模控制方法。该方法中,神经网络的自构建学习算法包括结构学习和参数学习。结构学习采用最近邻聚类法使网络能够自适应地在线增加和删减神经元以达到理想的网络结构。神经网络的参数学习采用梯度下降法。将该神经网络用于内模控制,使得辨识被控远程内部模型和控制器模型的神经网络的神经元个数可以根据激励强度动态改变,进而改善了控制系统的动态性能和鲁棒性。仿真结果表明了所提方法的有效性。     

神经网络智能控制系统辨识模型结构的研究

目的 研究神经网络智能控制系统辨识模型的基本结构。方法 分析了控制系统动态模型的输入、输出关系,依据模型等效的最优化原理和神经网络任意逼近有限不连续函数的性质,提出神经网络辨识模型的基本结构。结果 该基本结构不仅适用于高阶线性系统,也适用于非线生及时变系统,可达到较高的辨识精度,保证了由此构成了神经网络控制系统具有较好的自适应性和鲁棒性。结论 所提出的基于神经网络系统辨识模型的基本结构具有一般性和     

基于BP神经网络的艾滋病预测模型

利用神经网络的自学习、自适应及非线性逼近能力,建立了艾滋病预测模型,并利用Matlab的神经网络工具箱进行开发实现.经过实证研究,表明了该模型的有效性,为艾滋病预防提供了一种科学、可行的预测模型。     

跳汰机床层松散状况递归神经网络内模控制

该文提出一种基于对角递归神经网络的内模控制系统 ,并以跳汰生产过程床层松散状况为对象进行了研究。仿真结果表明 ,该系统具有很好的动态响应 ,而且对外部扰动和模型误差具有良好的鲁棒性     

An Improved Minimum Distance Method Based on Artificial Neural Networks

MDM (minimum distance method) is a very popular algorithm in state recognition. But it has a presupposition, that is, the distance within one class must be shorter enough than the distance between classes. When this presupposition is not satisfied, the method is no longer valid. In order to overcome the shortcomings of MDM, an improved minimum distance method(IMDM) based on ANN (artificial neural networks) is presented. The simulation results demonstrate that IMDM has two advantages, that is, the rate of recognition is faster and the accuracy of recognition is higher compared with MDM.     

基于神经网络的人工肌非线性控制

运用非线性控制的逆系统方法,提出了一种基于神经网络的人工肌非线性控制方案,由原系统导出n-m阶逆系统模型,并与原系统一起构成具有反馈结构的伪线性系统,从而可方便地运用线性控制理论完成对控制系统的设计,用BP神经网络逼近逆系统模型,并借助于递推预报误差算法来训练神经网络,该算法与传统的BP算法相比具有更好的收敛特性,设计了一个具有单关节的人工肌试验系统,给出了人工肌关节跟踪正弦波和矩形波参考信号的试验结果,与传统的线性控制方案比较,基于神经网络的人工肌非线性控制方案能够得到更快的控制速度和更高的控制精度。     

人工神经网络在炼铁工序能耗分析中的应用

以节能降耗为基本出发点,借助大量的统计数据,运用BP算法对企业工序能耗进行了系统地分析。研究结果表明用神经网络BP算法构造的网络模型,用于练铁工序能耗多因素的定量分析是可行的。这种方法尤其适用于一般数学模型难以描述的非机理型相关因素的定量分析。     

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 .     

基于神经网络的模糊推理预测方法

将模糊推理技术与神经网络结合．利用模糊集理论来处理输入、输出信息，借助神经网络系统来完成推理、判断与知识的记忆存储及学习．从而给出了基于神经网络的模糊推理预测模型。