均热炉温度神经网络迭代学习控制算法

针对具有不确定性的重复非线性均热炉温度控制系统,提出基于神经网络的迭代学习控制算法,该算法采用神经网络作为迭代学习控制器,以前馈方式作用于被控系统,并引入PID反馈控制器来提高系统的性能.仿真结果表明,针对过程存在的重复干扰,该算法比单纯反馈控制具有更好的控制效果.     

点到点二阶参数优化迭代学习控制算法

针对一类离散线性时不变系统的点到点跟踪控制问题,提出一种快速参考轨迹更新的点到点二阶参数优化迭代学习控制算法.首先,在进行参考轨迹更新时,将插值法中的固定学习增益λ改为随迭代变化的指数变增益eγ(k),目的是使新的参考轨迹以更快的速度逼近系统输出.然后,利用当前次和前次迭代过程获得的输入、输出信息构造新的控制输入,并对...     

基于RBF网络的机械手迭代学习控制器

针对迭代学习控制用于机械手轨迹跟踪时存在的收敛速度慢的问题,提出了一种基于RBF网络的迭代学习控制器,利用先前跟踪不同期望轨迹所得的经验构造新的初始控制量以加快收敛速度.将给定的期望跟踪轨迹分解成多个查询点,然后用RBF网络对每个查询点周围最邻近的k个数据点进行拟合以建立系统的逆动力学特性估计,进而预测相应于查询点的初始控制输入.为验证所提方法的有效性,对一平面双连杆机械手进行了仿真研究.     

基于正交多项式的迭代学习控制算法及其应用

针对存在不确定扰动的线性系统的轨迹跟踪控制问题,提出了基于正交多项式的迭代学习算法．该算法利用正交多项式级数将系统参数化,运用其积分运算矩阵,导出了一种基于多项式级数的线性系统的近似模型．在此模型基础上,用迭代学习的方式来修正输入量的多项式展开系数,并运用LMI方法求解学习增益矩阵．所得算法在系统不满足正则性或无源性时,仍可以用输出误差信号来构造学习律．将该方法运用到直线电机的控制中,仿真结果表明,新算法能明显地提高直线电机的控制精度。     

基于小波递归神经网络的间歇过程迭代学习优化控制

针对间歇过程提出了基于小波神经网络的迭代学习优化控制算法,实现产品终点质量指标的控制。小波递归神经网络用于建立提供长期预测的间歇过程模型。由于模型误差以及未知干扰的影响,基于预测模型得到的控制变量在实际应用中得不到期望的终点质量指标。利用间歇过程的重复特性,采用迭代学习优化控制改善批次间的产品质量,根据以前批次的模型预...     

工程建模下过程控制的迭代学习控制算法及其收敛性

针对过程控制中工程化建模方法 ,得到的对象模型为传递函数形式 ,而目前的研究是化为状态空间表示 ,因而迭代学习算法及收敛性条件是以矩阵的形式表示 ,不太适合于实际应用的事实。文章用时频结合的方法给出了设定值变化下的迭代学习算法 ,并以系统参数形式地给出几种学习算法的收敛性定理 ,同时通过仿真表明其正确性     

不确定时滞系统的PD型迭代学习控制算法

针对不确定时滞系统,在网络时滞范围已知情况下,采用改进PD型迭代学习控制算法补偿网络时滞.在初态是严格重复时,给出这类系统的极限轨迹和迭代输出收敛于该极限轨迹的充分条件.并与P型迭代学习控制算法进行比较.仿真结果表明改进后的PD型迭代学习控制算法能够有效地补偿此类时滞.当网络时滞范围变窄时,能够更加精确跟踪极限轨迹.在相同迭代次数情况下,PD型迭代学习控制算法比P型迭代学习控制算法能更快收敛于极限轨迹.     

网络控制系统中迭代学习控制算法的鲁棒收敛性分析

针对网络控制系统中受输入扰动和初态干扰的非线性系统,提出了一种迭代学习控制算法,讨论了输出数据丢失情况下系统输出对期望轨迹的跟踪问题。采用一个概率已知的随机贝努利序列来描述网络控制系统中的数据丢失现象,即如果输出数据没有丢失,则利用跟踪误差来修正上一次迭代学习时的控制量,从而获得系统当前控制量;如果存在输出数据丢失现象,则系统当前控制量保持上一次迭代时的控制量不变。给出了保证算法收敛的充分条件。从理论上证明了系统满足给定的收敛条件时,在数据丢失网络环境下具有输入扰动、初态扰动的被控系统随迭代学习次数的增加,系统输出除初始点以外都能够收敛于期望轨迹。通过仿真算例进一步验证了所提方法的有效性。     

机器人跟踪的迭代学习控制方法

针对机器人跟踪控制问题,提出一种改进的D型迭代学习控制律,给出迭代学习控制算法的充分条件和必要条件.该控制律除了利用机器人的关节位置及关节速度信息外,还引入了机器人的关节角加速度.利用控制律中的机器人关节角加速度构成的学习律在二关节操作臂上进行试验并且与D类学习律进行比较.仿真结果表明,该方法能大大提高学习速度,具有良好的控制性能.     

