基于BP神经网络的分数阶PIαDβ控制器参数整定研究

对于分数阶控制系统,因分数阶控制器较传统PID控制器具有更好的适应性,这就为得到更加细腻的控制品质提供了可能。然而,分数阶PI^αD^β控制器的参数整定则相对复杂。针对这一问题,提出了基于BP神经网络的分数阶控制器参数整定方法,有效地克服了分数阶控制器参数整定复杂问题。采用文章所提方法,分别设计了整数阶PID、分数阶PI^αD^β控制器,并进行仿真对比。结果表明,采用分数阶PI^αD^β控制器的系统控制品质优于整数阶PID控制器。     

基于IPMC的分数阶控制及参数整定

离子聚合物-金属复合物材料(ionic polymer-metal composite,IPMC)是一种人工肌肉材料,作为一种新型执行器非常适用于仿生机器人的开发.使用分数阶控制器可以提高对动态系统的控制能力.为了说明分数阶控制的优越性,并对拟合精度高的IPMC分数阶模型设计最优分数阶控制器.首先针对IPMC驱动器的分数阶模型分别设计了整数阶PID控制器和最优分数阶PI1Dm控制器.然后,比较分析控制效果可见分数阶控制的上升时间更快,超调量更小,证明了应用分数阶控制方法可以使得被控系统的性能得到明显改善.最后,针对分数阶控制器的各个参数的变化对系统的影响做了详细的分析,故而可以选择最优参数实现分数阶最优控制.     

基于BP神经网络和分数阶PIλDμ的VIENNA整流器控制策略

为了解决传统PI控制器调节速度慢,追踪性能差等问题,文中提出了BP神经网络和分数阶PIλDμ(BP-FOPID）相结合的控制方法。本文首先根据VIENNA整流器的拓扑结构推导出数学模型。接着根据数学模型设计双闭环控制,其中外环采用BP 神经网络对参考电流进行非线性拟合,内环采用分数阶PIλDμ控制器对外环输出的参考电流进行跟踪。另外,由于直流侧上下桥臂电容电压会存在不平衡的问题,本文采用了计及小矢量的改进SVPWM调制策略。最后,在 MATLAB/Simulink 中建立相应的仿真模型,仿真结果表明,文中所提的BP-FOPID的有效性和优越性。     

一种基于遗传BP神经网络的分数阶PI~αD~β参数整定方法

对于离散、非线性、大时滞等复杂系统BP神经网络具有优越的处理能力。而将遗传算法引入与之结合,能够有效的弥补神经网络的缺陷,从而能显著提高收敛速度并且减小系统误差。本文运用遗传算法来改进BP神经网络,实现改进的BP神经网络具有更好的收敛性,然后采用改进的BP神经网络对分数阶PID控制器参数进行整定,通过具体实例在Matlab平台下进行仿真,验证所提方法的有效性。仿真结果表明遗传算法能够有效的改善神经网络在收敛速度和预测精度上的不足,基于本文改进方法对一个复杂分数阶被控系统进行分数阶PID控制器设计,通过仿真曲线证实了所提方法设计的控制器能够取得良好的控制品质。     

改进BP神经网络的并网逆变器分数阶比例—积分—微分控制策略

传统比例-积分-微分(proportion-integration-differentiation, PID)控制技术在电网产生扰动时无法兼顾快速性和鲁棒性,易造成系统不稳定失衡,向电网注入大量的谐波。对此现象,提出了一种改进反向传播(back propagation, BP)神经网络的分数阶PID控制器来提高电网的鲁棒性和对响应的快速性。该算法采用分数阶PID控制器跟踪电流外环的参考电流,并针对分数阶PID控制器的5个参数采用BP神经网络实时在线整定,消除了人为调参所带来的不确定性。对于BP神经网络在整定参数过程中无法整定得到最优解,引入变化的惯性因子和学习速率,提高了BP神经网络的求解效率。仿真结果验证表明,所提控制算法对并网电流能够实现快速跟踪,鲁棒性好。     

基于离子聚合物-金属复合物材料的分数阶控制及参数整定

离子聚合物-金属复合物材料(ionic polymer-metal composite,IPMC)是一种人工肌肉材料,作为一种新型执行器非常适用于仿生机器人的开发。使用分数阶控制器可以提高对动态系统的控制能力。为了说明分数阶控制的优越性,并对拟合精度高的IPMC分数阶模型设计最优分数阶控制器。首先针对IPMC驱动器的分数阶模型分别设计了整数阶PID控制器和最优分数阶PIlDm控制器。然后,比较分析控制效果可见分数阶控制的上升时间更快,超调量更小,证明了应用分数阶控制方法可以使得被控系统的性能得到明显改善。最后,针对分数阶控制器的各个参数的变化对系统的影响做了详细的分析,故而可以选择最优参数实现分数阶最优控制。     

基于BP神经网络整定的PID控制策略研究

PID控制在工业生产中广泛应用,在反馈控制系统中经常会遇到稳定性和准确性的冲突,神经网络技术的发展为此提供了新的解决问题的途径,本文将BP神经网络模型与PID参数整定结合,探讨了基于BP神经网络整定的PID控制策略。     

分数阶Relaxation-Oscillation方程的一种分数阶预估-校正方法

涉及松弛（Relaxation）和震动（0scmation）基本现象的过程是与物理密切相关；从数学观点来看。众所周知由时间分数阶导数a,0〈a≤1或1〈a≤2来控制的现象。被称之为分数阶松弛或分数阶震动现象．本考虑分数阶Relaxation-Oscillation方程．证明了分数阶Relaxation-Oscillation方程解的存在惟一性，并利用格林函数给出了它的解析解．我们提出一种计算有效的分数阶预估一校正方法，导出了其误差估计．最后给出数值例子．     

分数阶时滞神经网络的一致稳定性

研究一类带有时滞的Caputo型分数阶神经网络的解的动力学行为.基于等价范数定理、不等式技巧以及压缩映像定理,经过计算证明得到了分数阶神经网络的解存在唯一性和一致稳定性的结论;通过一个分数阶时滞神经网络模型实例验证了所得结论的有效性.     

