神经网络自适应控制的研究进展

关于人工神经网络与自适应结合的研究,近年来已成为智能控制学科的热点之一,已有大量的研究成果见诸各种学术刊物和会议论文.自适应具有强鲁棒性,神经网络则具有自学习功能和良好的容错能力,神经网络自适应控制由于较好地结合了二者的优点而具有强大的优势.本文较系统地综述了神经网络自适应控制的研究进展,讨论了神经网络自适应的主要模型和算法,并就其存在的一些问题、应用与发展趋势进行了探讨.     

多层前向神经网络的自适应遗传算法训练

提出了一种改进的自适应遗传算法ＩＡＧＡ,它利用 特点,采用前向自适应技术,实现对神经网络的有交工具实验表明,该算法优于ＢＰ算法,标准遗传算法ＢＧＡ和普通自适应遗传算法ＡＧＡ,网络训练质量和效率都有很大提高。     

一类自适应神经网络控制的研究与设计

文章研究了一类自适应神经元网络控制结构和算法。仿真表明它有较好的控制性能。     

模糊神经网络自适应控制

为实现复杂生产过程的自适应控制，设计了一类基于模糊神经网络控制器的自适应控制策略，仿真结果表明，该算法对复杂动态过程的控制具有良好的适应性。     

具有多神经网络的自适应预测控制

提出了一种将多神经网络，自适应控制和预测控制相结合的方法，用以解决复杂系统的控制问题，并从数学模型、网络结构及算法进行了研究、最后给出了模拟结果。     

基于神经网络的自适应控制研究进展

综述了近年来神经网络自适应控制的研究现状,阐述了神经网络自校正、模型参考自适应控制和内模控制,并对其构成与特点进行了分析。在此基础上,指出了神经网络自适应控制研究中存在的主要问题,展望了神经网络自适应控制未来的研究方向。     

神经网络在控制领域中的应用

本文综述了近年来神经网络在控制领域的应用情况，并讨论了存在的问题和发展趋势。     

模糊神经网络模型参考自适应控制及其应用

提出一种模糊神经网络的自适应控制方案，给出了一种模糊神经网络模型和快速的优化学习算法（ＦＬＡ），通过网络的在线自学习不断修正模糊神经网络控制器的隶属函数和权值，实现了模糊逻辑规则的自动更新，经仿真结果和倒立摆控制表明，这类自适应控制具有良好的控制性能。     

神经网络与PID结合的机器人自适应控制

提出了一种基于神经网络与ＰＩＤ控制相结合的机器人自适应控制系统。为加快神经网络的学习过程，研究了有效的启发式学习算法。以二关节机器人为对象仿真表明，该控制系统能使机器人跟踪希望轨迹，其系统响应跟踪精度及鲁棒性优于常规的控制策略。     

一种模糊神经网络自适应预测控制方案的研究

在过程控制中,由于被控对象常具有非线性、不确定性及参数时变等复杂因素,难以建立精确的数学模型,从而直接影响了控制效果,提出了一种模糊神经网络自适应预测控制议案,对学习公式进行了理论指导,并结合误差补偿以提高预测控制的精度,仿真实验表明,该算法可实现模糊控制和神经网络的优势互补,对非线性复杂系统具有良好的控制性能。     

基于神经网络的多变量自适应控制器

利用神经网络对非线性映射的逼近能力，通过采用一步超前预测控制性能指标及网络模型局部线性化的思想，给出了一个显式的控制律和相应的自适应控制算法，仿真结果表明了该控制算法的有效性。     

基于神经网络的自适应滤波研究

自适应信号处理在信号处理中占据主要地位,自适应滤波又是自适应信号处理中的主要应用.目前对自适应滤波的研究主要集中在算法上,但很难在收敛速度、稳定性和跟踪性能上同时取得最佳性能.综合考虑自适应滤波的各种性能,研究基于神经网络的自适应滤波方法,并通过实例应用来证明了该方法的有效性.该研究对拓展自适应滤波方法和神经网络的应用都具有重要的参考价值.     

基于动态神经网络的一类非线性组合系统自适应控制

针对一类非线性组合大系统,提出一种用动态神经网络逼近组合大系统的新型设计方法·首先由动态神经网络辨识非线性组合大系统,也就是利用动态神经网络逼近系统的未知项和互联项,其次设计控制器使实际系统的状态来跟踪参考模型的轨迹·利用Lyapunov稳定性理论保证跟踪误差和其他信号是最终一致有界的·通过一个非线性系统例子的仿真证明这种设计方法的可行性·这种设计方法能够解决大系统中最为复杂的互联项问题,得出基于神经网络的自适应控制律·     

一种基于小波神经网络的自适应控制方法

提出了一种基于小波神经网络的自适应控制方法,该方法利用两个小波神经网络作为自适应系统的辩识器和控制器来构成自适应控制系统。由于小波函数具有紧支性以及神经网络的非线性映射能力,因而在所构成的控制系统中,辨识器能更准确地近似具有较强非线性被控对象的动态特性,控制器能产生较为复杂的控制规律。仿真结果表明,该系统比一般神经网络控制系统具有调节速度快和超调小等更好的控制效果。     

神经网络自适应模糊控制器设计与应用

把神经网与模糊系统相结合，提出一种基于神经网络的自适应模糊控制器，这种控制系统由模糊神经网络控制器和模糊网络组成，具有自适应学习能力，仿真结果以及应用于温度控制系统中，其鲁棒性明显优于一般Ｆｕｚｚｙ控制。     

基于DRNN的机器人轨迹跟踪自适应控制

针对模型未知和动力学非线性机器人轨迹跟踪,提出了一种基于分布式动态回归神经网络（ＤＲＮＮ）的自适应控制方法．该方法在ＰＤ动态反馈控制的基础上,引入神经网络辨识器（ＮＮＩ）在线逼近对象的非线性动力学,并设计出神经网络自适应控制器（ＮＮＣ）来补偿机器人动力学非线性造成的误差．仿真结果表明该控制方案具有良好的跟踪性能和较强的鲁棒性．     

神经网络自适应控制器设计

对前馈神经网络用于动态系统的辨识、自适应控制进行了分析和数学推导，给出了自适应神经网络控制器的设计方法．最后通过仿真实例进行了说明．     

复杂动态车削过程的神经网络直接自适应控制

动态是系统最基本的特性，为了实现复杂动态系统的实时控制。文中对已有动态神经网络结构进行了改进，使之易于应用于一般未知系统：在此基础上研究了运用动态神经网络实现直接自适应控制的方法，并针对回转类复杂曲面车削过程的特点，提出了相应的动态神经网络直接自适应控制方案，以综合实时校正加工过程中参数缓慢时变，突变以及非线性等复杂动态因素的影响。针对典型零件的车削实验表明，该方法可有效地减小复杂轮廓加工误差。     

不确定非线性组合系统基于神经网络的鲁棒控制

针对不确定非线性组合系统,基于神经网络提出了一种新的鲁棒控制器设计方法·利用神经网络逼近系统的未知扰动和互联项·首先考虑不确定非线性组合系统的标称系统并且设计相应的标称控制器;其次考虑系统的未知扰动和互连项,设计了校正控制信号并把它加入了标称控制器中,这种设计方法可以保证实际系统具有最终一致有界的特性·控制信号是光滑的且不需要预先知道神经网络连接权或模型误差的上界·最后给出一个数值的例子,仿真结果表明该方法的有效性·