基于GASA算法的网络控制系统的控制器设计

提出了一种基于遗传算法和模拟退火算法的混合策略，用于单包传输下的线性网络控制系统中远程PID控制器的设计。这种新的混合策略被称为GASA算法。由于网络导致的延迟存在，GASA算法被用于确定最佳的PID增益。在求解过程中，GASA算法在各温度下依次进行GA和SA搜索，其中SA的初始解来自GA的进化结果，SA经过Metropolis抽样过程得到的解又成为了GA进一步进化的初始种群，而温度的更新由退温操作来控制。对设定的性能指标如超调量和调整时间的违背量将作为GAsA适应度函数中的惩罚项。本文对基于Profibus-DP网络的网络控制系统进行测试，并与修正Ziegler-Nichols法的优化结果进行比较，结果表明在对网络导致的延迟没有任何先验知识的情况下，用于网络控制系统中远程控制器设计的GASA算法能够获得满意的控制效果。     

基于神经网络补偿的广义离散模型参考自适应控制系统设计

用一个常规线性模型对被控对象进行辨识，线性模型辨识的余差用一个神经网络进行补偿，线性模型和神经网络共同构成对象的辨识模型。利用参考模型的输出状态和被控对象的预测值，提出了适于任何形式被控对象的广义离散MRACS设计方法，适用于线性、非线性、最小相位和非最小相位系统。仿真结果表明，系统响应速度快，能够跟踪任意给定的参考序列，具有较强的鲁棒性和较好的控制精度，从而拓宽了模型参考自适应控制的应用范围。     

新型模糊神经网络控制器的设计及应用研究

讨论自组织竞争网络优化模糊神经网络的设计及应用研究。该设计方法运用自组织竞争神经网络（SCNN）来优化模糊神经网络结构,并采用遗传逄法来训练模糊神经网络的连接权参数,获得同时具有最佳结构和模糊神经网络（FNN）,船舶操纵的仿真结果表明此法明显优于传统的PID控制器。     

基于改进回声状态网络的高炉煤气产耗预测

以钢铁企业高炉煤气系统为背景,针对其产生量和消耗量的预测问题,提出一种改进回声状态网络时间序列方法进行系统仿真预测。并根据最小均方差准则,以最小化网络训练误差为目标,采用随机梯度下降法对网络参数进行优化。该方法对于不同预测对象,可计算出合适的网络连接权值、储备池谱半径等参数,避免了传统回声状态网络方法中单凭经验选择网络参数的现状,提高了预测精度。采用该方法对高炉煤气系统现场实际产耗数据进行了仿真预测,仿真结果表明所提出方法的有效性。     

基于连续型Hopfield神经网络的噪声字符识别

采用连续型Hopfield神经网络(CHNN)对噪声字符进行识别。此模型比离散型Hopfield神经网络(DHNN)和布尔神经网络(BNN)更易于硬件实现，且在信息处理的并行性和实时性等方面更接近实际生物神经网络的工作原理。仿真结果表明该方法可以有效地对噪声字符进行识别。     

基于自组织理论的自组织多项式网络算法

自组织多项式网络是采用神经网络的思路结合生物控制论和自组织特征映射理论而导出的一种新型网络算法,该算法在寻求模型参数的最优组合上的自组织特征及通过层层搜索误差最小点的功能,使其在用于非线性映射的拟合中体现了较强的优越性．开发的软件应用表明,该算法较ＧＭＤＨ算法及一般网络算法具有更高的精度拟合．     

基于Smith补偿与神经网络的网络控制系统PD控制

为减小网络时延给系统控制性能带来的负面影响,把传输网络以及被控对象看作是一个时变的被控系统,用Smith补偿器对时延进行补偿,并用遗忘因子递推最小二乘法对Smith补偿器中的参数进行估计,初步减小网络传输时延给系统带来的影响。将小脑模型控制器与PD控制相结合,组成复合控制器,进一步减小由时延预估误差带给系统的控制偏差,优化系统控制效果。最后,对该控制方法进行仿真实验,结果表明该方法能有效改善系统的控制性能。     

基于观测器的丢包网络控制系统控制器设计

针对网络控制系统的数据包丢失(丢包)问题,提出将网络控制系统中的丢包问题看成是被控对象输入矩阵的切换问题和控制器对象输入矩阵的分别切换问题,进而将网络控制系统看成是由矩阵切换决定的切换律未知的切换系统,将丢包等效为切换系统中子系统之间的切换。采用李雅普诺夫函数方法,对每个由矩阵形式决定的子系统设计了基于观测器的状态反馈控制器。利用线性矩阵不等式(linear matrix inequalities,LMI)的可行解给出了计算状态观测器和控制器的参数化方法。最后通过仿真算例验证了该方法的有效性。     

基于投影寻踪学习网络模型的光纤陀螺漂移估计器设计

环境温度变化造成的复杂漂移（温度漂移）始终是制约光纤陀螺（FOG）性能提高的重要因素。FOG温度漂移本质上是一组与温度有关的多变量非线性时间序列，在这一领域首次采用投影寻踪学习网络（PPLN）方法设计FOG温度漂移在线估计器，相对于传统的神经网络技术，PPLN采用批量学习和参数变替优化的训练算法，可以自适应确定神经网络的规模、参数和神经元函数，不仅具有简捷的网络结构和较强的鲁棒性和模型辨识能力，还可以有效克服学习过程局部极限问题。基于该方法设计PPLN漂移估计器对某型FOG温度漂移进行估计。采用试验实测数据对所提方法进行验证，并采用传统反向传播神经网络（BPNN）的方法进行比较，计算分析结果表明，PPLN漂移估计器具有更好的估计精度和鲁棒性，尤其在陀螺温度不正常变化时对当前漂移的估计精度可以提高至少2倍。     

