基于神经网络PID控制器在交流调速系统中的应用

针对PID控制和神经网络控制在交流调速系统中的局限性,利用其各自的优点,采用神经网络和PID控制相结合的方法构建神经网络PID控制器,实现变频调速控制,得到了神经网络控制器模型和神经网络控制方法运行的结果。仿真结果充分表明了神经网络模型具有良好的稳定性、鲁棒性和跟随性,而且改善了原系统的动态特性,证明了该方法在交流调速系统中的应用价值。     

神经网络预测控制综述

神经网络预测控制是智能预测控制研究的热点之一,在工业控制中具有很大的应用前景。按照预测模型的不同将预测控制进行了分类,引出了智能预测控制的概念,从滚动优化方式的不同探讨了神经网络预测控制,指出了神经网络预测控制的发展方向。     

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。     

基于柔性神经网络自适应PID的磁轴承径向力控制

针对电机磁轴承径向力控制的严重非线性,提出了利用神经网络自适应整定PID参数,从而直接调节磁轴承径向悬浮绕组电流实现转子径向稳定悬浮的控制方案.在利用BP神经网络结合PID控制实现转子径向稳定悬浮的基础上,为改善径向位移跟踪的动静态性能,提出了基于柔性神经网络的径向力控制,给出了详细的控制算法,并仿真比较了柔性神经网络控制与BP神经网络控制下转子在空载和突加负载时径向悬浮情况,仿真结果表明柔性神经网络控制具有更好的动静态性能,为智能控制的进一步应用研究提供了基础.     

基于神经网络的有源电力滤波器预测控制方法

提出了一种基于神经网络的有源电力滤波器预测控制方法。此方法将神经网络内模控制技术应用到有源电力滤波器（ＡＰＦ）的控制系统中,同时针对ＡＰＦ控制系统中神经网络计算时延问题,引入了一个神经网络预测模型。仿真分析表明,这种控制方法补偿了系统滞后,能充分利用神经网络的自适应特性,有很好的控制效果。     

一种基于模糊神经网络的智能PID控制器

本文设计了一种基于模糊神经网络的PID控制器,利用模糊神经网络对被控制象进行模糊辨识,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,实现PID控制的智能化。通过仿真实验表明,该控制器具有较高的控制品质。     

基于模糊BP神经网络的垃圾焚烧炉控制系统

根据固体垃圾焚烧技术原理,结合垃圾焚烧炉运行特点,分析了垃圾焚烧过程与影响焚烧的主要因素,提出了基本模糊BP神经网络算法的垃圾焚烧炉控制方法.建立了垃圾焚烧炉炉温双端输入模糊神经网络（DIFNN）控制模型,并使用模糊BP神经网络控制算法对系统进行控制.仿真实验表明,该模糊BP神经网络控制能够适应复杂多变的焚烧过程的控制...     

气辅注塑成型注气压力的模糊神经网络控制研究

针对气辅注塑成形的注气压力精确控制要求,设计了具有５层结构的模糊神经网络控制器和控制算 法,利用神经网络的学习能力实现对模糊逻辑规则的优化,改善了系统的适应性。对系统３段压力控制的仿真 分析,验证了模糊神经网络控制模型的可行性,控制效果良好。     

一种时变非线性对象神经网络PID控制的仿真

利用BP神经网络对被控对象进行了控制和辨识,提出了一种基于BP神经网络的PID控制器;给出了相应的控制算法;并对典型的参数时变非线性系统的控制进行了仿真研究。仿真结果表明,同传统PID控制器相比,神经网络PID控制器对于模型、环境具有较好的适应能力与较强的鲁棒性,证明了神经网络控制的优越性。     

直接转矩控制的异步电动机转矩脉动最小化

针对异步电动机直接转矩控制低速转矩脉动大的问题,充分利用模糊控制吸收人的经验思维,以及神经网络对信息的处理具有自组织、自学习的特点,提出一种新的模糊神经网络控制方法.该方法实现了逆变器开关周期的占空比控制,使感应电动机的转矩脉动达到最小.其中,模糊神经网络的训练采用最小二乘法,解决了常规的BP算法容易陷入局部极小的问题.将传统的直接转矩控制方案和模糊神经网络占空比控制方案进行了比较研究,仿真结果校验了模糊神经网络占空比控制方案的有效性.     