一种改进的非线性离散系统迭代学习控制算法

针对非线性离散时变系统的迭代学习控制问题,提出了一种改进的迭代学习控制算法。在新控制算法中,除了在传统算法基础上增加了状态补偿外,还引用了小波变换来对跟踪误差进行了滤波而没有相位补偿。利用该算法进行学习控制,使系统的实际输出以更快的速度收敛于系统的理想输出;并进一步从理论上证明了新算法的收敛性。     

一种新的迭代学习控制快速算法

对一类连续系统的迭代学习控制问题进行了讨论,提出了一种新的迭代学习控制算法,该算法与目前的算法具有完全不同的形式,数值仿真结果表明了新算法的有效性与优越性。     

基于神经网络的无监督自学习控制系统

所论系统的控制由两个神经网络完成,即对象放识器和系统控制器。并且提出了一种 新的学习算法,它能利用存贮于辨识网络的信息改进控制策略。该控制系统可以对非线性系统,不确定系统等进行无监督的学习控制。     

基于滑模变结构的迭代学习控制器算法

迭代学习控制是一种新型控制算法,它不依赖于动态系统的精确数学模型,通过重复执行同一任务来减少误差,使系统输出尽可能逼近理想值的方法.滑模变结构控制具有很强的鲁棒性,将滑模控制算法引入ILC,提出两种基于滑模变结构的迭代学习控制算法.仿真结果表明随着迭代次数的增加,误差逐渐减小并趋于平稳,得到较好的跟踪效果.     

SCARA型机械臂的智能神经网络控制研究

在传统机械臂动态控制基础上,将RBF神经网络与模糊逻辑控制相结合,提出一种新的智能控制方法——RBF模糊神经网络控制方法。该方法使用两个子网络分别对关节1和关节2实施控制,最后通过协调级网络来消除和减小两个关节之间的耦合作用。以仿真实验结果说明该网络结构简单明确,计算更加有效,并通过适时地修正网络参数,在线调整了模糊隶属函数的中心值和宽度,所设计的控制器能快速、稳定地跟踪到期望轨迹。     

基于Levenberg-Marquardt算法的神经网络监督控制

提出了基于Levenberg-Marquardt(L-M)算法的前向多层神经网络在线监督的控制方法，其算法是梯度下降法与高斯－牛顿法的结合，对于训练次数及准确度，L－M算法明显优于共轭梯度法及变学习率的BP（Back Propagation)算法，适用于在线学习与控制，因此，利用L－M算法的特点进行在线训练神经网络，以实现实时非线性控制，仿真结果表明，该控制方法优于常规控制算法，明显改善了在未知负载扰动时，伺服系统的踊跃性能，显著地降低了跟踪误差，具有很强的抗干扰能力。     

控制中的神经网络

提出了神经网络控制器的分类以及非线性映射特性，讨论了神经网络控制器的特点。在与传统自适应控制相比较的基础上，提出了解决非线性动态系统的方法，并通过实验加以验证。     

基于贝叶斯算法的神经网络优化方法

提出了一种近似建模的前馈网络训练算法一贝叶斯算法,该方法能对模型中的未知量构造其后验分布,提高网络的泛化性能,获取对应于后验分布最大值的权值向量．结果表明,贝叶斯算法所建立的神经网络近似模型具有更高、更稳定的精度．     

基于自构建RBF神经网络的内模控制

针对复杂的非线性被控过程,本文提出一种基于自构建RBF神经网络的内模控制方法。该方法中,神经网络的自构建学习算法包括结构学习和参数学习。结构学习采用最近邻聚类法使网络能够自适应地在线增加和删减神经元以达到理想的网络结构。神经网络的参数学习采用梯度下降法。将该神经网络用于内模控制,使得辨识被控远程内部模型和控制器模型的神经网络的神经元个数可以根据激励强度动态改变,进而改善了控制系统的动态性能和鲁棒性。仿真结果表明了所提方法的有效性。