基于多值编码的混合遗传算法的小波神经网络优化

采用多值编码方式构造染色体结构，对小波神经网络的结构和参数进行编码，可以同时确定小波神经网络结构和优化网络参数，简化了问题的求解过程。在遗传算法中嵌入一个梯度下降算子，使得混合算法既有较快的收敛性，又能以较大概率得到全局极值。仿真表明，利用该算法训练小波神经网络，能使网络具有简单的结构形式，较快的收敛速度，较高的逼近精度和较强的泛化能力。     

基于量子遗传算法的正规模糊神经网络控制器设计

针对模糊神经网络控制器通常涉及的参数较多,反传播算法难于收敛的问题,提出了一种优化设计正规化模糊神经网络控制器的量子遗传算法。该方法用量子比特构成染色体,用量子旋转门进行染色体更新,用量子非门进行染色体变异,将量子位的概率幅看作两个并列的基因,因此每条染色体包含两条并列的基因链,在染色体数目相同时,可提高获得全局最优解的概率。对控制器参数随机编码建立初始群体,利用量子遗传算法进行参数优化。实验结果表明该方法是有效的。     

基于CANbus的网络控制系统仿真平台

传感器、控制器与执行器的数据经网络进行传输与交换的闭环控制系统称为网络控制系统。网络控制系统是随着计算、通信和控制发展起来的新一代控制系统。目前针对网络控制系统的研究已愈来愈受到业内人士的关注，但是大都是通过软件模拟的方法。网络控制系统作为应用型的领域，软件模拟忽略了实际中的不确定性，因此有局限性。本文介绍基于CAN总线的网络控制系统仿真平台，包括硬件和软件，在现实的网络环境下解决网络控制系统中的种种问题。同时通过一个在此仿真平台所做的实例，以证明网络引起的时延会引起控制系统的不稳定。     

基于混沌神经网络模型的预测控制器的设计及应用

根据具有混沌特性非线性、大时滞系统的时间序列重构相空间，计算相空间饱和嵌入维数、并以此为指导，建立混沌神经网络，即便在网络输入不完整或发生变异的情况下，该模型仍能对系统作高精度的短期预测；在此基础上，又设计了模糊神经网络预测控制器，实现了对非线性、大时滞系统高精度的自适应控制。将该控制器应用到单元机组负荷控制系统中，仿真表明了该控制有效性、快速性和鲁棒性。     

基于混沌预测的模糊神经网络控制器设计及应用

由于混沌时间序列内部确定的规律性 ,其重构出混沌吸引子的相空间具有高精度短期预测性。根据非线性、大时滞系统的时间序列重构相空间 ,计算相空间的最大Lyapunov指数、饱和嵌入维数和可预报尺度 ,并以此为指导 ,对系统作高精度预测。在此基础上 ,又设计了遗传算法优化的模糊神经网络预测控制器 ,实现了对非线性、大时滞系统高精度的自适应控制。将该控制应用在锅炉过热汽温控制中 ,仿真表明该控制的有效性、准确性和鲁棒性。     

基于无线传输的非线性网络控制系统的模糊控制

考虑控制器与被控对象之间采用无线传输,且被控对象为非线性模型的一类网络控制系统,对其设计了稳定的模糊控制器。首先基于T-S模糊模型将对象线性化,并利用模糊主导子系统和主导控制规则,简化了模糊控制器的设计。其次,将闭环控制系统方程等效为与无线传输跳数相关的离散切换系统,并证明了闭环系统的稳定性。最后,通过一个仿真例子验证了文中方法的有效性。

Abstract：

Considering a class of networked control systems using wireless transmission between the controller and the controlled object,and with nonlinear controlled object,the stable fuzzy controller was designed.Firstly,based on T-S fuzzy model,the object was linearized.And the design of the fuzzy controller was simplified by using the fuzzy dominant subsystem and the dominant control rule.Secondly,the equation of the closed-loop control system was equal to the discrete switched system related to the hop count of the wireless transmission.Finally,a simulation example was given to demonstrate the effectiveness of the proposed method.     

一种PID型模糊神经网络控制器

为了使一种基于两维控制规则基的PID型模糊控制器具有参数在线学习功能，提出了一种包含一个自回归神经元的五层模糊神经网络，并根据梯度下降法，给出了它各权值的修正算法，该网络可以在反馈控制系统中作为一个自学习控制器来使用，最后，根据有关定理，给出并证明了该网络各层权值学习速率的收敛准则。     

网络控制系统的主动变采样控制器设计

利用主动变采样周期方法,研究了具有网络诱导时滞和数据包丢失的网络控制系统的H∞控制器设计问题,其采样周期在一个有限集内切换.新提出的主动变采样周期方法能够保证网络带宽的充分利用.在为具有主动变采样周期的网络控制系统设计H∞控制器时,使用了基于线性矩阵不等式的多目标优化方法和基于参数不确定性的方法.仿真结果说明了所提出的H∞控制器设计的有效性.     

一种基于模糊神经网络的自适应模糊辨识方法

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)。首先，基于模糊竞争学习算法确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。其次，利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁，逼近能力强，能够显著提高辨识精度，并且辨识的模糊模型简单有效。最后，将该AFNN用于非线性系统的模糊辨识，仿真结果验证了该方法的有效性。     

基于正交试验法的神经网络优化设计

运用正交试验法,以三层前向型神经网络为例,对神经网络的训练样本、权值和阀值、训练参数的选择进行分析和研究。在此基础上,提出一种基于正交试验法的神经网络优化设计方法。研究结果表明,正交试验法对于神经网络模型的确定具有很好的效果,是一种既直观易行又客观科学的方法。