带有参数自调整机构的多变量系统模糊神经网络解耦控制

在文献[1]的基础上,引入模糊神经网络和参数自调整算法,改善系统的智能,使系统具有自学习和自调整模糊规则的能力.仿真结果表明,该方法能实现静态解耦,并提高了系统的抗干扰能力和鲁棒性,改善了系统的性能.     

离散多变量自适应解耦控制系统设计

基于 MRAC 系统的设计理论,利用连续系统从模型取状态的设计思想,给出了一类参数未知的多变量离散系统的自适应解耦算法,仿真结果表明,算法可行.     

微型计算机兼作解耦器和PID调节器的线性多变量控制系统

本文针对工业过程控制中常见的多输入多输出相关受控系统,提出了先设计解耦器,使多输入多输出的相关系统等效于多个简单的独立受控回路,然后再为各个回路设计调节器的方法。解耦器和PID调节器由微型计算机软件实现,比只用微型计算机作PID控制的系统不必增加任何硬件设备,而可以做到既实现解耦又使系统具有较好的静、动态品质。     

多变量系统子结构解耦零点和系统零点的特性

讨论了多变量系统子结构解耦零点，系统零点与系统整体解耦零点和系统零仍点的关系。结果表明子结构解耦零点和系统零点在最大子集意义上可由整体的解耦零点和传递函数阵零极点递阶描述并具结构分离特征。     

多变量信号解耦控制系统设计研究

目的研究多变量耦合系统解耦设计方法,优化控制系统设计。方法采用信号解耦方法对多变量耦合系统进行解耦,通过对耦合系统传递函数阵的特点研究。结果得到了多变量信号解耦的"能解耦准则"、"完全动态解耦准则"和"解耦器稳定判据";给出了信号解耦设计的"分离原理"。结论信号解耦方法表明解耦器的存在性、可实现性和稳定性取决于耦合系统的结构及参数,重新匹配变量、部分解耦和静态解耦是其改变办法。信号解耦器设计方法简单有效,但多变量信号解耦器的连接比较复杂。     

多变量系统的神经网络解耦新方法

利用前馈补偿的原理,设计了两种多变量系统的神经网络解耦方法·一种利用神经网络实现前馈补偿,使补偿以后的系统实现解耦,且解耦单变量系统具有原对象主通道的特性·第二种方法将解耦和神经网络逆动态控制结合起来,使对象的输出跟随对应输入值的变化·两种方法均可适用于多变量非线性系统     

多模型自适应前馈解耦控制器

当一类非最小相位系统参数发生跳变时,针对常规自适应控制系统暂态响应差的问题,提出一种基于多模型切换的多变量直接自适应前馈解耦控制器．该控制器由多个参数已知的固定控制器和2个自适应控制器构成．多个固定参数控制器可由系统参数模型通过映射直接得到,并且和邻域一起完全覆盖控制器参数模型集．通过加权多项式矩阵的选择,消除了稳态误差,实现了解耦控制,并给出了全局收敛性分析和覆盖性证明．仿真结果表明,暂态响应和解耦效果得到了提高。     

多变量解耦控制的研究

针对化工生产过程中遇到的多变量控制问题,以分析多变量的相关性为切入点,以某一加热器的控制系统为实例,提出并讨论了有效的解决方法--如何实现多变量解耦控制.     

多变量解耦控制的研究

针对化工生产过程中遇到的多变量控制问题,以分析多变量的相关性为切入点,以某一加热器的控制系统为实例,提出并讨论了有效的解决方法———如何实现多变量解耦控制。     

一类多变量系统的解耦适应控制

本文提出了一种多变量系统的解耦适应控制算法,该算法简单、灵活并且容易实现.系统各通道的控制器可按不同的要求独立设计,控制器参数可以在线计算。仿真结果证明了该算法的适应能力.     

多变量系统模糊自适应解耦控制方法综述

介绍了多种模糊自适应解耦方法,主要是传统自适应理论与模糊控制的结合以及糊神经网络解耦方法,并着重介绍了各方法的优点和局限性．最后对模糊自适应解耦研究领域的前景进行了展望。     

基于模糊RBF神经网络整定的航空发动机多变量解耦控制

为解决航空发动机控制变量之间的强耦合性,构造了基于模糊RBF神经网络整定的航空发动机多变量解耦控制系统.设计了基于模糊RBF神经网络的多变量解耦控制器,在线调整PID控制器的参数并根据Delta学习规则对网络权值进行修正以达到最佳控制;针对某型航空发动机含未建模动态和噪声等随机干扰的非线性模型进行了多变量解耦控制系统仿真.结果表明:系统具有满意的动态性能和解耦特性,该方法不需要知道发动机的精确数学模型,对航空发动机的非线性和不确定性具有较强的自适应能力.     

基于两级神经网络的发酵过程多变量前馈解耦控制

针对具有时变、非线性、不确定性的多变量耦合生物发酵过程,提出了一种基于两级神经网络的多变量前馈解耦方法.一级神经网络利用可获得的过程信息拟和耦合通道的过程特性,实现耦合作用对被控量影响的估计;二级神经网络用来拟和控制通道的逆特性.通过两级网络的串联,消除系统间的耦合.实验结果表明,提出的解耦控制方法能适应生物发酵过程模型的不确定性和参数时变性,克服了前馈解耦方法依赖于过程模型和对模型参数的变化表现敏感的缺点.     

神经网络解耦控制在多变量控制系统中的应用

应用神经网络解耦控制,实现多变量系统的最优控制.通过引入神经网络环节,对多变量系统进行解耦,解耦后的子系统变为单变量系统.因此将多变量控制变成单变量控制.解耦控制采用前馈补偿器解耦,解耦补偿器采用BP神经网络结构.仿真结果表明,该控制策略具有较好的动态跟踪特性,能满足复杂多变量控制系统的控制要求.     

模糊解耦控制系统的探讨

提出了以模糊解耦代替常规解耦的控制方法。在设计过程中，避免了对象精确数学模型的推导和严格计算的麻烦，实现极为简便。通过仿真实验，收到了较之常规解耦更为理想的控制效果。     

全解耦的多变量自校正控制

本文在 Koivo 建立的多变量自校正控制基础上,给出了描述系统动态的CARMA 模型。并将它化为 V 规范多变量耦合系统,然后进行解耦,从而提出一种新的多变量全解耦自校正控制(MFDSTC)策略。仿真结果表明,本文提出的解耦策略是可行的。文章还指出,这种解耦策略也适应于非最小相位系统。     

旋转飞行器的一种解耦模糊控制方法

研究旋转飞行器的解耦控制问题.考虑飞行过程中耦合对象系统的时变性,采用串联解耦网络对开环系统进行近似解耦,并采用模糊PID控制对闭环系统进行设计,实现了纵向和侧向通道之间的稳态解耦.仿真算例表明,该方法有效消除了旋转飞行器纵、侧向通道之间的耦合效应,在飞行状态时变的情况下能够获得良好的动态性能.     

具有极点配置的多变量自校正前馈解耦控制器

提出了一种具有极点配置的多变量自校正解耦控制器。该控制器适用于具有任意未知或变延时结构的多变量随机系统。本文采用显式算法,避免了在线解多项式矩阵方程。在一定的假设条件下,证明了该算法即使在开环不稳定和非最小相位情况下仍具有稳定性和收敛性。