模糊神经网络控制器的设计与仿真

提出了一种复杂系统模糊建模及控制的神经网络方法,通过ＢＰ神经网络,对模糊规则的结论参数和隶属函数进行在线修正,实现模糊规则的自组织,这种控制方法可用地对受控对象缺乏精确的数学模型或具有时滞,高阶,非线性等难以用现有的控制理论分析方法和控制的复杂系统,仿真结果证明了这种方法的有效性。     

模糊神经网络控制器的设计与仿真

提出了一种复杂系统模糊建模及控制的神经网络方法.通过BP神经网络,对模糊现则的结论参数和隶属函数进行在线修正,实现模糊规则的自组织.这种控制方法可用于对受控对象缺乏精确的数学模型或具有时滞、高阶、非线性等难以用现有的控制理论方法分析和控制的复杂系统.仿真结果证明了这种方法的有效性.     

基于正则神经网络模型的时滞混沌系统预测控制

研究模型未知、不稳定的不动点位置及其局部性态未知情形下的时滞混沌系统的控制问题。提出了一种神经网络预测控制方法,将模型未知时的时滞混沌运动控制到不稳定的不动点处。分析了控制系统(包括观测器、正则神经网络预测器和在线训练的线性神经网络预测控制器)的稳定性,与现有同类方法比较,本方法收敛速度快,算法简便。仿真实验表明了本方法的有效性。     

生物发酵过程的温度控制模型研究

针对生物发酵过程中温度控制难以建模的问题,基于非线性自回归滑动平均(NARMA)模型,设计了神经网络自回归滑动平均(NN-NARMA)模型.利用径向基神经网络逼近NARMA模型中的映射关系,对神经网络的输出进行了二阶低通滤波,用变异率可调节的遗传算法优化了NARMA模型中的延时参数以及神经网络的输出滤波参数.应用该方法建立了生物发酵过程的温度控制模型,该模型在上温、中温和下温的误差相对于Elman神经网络模型分别减少了38 9%、13 5%和61 3%.该方法具有一定的可操作性,能够较好地解决生物发酵过程中的温度控制建模问题.     

具有时滞的反应扩散神经网络模型的输入-状态稳定

【目的】研究带有时滞的反应扩散神经网络模型的输入-状态稳定。【方法】首先,建立一类带有时滞的反应扩散神经网络模型,该模型中的神经元激励函数不要求有界,也不要求光滑。然后,利用具有时变输入的时滞微分不等式和矩阵不等式方法。【结果】获得该反应扩散神经网络系统的输入-状态稳定的两个充分条件。【结论】结果改进和推广现有文献的相关工作。     

具有时滞的反应扩散神经网络模型的输入-状态稳定

【目的】研究带有时滞的反应扩散神经网络模型的输入-状态稳定。【方法】首先,建立一类带有时滞的反应扩散神经网络模型,该模型中的神经元激励函数不要求有界,也不要求光滑。然后,利用具有时变输入的时滞微分不等式和矩阵不等式方法。【结果】获得该反应扩散神经网络系统的输入-状态稳定的两个充分条件。【结论】结果改进和推广现有文献的相关工作。
     

基于混杂脉冲切换控制的时滞混沌神经网络的镇定

针对一类离散时滞混沌神经网络,研究其基于混杂脉冲切换控制的镇定问题.利用切换Lyapunov函数方法和S过程技巧,得到了受控的神经网络的指数稳定判据.该结果反映了脉冲控制和切换控制对闭环系统的稳定性的影响.离散时滞Hopfield混沌神经网络例子表明了所给镇定方法的有效性.     

时滞神经网络稳定性、分岔与混沌的研究进展

时滞广泛存在于神经网络中，从非线性动力学的角度对时滞神经网络系统的研究进展作一综述，内容包括时滞神经网络系统的特点、研究方法、神经网络动力学的热点问题的研究进展以及亟待解决的问题等。由于时滞神经网络的演化趋势不仅依赖于系统的当前状态，还依赖于系统的过去某一时刻或若干时刻的状态，其运动方程要用泛函微分方程来描述，解的空间是无穷维的，因此，时滞神经网络的动态行为是非常复杂的。     

模糊内模预估控制在烟叶复烤中的应用

烟叶复烤过程是一个不确定的时滞系统,为了对时滞性进行有效的控制,本文提出了一种新的模糊内模预估控制方法。它的最大特点是采用智能化的模糊模型预估器作为被控过程的内部模型,对实际输出起预测作用,从而克服时滞对系统带来的不利影响。同时,根据预测误差建立模糊内模控制器,在线修正、补偿被控过程的模型失配。数字仿真显示,这种控制方法优于常规控制方法,在烟叶复烤过程有广泛的应用前景。     

基于径向基函数神经网络的热工过程模型辨识

为了准确反映热工过程动态特性,实现热工过程整体优化控制,提出了一类新的径向基函数神经网络(RBF-NN)的建模方法:采用熵方法和竞争学习算法,结合非线性自回归滑动平均(NARMA)模型的输入/输出结构实现RBF-NN的优化,辨识RBF-NN结构,并用最小二乘算法(LS)确定权向量,实现了典型的非线性热工过程建模。通过两个实例验证:基于NARMA结构的RBF-NN建模,具有较高的辨识精度和较少的隐层节点。     