离散时间最优控制问题的一种神经网络新解法

根据人工神经网络理论提出了一种处理最优控制问题的最新思想，即由每一采要时刻系统的输入和响应，快速训练产生一模型网络，并由ＬＱＲ理论直接构造最优反馈策略，和以往研究不同，这里不需要任何离线学习，因而避免了收集离线学习所需数据的困难，可以实现时控制，充分体现了智能控制的特点。     

用神经网络解多元非线性方程组

给出前人人工神经网络逼近性理论，得到用人工神经网络可逼近任意给定的连续函数，并通过计算机对一些非线性函数进行模拟，模拟结果表明这种方法的可行性．给出用人工神经网络解多元非线性方程组的原理     

基于鲁棒成本函数的随机模糊神经网络参数学习算法

为了解决采用最小方差型的误差成本函数进行输入含噪系统参数学习时的随机模糊神经网络(SFNN)参数不能收敛至真值的问题,将包含噪声方差的误差成本函数推广到多入单出系统,并根据鲁棒统计学理论和目标函数在参数学习中的导向作用,对目标函数进行修正,使之对于不服从统计分布的粗大误差也能有效处理.在此基础上提出了SFNN的鲁棒参数学习算法,并且输入输出数据中的噪声方差也通过学习而得到,从而避免了需要多次测量的要求.结果表明,SFNN的鲁棒参数学习算法能抑制粗大误差和系统噪声.最后,通过仿真对比验证表明了该方法的有效性.     

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．     

基于动态递归神经网络的动态矩阵控制

给出了利用动态递归神经网络 (DRNN)重构一个非线性动态过程的方法 ,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征 ,容易实现并进行稳定性分析。利用训练好的网络作为预估模型 ,设计了基于DRNN的动态矩阵控制算法。仿真结果表明了权值调整算法和控制策略的有效性     

非线性主动噪声神经网络补偿控制

针对目前主动噪声控制方法需要对次级通道进行辨识,且辨识模型精确度严重影响控制效果的问题,提出一种基于神经网络前馈补偿的非线性主动噪声控制方法. 该方法利用神经网络的非线性函数逼近能力,将非线性次级通道作为被控对象,非线性主通道作为噪声模型,设计基于神经网络补偿的噪声控制系统. 该方法无需已知主通道和次级通道模型,且基于Lyapunov定理证明了控制系统的稳定性. 仿真结果表明了该方法的有效性.     

基于ATD-BP神经网络的页岩气产量预测方法

储层改造是页岩气开发的关键步骤,根据储层改造数据进行页岩气井产量预测,对后续施工优化有重要指导意义。然而,储层改造数据与气井产量间呈非线性相关关系,不适用于传统线性预测方法。且储层改造数据存在有效数据较少、噪声数据占比较大、维数较高等问题,不适用于受噪声影响较大的传统BP神经网络非线性预测方法。由此,本文提出一种页岩气储层改造产量预测方法,首先利用自适应阈值去噪(adaptive threshold denoise,ATD)算法去除噪声,再运用BP神经网络对储层改造数据进行非线性拟合,得到页岩气井产量预测模型。实验表明,相比传统的BP神经网络,本文所提方法能够有效提高预测的准确率和稳定性。     

基于动态神经网络的非线性系统建模及其控制

结合已知机理信息构造动态神经网络 ,进行了非线性动态系统的建模 ,给出了权值调整算法。利用获得的模型 ,设计了反馈线性化控制器。由训练好的网络在线提供反馈线性化所需要的信息。为了解决模型失配问题 ,采用内模控制结构来引入模型的误差反馈 ,以消除稳态误差。文中给出了仿真实例。     

基于径向基函数和模糊逻辑的短期电力负荷预测

综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,提出了将径向基(RBF)网络和模糊逻辑相结合的预测方法。利用具有非线性逼进能力的RBF神经网络预测出预测日的最大负荷值和最小负荷值,并用模糊逻辑预测出预测日的负荷系数,进而得到预测日的负荷值。实际算例表明:该方法同BP网络相比,具有较高的预测精度,证明了该方法的有效性。     

非线性系统建模的复合型模糊神经网络研究

针对非线性系统建模问题,提出了一类由函数逼近和规则推理网络构成的复合型模糊神经网络,其规则网络基于过程先验知识用于对操作区间的划分,而函数网络采用改进型模糊神经网络结构完成非线性函数逼近。采用一类非线性函数模型进行了仿真研究,结果表明,复合型模糊神经网络较之普通模糊神经网络在建模收敛速度和预测精度等方面都有较大的改善。