基于U模型的神经网络PID控制系统设计

研究一类非线性对象的建模,提出通用的非线性U模型表达式。在非线性U模型基础之上,提出径向基神经网络PID控制算法,采用梯度下降法与PID位置增量算法相结合,根据径向基神经网络在线辨识非线性被控对象,得出Jacobian信息去修正PID控制器参数,最终完成非线性系统的精确控制。仿真结果证实,采用高精度的非线性U模型及神经网络PID控制算法提高了非线性控制系统的精度。     

基于U模型的神经网络PID控制系统设计

研究一类非线性对象的建模,提出通用的非线性U模型表达式。在非线性U模型基础之上,提出径向基神经网络PID控制算法,采用梯度下降法与PID位置增量算法相结合,根据径向基神经网络在线辨识非线性被控对象,得出Jacobian信息去修正PID控制器参数,最终完成非线性系统的精确控制。仿真结果证实,采用高精度的非线性U模型及神经网络PID控制算法提高了非线性控制系统的精度。     

挖掘机器人阀控缸系统RBF神经网络参数辨识

为提高液压挖掘机器人工作装置轨迹规划控制精度,减小按照理想模型进行控制的阀控缸系统存在的控制误差,获得更接近实际状况的阀控缸系统控制模型,采用RBF神经网络方法,建立含阀控缸系统待辨识参数及Jacobian信息的线性方程组.以挖掘机斗杆油缸为研究对象,经实验获得油缸进回油压力、斗杆倾角参数,辨识出阀控缸模型中阀的增益系数kq、体积模量Eoil和内泄漏系数Cli.最后通过对阀控缸系统进行力控制实验对比研究,验证了采用辨识参数的系统模型控制精度较好,有很强的鲁棒性.     

基于RBFNN整定的PID控制在柔性摆跟踪控制中的应用研究

本文提出了一种基于径向基函数神经网络（RBFNN）整定的PID控制策略,并将其应用于柔性倒立摆的跟踪控制。该方法通过神经网络辨识获取柔性摆的Jacobian信息,采用梯度下降法自适应调整PID的控制参数。仿真结果表明,与传统的PID控制效果相比,该控制方法响应速度快、超调量小,较好地解决了PID控制方法中参数整定困难的问题,实现了对柔性摆的有效跟踪控制。     

Wiener模型的集成辨识方法

对一类石油化工生产过程中的Ｗｉｅｎｅｒ模型辨识问题,提出了一种稳态与动态相结合的集成辨识方法．利用稳态信息获取稳态模型的强一致性估计,通过神经网络逼近得到非线性增益的逆函数．然后利用系统的动态信息辨识Ｗｉｅｎｅｒ模型的线性系统的参数,并得到一致性估计．仿真结果表明了该方法的有效性和实用性．     

一种基于DRNN神经网络整定的PID解耦控制方法的研究

根据DRNN神经网络的Jacobian信息辨识，提出一种基于DRNN神经网络整定的PID解耦控制方法，并进行了计算机仿真，仿真结果表明：与一般PID解耦控制相比，基于DRNN神经网络整定的PID解耦控制具有响应速度快，自适应能力强，抗干扰能力强的优点。     

延迟时间未知的时延系统神经网络补偿控制

提出了延迟系统及延迟时间参数的神经网络辨识方法。改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于模型补偿的控制策略相结合,可以用于具有变化参数或者不确定性延迟时间的大延迟系统的控制。仿真结果表明这种神经网络模型补偿延迟系统控制具有很好的控制效果,它是大延迟控制中克服延迟时间变化的很有希望的方法。     

基于RBF神经网络自适应整定燃烧串级控制系统

针对传统的锅炉燃烧串级控制系统采用固定的PID控制参数难以取得满意的控制效果的缺点,引入径向基(RBF)神经网络自适应整定燃烧串级控制系统外同路的PID参数.内回路仍然沿用原来的Pl控制方式及控制参数,由RBF网络辨识得到被控对象的Jacobian信息后,根据梯度下降法自适应调整系统外回路的PID控制参数.仿真研究结果表明:新控制算法能够消除控制系统的静态误差;即使被控对象的模型参数发生了很大变化,新控制算法仍然能快速响应蒸汽压力的阶跃扰动,迅速克服燃料量内扰,其控制效果明显优于常规PID串级控制.     

电液负载模拟器神经网络辨识器及控制器设计

针对传统控制方法无法解决飞机舵机电液负载模拟器受多余力等非线性因素严重干扰的问题,给出了一种基于神经网络辨识器及控制器的复合控制结构,结合了神经网络系统辨识与自适应实时控制的工作特点。根据电液负载模拟器控制结构及工作原理,采用BP神经网络辨识器在线辨识,获得系统辨识模型以替代理论数学模型。然后,采用Adaline神经网络控制器实时控制,利用系统误差信号与BP神经网络反向递归计算Adaline网络权值调整信息,获得系统控制参数,实现复合控制器的有效监督与智能控制。最后利用MATLAB进行实验验证,仿真结果表明：该方法能够提高系统控制精度,多余力消扰率达92%;并且可以有效模拟飞机舵机所受力载荷的变化情况,实现系统指令信号快速、准确、稳定的加载。     

