新型神经网络模型参考自适应控制系统设计

针对任意复杂非线性系统，即控制器具有不可分离结构的离散非线性系统，提出新型神经网络模型参考自适应控制。该方案的提出简化了基于神经网络的模型参考自适应控制系统的设计，只需一个神经网络辨识器。统一了任意神经网络模型参考自适应控制的设计方法，更接近于工程实际。仿真结果证明了该方案的合理性和有效性。     

一种时变非线性系统的自适应逆控制仿真

对一种非线性时变系统提出了基于神经网络的自适应逆控制方案。该方案中用两个动态神经网络分别作为模型辨识器和自适应逆控制器,详细推导了在线训练自适应逆控制器的BPTM(backpropagationthroughmodel)和RTRL(realtimerecursivelearning)算法。根据大幅面喷墨打印机的结构特点,建立了打印头车架系统的时变非线性动力学模型作为仿真对象,在Matlab/Simulink平台下进行了算法仿真验证。结果表明了该方案收敛快,能有效控制该时变非线性对象。     

高精度伺服系统神经网络自适应控制研究

经典的、基于对象模型的PI控制方法简单、易于实现,但对于一些负载扰动和模型参数的变化,往往不能起到很好的抑制作用。针对上述问题,提出了一种神经网络自适应PI的控制方法,利用负载干扰观测器和神经网络自适应地调整PI控制器的参数,从而来有效地减少负载的干扰和模型参数的变化对系统造成的影响,提高了系统的鲁棒性。仿真结果表明了该方法的有效性。     

一种基于小波网络模型参考自适应控制系统的设计与应用

根据神经网络内模控制的思想,提出了一种基于小波网络的模型参考自适应控制方法。该方法选用两个小波神经网络,分别作为系统模型的辨识器和控制器。此外,为了减小系统误差,在控制器和辨识器之间加入一个小波神经网络,作为非线性自适应滤波器。仿真结果和应用实例表明了该方法的有效性和合理性。     

在基于二阶Adaline网络的广义预测极点配置控制器

为了解决实际应用中非线性被控过程的预测控制问题,把神经网络、广义预测控制和极点配置技术融为一体,提出一个新型自适应神经网络广义预测极点配置加权控制器(GPPWC)。首先提出非线性被控过程的二阶自适应线性神经元(Adaline)网络模型,然后给出基于二阶Adaline网络的GPPWC。仿真结果表明该方案的有效性。     

基于径向基网络的前馈反馈自适应控制器

对于非线性被控对象,当存在未建模动态,参数摄动或对象动力学特性时变时难以实施有效的控制,为此,我们利用径向基函数神经网络,并将前馈和反馈控制方案相结合,提出一种鲁棒性强、实时性好、能控制非最小相位系统的神经网络前馈反馈自适应控制器。仿真结果表明了该方案的优良特性。     

非线性离散系统的直接自适应神经网络控制器

对于一类非仿射离散时间系统,提出了一种新的自适应神经网络控制器。首先推导与原系统等价的仿射形式模型,由仿射模型推导控制律。控制律中采用一个神经网络,与传统的基于反馈线性化的自适应神经网络设计方法中采用两个神经网络相比,计算量大大减少且避免了控制器奇异问题。神经网络权值根据系统输入输出信号进行更新,另外σ项的引入,取消了为保证参数收敛持续激励的条件。系统的稳定性通过Lyapunov方法进行了分析,仿真实例验证了控制器的有效性。     

基于神经网络的反步自适应大机动飞行控制

针对飞机大机动飞行时模型非线性和参数不确定性的特点,提出了一种基于全调节神经网络的反步自适应控制方法。飞机模型不确定部分由全调节径向基函数(radical basis function, RBF)神经网络在线补偿,控制律及神经网络参数自适应律由反步法回馈递推得到,并利用一种自适应参数策略的混沌粒子群算法优化控制器固定参数,改善动态性能,最后通过加权伪逆控制分配方法得到最终控制信号。仿真结果表明：在较大的模型气动参数不确定及控制增益矩阵未知时,所设计的控制律仍能理想地跟踪飞机大机动指令飞行,神经网络参数估计误差指数收敛到有界紧集,系统具有快速的收敛性和良好的鲁棒性。     

基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。     

地形跟随中航迹跟踪模型预测控制方案设计

针对地形跟随飞行中的航迹跟踪问题,设计了航迹跟踪模型预测控制器,并讨论了模型预测控制中时域参数切换的自适应方案设计。首先,结合被控对象的特点,设计了用于实现全局稳定跟踪参考航迹的模型预测航迹控制器,并对控制器展开了稳定性分析。然后,充分发挥模型预测控制的预测能力,进行了航迹跟踪方法和综合误差评价策略设计。同时,通过分析不同航迹段的跟踪需求,设计了自适应调整模型预测控制中时域参数的优化方案。仿真验证结果表明,自适应方案相比固定时域方案航迹跟踪精度更高、飞行颠簸小、稳定性好,预设的评价指标函数能有效评估跟踪性能。     