小脑神经网络用于不确定时滞系统的鲁棒非脆弱控制

针对不确定时滞系统的鲁棒跟踪控制问题,设计了一种基于小脑神经网络CMAC的鲁棒非脆弱控制器。首先,给出小脑模型神经网络控制系统的算法。其次针对一类不确定时滞系统,根据李雅普诺夫稳定理论,进行了鲁棒非脆弱控制器的设计。假设反馈控制中即含有状态反馈不确定性,也具有状态时滞的不确定性。证明不确定时滞系统鲁棒非脆弱控制存在的条件。该条件可以利用Matlab的线性矩阵不等式LMI工具箱来求解鲁棒控制器的参数。之后利用CMAC神经网络较强的学习能力和鲁棒非脆弱控制器对参数摄动抑制作用的特点,将鲁棒非脆弱控制器与小脑模型神经网络CMAC相结合,构成小脑模型神经网络与鲁棒非脆弱控制器的复合控制,实现对不确定时滞系统的跟踪控制。仿真结果显示,对于输入端扰动和一定程度的参数摄动,经过复合控制器的作用,被控系统能在短时间的抖动后逐渐趋于稳定,不仅具有较快的响应速度,还具有较短的收敛时间和令人满意的跟踪精度。该种复合控制表现出较强抗干扰能力及鲁棒性。     

不稳定和积分时滞过程的Smith预估器设计

针对不稳定和积分时滞过程，提出了一种设计修正的Smith预估器的新方法．首先利用内环控制器镇定不稳定或积分时滞过程，然后通过等效变换将修正的Smith预估器结构简化为内模控制（IMC）结构，并利用内模控制原理和积分平方误差（ISE）指标设计给定点跟踪控制器．最后，根据负载扰动下保持闭环系统稳定的要求，利用最佳相位裕度标准或Nyquist稳定性判据设计负载扰动控制器．多个仿真示例验证了该设计方法比现有的方法具有更好的动态特性与鲁棒性．     

一种神经网络模型算法控制的研究

本文提出了一种利用人工神经网络来实现的模型算法控制，通过神经网络的离线学习和在线修正产生预测作用，并由智能控制单元实施控制作用。仿真表明，该控制方法具有良好的控制特性和鲁棒性，且适用于非线性系统。     

含时滞的单输入单输出的非线性系统的自适应神经网络控制(英文)

对一类含时滞的单输入单输出的非线性系统提出了一种新的自适应神经网络控制方法.利用径向基神经网络来估计未知的连续函数.在设计中利用积分型Lyapunov-Krasovskii来消除未知的时滞.该文的结果的主要优点是:不仅有效地避免了控制奇异问题,也消除了对未知虚拟控制条件的限制.     

基于神经网络内模的热解反应器温度控制

针对生物质热解反应器温控系统大惯性、大时滞以及非线性等特点,提出基于神经网络的内模控制方法,以提高温控系统的控制性能.利用内模控制算法提高系统的鲁棒性,采用神经网络设计出内模控制结构中的被控对象模型和内模控制器,与传统比例积分微分控制器(proportional integral derivative control,...     

具有时滞的Cohen-Grossberg神经网络的指数输入-状态稳定

【目的】研究具有时滞的Cohen-Grossberg神经网络模型的指数输入-状态稳定。【方法】通过构造新的Halanay微分不等式来证明主要结果。【结果】对于所建立的一类具有时滞的Cohen-Grossberg神经网络模型获得了该系统指数输入-状态稳定的充分条件。【结论】此方法不仅改善了一些保守性的条件并且本文中的神经网络模型更具有一般性,一个数值例子也表明该方法是有效的。     

时滞细胞神经网络全局同步的滑模控制方法

利用改进的滑模控制方法,研究了具有多时滞和分布时滞细胞神经网络的全局同步问题.基于Lyapunov稳定性原理,运用线性矩阵不等式方法,设计滑模面,考虑了时滞独立和时滞相关两种情况.设计了合适的滑模控制器,以使得误差系统的轨迹能全局达到滑模面.得到了相对充分的条件,来确保时滞独立与时滞相关两种情况下误差系统的全局稳定性,从而实现时滞细胞神经网络的全局同步.结果表明所设计的滑模控制器由误差反馈控制输出来获得高增益补偿的准则,可用以处理神经网络的全局同步问题,并且此方法可应用于其他复杂神经网络.     

Riemann-Liouville型分数阶时滞惯性复值神经网络的全局渐近同步性

本文研究了Riemann-Liouville型分数阶时滞惯性复值神经网络的全局渐近同步问题。先引入了分数阶时滞惯性复值神经网络模型,在Riemann-Liouville型分数阶导数复合性质基础上,通过变量代换的方法将惯性系统转化为常规系统。然后,基于全局渐近同步理论和不等式技巧,得出了在新的反馈控制器下分数阶时滞惯性复值神经网络全局渐近同步的充分条件。     

基于RBF神经网络的预测控制

运用神经网络解决系统的非线性问题,用预测控制解决系统时滞问题．针对制冷系统膨胀阀控制回路具有时滞、非线性的特点,提出了将基于RBF神经网络的预测控制用于蒸发器过热度的控制．仿真与应用均表明该算法具有良好的动态响应和较强的鲁棒性,能够对蒸发器过热度进行有效的控制．     

非线性时滞系统的智能迭代学习控制

针对一类单输入单输出非线性时滞系统,提出了一种自适应神经网络迭代学习控制方案,神经网络用来逼近未知非线性函数和未知非线性时滞函数,放宽了传统迭代学习控制对非线性函数和非线性时滞函数的限制,拓展了迭代学习控制的应用范围．采用Lyapunov—Krasovskii函数和利用反演（Backstepping）技术设计神经网络学习律和控制律,基于Lyapunov稳定性理论,证明了闭环系统所有信号半全局一致最终有界,通过调节设计参数可以实现对目标轨线任意精度的跟踪．