交流变频调速系统的神经网络自适应控制

针对交流变频调速系统模型未知情况,提出一种改进的神经网络自适应控制方案．该方法采用双神经网络结构,通过引入一个神经网络辨识器来逼近系统的动力学特性以代替真实系统,另一神经网络作为自适应控制器以改善控制性能．系统仿真实验表明,该控制方法具有很强的鲁棒性和抗干扰能力,特别对于系统结构不确定、参数时变或含非线性因素的交流调速系统是一种有效的控制策略．     

模型未知非零和博弈问题的策略迭代算法

提出了一种在线积分策略迭代算法,用来求解内部非线性动力模型未知的双人非零和博弈问题.通过在控制策略和干扰策略中引入探测信号,从而避开了系统的模型信息,得到了一个求解非零和博弈的无模型的近似动态规划算法.该算法同步更新值函数、控制策略、扰动策略,并且最终得到收敛的策略权值.在算法实现过程中,使用4个神经网络分别近似两个值函数、控制策略和扰动策略,使用最小二乘法估计神经网络的未知参数.最后仿真结果验证了算法的有效性.     

立体视觉神经网络定位方法

为了解决计算机视觉中摄摄像机标定存在的若干问题，根据立体视觉原理，提出了基于神经网络的测避方法，利用神经网络建立空间点世界坐标与图像坐标非线性映射关系，使系统不经过复杂的摄摄像机内外参数标定，就能将二维像坐标（输入）与三维物坐标（输出）一一对应起来，并与传统的定位方法进行了比较．实验表明，该方法有效可行，简化了视觉系统的标定和定位计算，较之传统方法更具科学性，在定位精度上达到了良好效果。     

基于神经网络的Wiener系统故障检测方法

针对一类线性部分严格正定且非线性部分可逆的Wiener模型,提出了基于神经网络参数估计的系统线性部分故障检测方法.引入卡尔曼滤波器滤除系统未知干扰和噪声,并将Wiener模型转化为ARMA模型,计算得到线性部分参数;神经网络在线估计系统线性部分的参数,通过参数估计值与实际值的比较检测系统故障.仿真实例证明了该方法的正确性和有效性.     

船舶航向在线自学习智能控制方法

为更快更好地控制船舶在预定航线上航行,提出一种船舶航向在线自学习模糊神经网络智能控制方法.模糊子集处理船舶控制中的不确切信息,通过神经网络训练模糊推理系统中的参数,旨在把模糊推理和神经网络融合,使船舶航向智能控制器具有在线自学习功能.该方法能实时控制风流扰动下作为非线性时变系统的船舶而无须依赖船舶运动数学模型.模拟试验结果表明,即使在有环境扰动情况下,该方法也能很好地控制具有很大惯性船舶的航向.     

多变量生物发酵过程的解耦控制

把非线性系统的逆系统方法与神经网络非线性辨识技术相结合 ,提出了一种基于神经网络逆系统的发酵过程多变量解耦控制策略 .当过程模型缺乏足够的先验知识时 ,所提出的解耦控制策略对多变量非线性连续发酵过程取得了良好的控制性能 .仿真结果表明 ,提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性 ,具有较强的鲁棒性 .克服了基于微分几何理论的逆系统解耦控制方案依赖于过程模型和对模型参数变化很敏感的缺点 .     

基于自适应神经网络的非线性系统的智能故障诊断

针对一类模型未知的非线性系统,提出了一种基于自适应神经网络的故障诊断方法,用RBF神经网络构造了状态估计器和故障估计器,解决了非线性系统状态不可测时的故障诊断问题。并用Lyapunov方法研究了故障误差和状态误差的收敛性,结果表明了该方法实用、有效。     

基于预设性能转台伺服系统的参数估计和自适应控制

针对含参数未知和非线性摩擦动态的转台伺服系统,提出了一种基于预设性能函数的参数估计和自适应控制方法.利用一种连续的摩擦模型表示转台伺服系统的摩擦动态,引入高阶神经网络对其进行逼近.通过构造一种滤波辅助变量获取参数估计误差信息,并将估计误差信息作为参数自适应律的遗漏因子,保证估计值能够快速收敛到真实值.为了提高转台伺服系统的瞬态响应和稳态性能,利用预设性能函数将原始系统的跟踪误差转换为一个新的误差动态,在此基础上设计自适应控制器,实现对期望轨迹的精确跟踪.仿真结果验证了本文所提算法的有效性.      

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

改进神经网络自适应滑模控制的机器人轨迹跟踪控制

为了提高机器人轨迹跟踪控制性能,在神经网络滑模控制方法的基础上,提出了一种改进型神经网络自适应滑模控制方法.该方法将神经网络作为控制器,利用其非线性映射能力来逼近各种未知非线性,同时通过在控制律中加入鲁棒项来消除逼近误差.考虑到隐含层单元数和网络结构参数对神经网络映射有效性的影响,将降低抖振作为优化目标,采用粒子群优化算法对网络结构参数进行优化.最后在Matlab/Simulink环境下进行了仿真实验,并与其他控制方法进行了对比分析.仿真结果表明,基于该方法所设计的控制系统具有良好的鲁棒性和控制精确度,同时有效地削弱了抖振.