模糊神经网络自学习控制器及其应用

本文提出了一种模糊神经网络自学习控制方法，并介绍了采用多层神经网络表达模糊控制的知识规则、模糊推理和学习算法。经实验仿真结果表明这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性能优于一般模糊控制。     

TSK动态网络及其在非线性动态系统中的应用

针对非线性动态系统特点，提出了一种新型的基于TSK模糊模型的动态回归模糊神经网DRFNN（Dynamic recurrent fuzzy neural networks），并给出了网络参教的迭代算法和基于李亚普诺夫稳定理论的收敛性证明。该动态回归网络由静态网络和内反馈动态回归网络组成，在结构上更好的拟合了非线性动态系统特点，应用于非线性动态系统的辨识和控制的试验结果也说明该动态回归模糊神经网络对解决非线性动态系统辨识和控制问题的有效性。     

基于模糊神经网络的电梯系统交通模式识别

介绍采用模糊神经网络进行电梯群控系统交通模式识别的方法。用3步混合训练方法对用于模式识别的两个模糊神经网络进行训练,测试结果表明此方法可以准确地辨识出各种交通模式所占的比例,可以指导群控器优化派梯策略,提高电梯群控系统的服务性能。     

模糊系统建模与控制的神经网络方法

本文将正在迅速发展中的模糊控制、建模方法与神经网络方法结合起来,提出了模糊系统建模与控制的神经网络方法。这种方法的核心是利用神经网络来实现复杂系统的模糊输入和输出间的模糊映射关系,并利用神经网络来学习并记忆人类控制器的知识和经验性的控制策略。本文给出了详细的模型结构和有关算法,并仿真实现了基于神经网络的模糊系统建模与模糊控制。     

机器人模糊神经网络阻抗控制

提出一种以位置控制为基础的模糊神经网络阻抗控制结构,它根据力误差修正参考位置,使机器人与环境的实际接触力跟踪期望力。利用模糊神经网络学习参考位置,不需要环境位置和刚度的先验知识。这种方法有误差补偿作用,对干扰和环境等不确定因素具有鲁棒性,仿真结果表明了控制方案的有效性。     

基于遗传算法的模糊神经控制及其应用

将遗传算法和模糊神经网络结合起来,提出一类智能控制方案。仿真实验和实际温控表明,这类智能控制器可改善具有时变、非线性及大纯滞后系统的控制品质,其性能优于一般模糊控制。     

基于模糊神经网络的ATM网络连接接纳控制

ATM网络的业务量控制是ATM网络中的关键技术之一.连接接纳控制是业务量控制的一种,对业务源进行预防式控制.本文采用模糊神经网络算法对ATM网络进行连接接纳控制,仿真结果表明它比传统的算法有更好的效果.     

城市交通干线递阶模糊控制及其神经网络实现

利用大系统的分解-协调思想、模糊理论和神经网络技术来进行城市交通干线的实时协调控制.把交通干线作为一个大系统,子系统为干线上的各个交叉口,在此基础上,设计了一种城市交通干线的两级模糊协调控制算法并用BP神经网络实现.控制级在线调整各子系统的信号周期和绿信比;而协调级则根据测得的交通信息协调相邻子系统间的车辆数.控制目标是使干线交通畅通并使平均车辆延误时间尽可能小.最后进行了仿真研究,结果表明,该方法比车辆全感应式控制能有效地减小平均车辆延误.     

智能重构控制技术及其应用

重构控制已成为目前控制领域的研究热点和具有挑战性的课题。概述了重构控制发展的背景、现状及存在问题，通过分析得知，重构控制的智能化已成为该领域发展的重要方向，并进一步总结了目前若干具有代表性的智能重构控制方法，着重介绍了基于神经网络和模糊推理的智能故障诊断和智能重构控制方法。最后，展望了智能重构控制在飞行控制领域的应用前景     

带推力矢量空空导弹的神经网络控制与仿真

对于新型空空导弹为了使导弹获得更高的的机动性、敏感性和更高的导引精度，大多采用推力矢量控制方案，因为神经网络控制对于系统非线性变化具有很强自适应能力，因而在解决带推力矢量空空导弹的控制问题时有较明显的优点，本文在给出推力矢量空空导弹数学模型的基础上，提出了两种适用于带推力矢量空空导弹的神经网络控制方案，并采用其中的双网络逆动态学习控制方法进行了自动驾驶仪设计，为进一步改善该神经网络的学习效果。还引入基于学习经验的模糊规则。数字仿真表明所提出的神经网络控制对于系统内参数非线性变化具有很强的适应性。