基于遗传神经网络的拉延筋参数辨识

拉延筋是板料冲压成形质量的一个重要影响因素,设计和布置拉延筋是冲压模具设计的关键。研究反映拉延筋成形效果的3个参数与拉延筋几何参数之间非线性映射关系,采用遗传算法优化的反向传播神经网络构建模型,并对模型进行参数辨识。仿真实验验证了此方法的有效性,可为拉延筋的设计提供帮助。     

基于反馈控制的分数阶时滞神经网络的同步

研究了分数阶时滞神经网络的同步问题,通过使用Mittag-Leffler函数和线性反馈控制,给出了同步控制器解析式,得到了关于Caputo导数的时滞神经网络同步的充分条件;系统同步的条件容易证明和实现且仅依赖于系统的结构;最后通过数值模拟验证了理论的有效性.     

一种基于分数阶Fourier变换的光斑图像抑噪方法

在激光光斑中心定位系统中,光斑图像噪声直接影响中心定位的精度。为了保证光斑重心的测量精度,抑制光斑图像噪声,针对信号和噪声有很强的时频静合特性,通过分数阶Fourier变换（FRFT）分析了含噪声激光光斑图像在分数阶Fourier域的幅度特征,在一维信号分数阶滤波系统参数估计的基础上,利用多阶段的滤波结构滤除激光光斑图像中的高斯噪声。仿真结果表明,该算法能较好地在强噪声背景下将光斑图像恢复出来,抑噪后的光斑基本能满足激光光斑中心定位系统的预处理要求。     

一种基于进化BP神经网络的文本分类算法

提出并实现了一种结合BP神经网络和遗传算法的文本分类算法,根据遗传算法能够快速优化网络权重以及摆脱BP算法局部极点困扰的能力,提出一种改进的遗传算法确定网络拓扑结构和训练网络的方法.最后对设计的分类器进行了开放性测试,实验结果表明该分类器显著地提高了文本分类的查全率和查准率.     

基于分数阶微积分及分数阶Fourier变换的图像加密方法

图像加密技术一直是图像处理中的热点问题,把分数阶微积分引入图像加密技术中更是当代前沿研究课题.本文基于分数阶微积分及分数阶Fourier变换的方法,提出了一种新的数字水印算法.该算法在分数阶傅里叶域嵌入水印,分数阶微积分阶次以及分数阶Fourier变换的变换阶数为数字水印的安全性提供了保证.随后作者用相关性检测的方法来提取水印.最后作者通过对算法仿真以及加密图像的抗攻击性能进行测试,发现本文提出的数字水印算法有较好的不可感知性,且对噪声、旋转、剪切等攻击具有良好的鲁棒性.     

一类分数阶Hopfield神经网络的Mittag-Leffler稳定性

研究了Caputo导数形式下的一类分数阶Hopfield神经网络的Mittag-Leffler稳定性.利用Mittag-Leffler函数的相关性质,得到该类系统平衡点的存在性与唯一性的充分条件,进而得到该类分数阶Hopfield神经网络的Mittag-Leffler稳定性的充分条件.最后,利用仿真实例验证了该结果的正确性与有效性.     

基于分数阶时延混沌神经网络的图像加密

基于分数阶时延混沌神经网络,提出了一种新的图像加密算法:利用混沌系统产生秘钥流,把时延和分数阶导数嵌入到秘钥系统中以增加算法的安全性;用像素异或和置换相结合的方法对原始图像进行加密。通过对加密后图像各像素的水平垂直相关性、信息熵、游程统计、灰度变化平均值、直方图均衡度、密钥灵敏度等数据的详细分析,验证了该加密算法的安全性和有效性。     

基于Riesz分数阶导数的分数阶运动微分方程

研究分数阶系统的变分原理和运动微分方程.建立了基于Riesz分数阶导数的分数阶Hamilton原理,并由分数阶Hamilton原理推导出了分数阶Lagrange方程和分数阶Hamilton正则方程.算例表明,分数阶Lagrange方程与分数阶Hamilton正则方程给出相同的结果.     

基于遗传BP神经网络的非平稳时间序列预测

BP网是神经网络时间序列预测方法中最常用的网络。针对BP算法局部搜索能力强,而遗传算法全局搜索优势突出的特点,将二者结合构造遗传BP神经网络,用于非平稳时间序列预测。仿真结果表明,该混合算法不仅提高了学习效率,而且对太阳黑子数预测的准确性高于BP算法、传统统计学预测方法。     

一种基于BP神经网络的车牌字符识别方法

根据字符的不同统计特征设计了不同的特征提取方法和分类器。实验表明，本文提出的字符识别方法，对车牌字符识别具有一定的识别率。     

基于遗传优化BP神经网络的员工绩效评估实证研究

首先介绍了基于BP神经网络的单位员工绩效评估模型,再通过遗传算法对BP神经网络的参数进行优化,提高了BP神经网络算法进行绩效评估的精度和效率。最后通过实证分析证明了此算法在单位员工绩效评估中的可行性和有效性。