基于RBF神经网络的Duffing混沌系统控制

采用基于RBF神经网络的控制方法对Duffing混沌系统进行控制,运用RBF神经网络对受控的Duffing系统动力学方程中的非线性项进行自适应逼近,在保证受控系统在原点处的平衡态是一致渐进稳定的前提下,设计了相应的控制律及自适应控制律,使系统的状态变量在很短时间内稳定地收敛于目标值,仿真结果证明了该方法的有效性。     

基于RBF神经网络的一类非线性系统模糊自适应控制

针对一类非线性不确定系统,基于ＲＢＦ神经网络,结合模糊滑模控制提出了一种自适应控制方法。根据Ｌｙａｐｕｎｏｖ稳定性理论设计ＲＢＦ网络和模糊滑模补偿控制器的参数。     

一种基于RBF神经网络的传感器故障诊断方法

针对传感器故障，提出了一种基于RBF神经网络的集成故障诊断方法，用RBF神经网络建立传感器故障模型，对系统的状态和故障参数进行在线估计，然后将故障参数与修正的Bayes分类算法（MB算法）相结合，进行传感器故障在线检测、分离和估计。对连续搅拌釜式反应器（CSTR）的仿真结果表明，该集成故障诊断方法能够对多重传感器进行故障进行快速准确的分离和估计，并对传感器故障具有容错性。     

一类非线性系统的RBF神经网络滑模控制及应用

针对一类模型不精确的非线性系统,提出了一种RBF神经网络与滑模控制策略。RBF神经网络在一定条件下可以任意精度逼近非线性函数,且具有较强的自学习、自适应和组织能力。因此,将其与滑模变结构控制策略相结合,应用于非线性系统中。实验结果表明:其克服了传统滑模变结构控制中的振颤问题,同时,继承了滑模变结构控制所具有的快速性能好、鲁棒性强和抗干扰性能优良的特点。     

基于RBF神经网络的动态矩阵控制算法

利用RBF网络对DMC算法进行结构上的改进,并用RBF网络的逼近性能建立预测模型,提出一种基于RBF神经网络建模的动态矩阵控制算法,并用该算法对典型的时滞系统进行仿真试验,结果表明该算法具有较高的控制精度和响应速度.     

非线性系统的RBF神经网络建模方法研究

RBF神经网络理论为非线性系统辨识提供了有力的工具。针对多数RBF神经网络原有算法的计算量大、学习速度慢等缺点,采用一种混合算法,仿真结果表明算法具有一定的有效性。     

基于自适应遗传算法的RBF神经网络优化算法

针对传统遗传算法收敛速度慢的缺点,本文将改进后的遗传算法应用于RBF神经网络,对隐层中心和宽度值进行同步优化,并在复杂非线性函数的逼近实验中证明了本文算法相比传统遗传算法在搜索全局最小点的速度上得到了很大提高.     

基于RBF神经网络的伺服系统模型参考自适应控制

为进一步提高控制质量,提出一种RBF神经网络模型参考自适应控制策略,设计出伺服系统的控制方法,并给出RBF神经网络辨识模型参数的学习过程.仿真结果表明采用该策略控制效果良好,完全满足控制要求.     

基于RBF神经网络的电站锅炉燃烧系统非线性建模

应用RBF神经网络辨识方法建立了锅炉燃烧系统非线性模型,它可在运行中自动学习,适应很大工况范围及锅炉特性的时变性.应用结果表明所建立的模型能有效跟踪锅炉运行特性,具有很好的泛化能力,为锅炉燃烧系统优化控制和在线预测奠定了基础.     

一类非线性磁浮控制系统局部分叉特性研究

理论分析一上于非线性磁力的作用,此类系统将产生一次余维二分叉和二次Ｈｏｐｆ分叉及异宿分叉,此时控制器参数的设计值将直接影响系统的稳定性。文中给出了分在数条件、分叉曲线、全开折平面相图。     

基因优化网络技术在磁悬浮轴承控制中的研究

针对普通BP算法收敛速度慢，容易陷入局部极小值以及网络初始状态对网络性能的影响等问题，建立了单自由度磁悬浮控制系统的数学模型，设计了一种基因算法优化神经网络的智能控制方法，该方法提出用基因算法离线优化网络。并设计了一种双链异或交叉基因算子，改善了基因算法的效率，在较大程度上改善了单自由度磁悬浮系统的性能。     

基于RBF神经网络逆系统的注射速度控制

为了实现注射速度的精确控制,针对其非线性时变的动态特性,提出了基于神经网络逆系统的控制方法.采用M.Rafizadeh模型描述注射速度系统特性,通过求解该系统的相对阶证明了系统的可逆性.由于注射速度系统逆模型的解析形式难以获得,因此构造了基于RBF神经网络的注射速度逆系统,并将该系统与常规PID控制相结合,对注射速度实现复合控制,解决了基于RBF神经网络逆系统的开环控制效果不理想的问题.仿真实验表明,该控制系统具有良好的跟踪性能及抗干扰性能.     

基于RBF神经网络模型的单力臂机器人控制

针对单力臂机械手的控制,提出了一种基于RBF神经网络模型的控制方法;RBF神经网络即径向基函数,它本身是具有单隐层的三层前馈网络,从输入空间到输出空间的映射呈现非线性,但是从隐含层空间到输出空间的映射却呈现线性,又由于RBF网络它采用高斯基函数作为作用函数,它的输出与部分调参数有关,在输入空间的有限范围内不为零,是一种...     

磁控开关型故障限流器RBF神经网络自适应偏置电流控制

基于新型磁控开关型故障限流器偏置电流控制系统复杂的非线性时变特性,提出一种基于径向基函数神经网络的限流器偏置电流自适应控制系统,采用2个RBF神经网络来分别构成自适应控制网络和辨识网络,实现了偏置电流的实时控制.试验证明,利用该偏置电流控制系统,限流器的响应速度和限流效果可以得到保证.     

磁悬浮系统的反推滑模控制

针对磁悬浮系统的非线性、开环不稳定性,将其模型在平衡点附近线性化,并根据得到的状态方程设计了对系统不确定性具有较强鲁棒性的反推滑模控制器,实现了对磁悬浮系统的闭环稳定控制。在Matlab Simulink仿真环境下建立系统的实时控制框图并通过RTW工具箱生成可执行代码,实现了钢球的悬浮与控制。实验结果表明,所设计的反推滑模控制器能实现钢球的稳定悬浮并具有良好的动态跟踪性能。     

基于改进型RBF神经网络多变量系统的PID控制

针对工业控制中多输入多输出非线性时变系统,提出了基于改进型RBF神经网络的智能PID控制方法.采用最近邻聚类算法在线构造RBF神经网络辨识器并在线辨识被控对象,对PID控制器参数进行在线调整,实现了多变量非线性时变系统的解耦控制.仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制规律下的PID参数,解耦后的系统具有较好的动态和静态性能,与常规RBF神经网络PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性.     

基于神经网络的非线性最优控制

将线性最优控制技术与非线性神经网络的学习方法相结合，提出一种新的非线性最优控制器。仿真实验表明，这种控制器克服了传统最优控制不易解决的非线性容限性。