基于改进Elman神经网络的非线性预测控制

为了提高非线性预测控制中预测模型的精度,提出一种基于递归神经网络建模的预测控制方案.采用改进Elman神经网络在线建立预测模型,用递推最小二乘法在线修改神经网络权值,并引入误差补偿环节,从而达到改善预测模型精度的目的,使控制系统的控制性能得到提高.仿真实验表明了该方法的有效性.     

非线性动态传感器系统 Hammerstein神经网络补偿法

针对传感器动态特性中存在非线性的问题,提出一种基于Hammerstein传感器模型的非线性动态神经网络补偿法。先将补偿模型分解为与Hammerstein模型对应的线性动态与非线性静态2个环节;再设计一种新型的神经网络结构,使网络权系数对应于相应的Hammerstein补偿模型参数,并推导反向传播的网络权系数调整方法;最后通过网络迭代训练,求得补偿模型的线性动态与非线性静态两个环节。仿真与实际实验结果均表明该传感器非线性动态补偿方法使传感器具有理想的输入输出特性。     

基于Labview和BP神经网络的温度补偿的研究

经典压力传感器的输入输出大都存在非线性、易受工作环境温度的影响。本文提出了基于LabVIEW和BP神经网络的传感器温度补偿系统得设计,实验证明温度补偿效果较好,有一定的实用价值。     

基于CAV444的电容式油位传感器的设计与优化

在传统电容传感器液位测量的基础上,采用了一种基于CAV444电容-电压转换芯片的液位测量方式,在此基础上提出并验证了一种新的误差补偿方案。综述了电容传感器的工作原理,设计了电容传感器的液位测量电路。误差补偿传感器将高度补偿值转换成相应电容信号再与油位电容信号一起输入到转换电路转换成电压信号输出。实验测试证明,该测量系统性能可靠稳定,最大非线性误差1.14%,测量线性度好;误差补偿后引用误差为1.17%,测量准确度高,应用前景广泛,能够满足大多数工业现场液位测量的需求。     

定位平台非线性摩擦的神经网络补偿

提出了一种基于BP神经网络的机械伺服系统非线性摩擦的补偿方法，根据方法设计出一种将经典的PD控制与神经网络控制相结合的控制器，该控制器既有PD控制的优点，又能神经网络逼近非线性函数的能力，较好地补偿了系统中的非线性摩擦和外部扰动，应用Lyapunov稳定性定理，证明了系统的稳定性，并得到系统跟踪差的边界值，采用刚毛摩擦动力学模型，对X－Y定位平台进行仿真和实验，结果表明该控制器能够补偿系统的非线性因素，保证了系统的稳定，减少了跟踪误差，该方案控制效果明显优于PD控制，可用于工业设备的控制中。     

α射线露点传感器非线性修正

介绍了采用半导体探测器和温度传感器研制成的α射线露点传感器的工作原理.分析了α射线露点传感器的温度特性,表明测量范围较宽时,传感器的输出易受环境温度的影响,并且成非线性.提出一种基于神经网络高精度线性化子块网络集成插值实现露点传感温度补偿方法.利用神经网络共轭梯度算法具有逼近任意非线性函数的特点,通过训练使神经网络建立在不同环境温度下传感器输出与其实际感受的电压值之间的非线性映射关系,实现α射线露点传感器温度补偿.实验结果表明,该方法不仅能有效地消除温度的影响,而且能在神经网络的输出端得到期望的线性输出.     

改进神经网络自适应滑模控制的机器人轨迹跟踪控制

为了提高机器人轨迹跟踪控制性能,在神经网络滑模控制方法的基础上,提出了一种改进型神经网络自适应滑模控制方法.该方法将神经网络作为控制器,利用其非线性映射能力来逼近各种未知非线性,同时通过在控制律中加入鲁棒项来消除逼近误差.考虑到隐含层单元数和网络结构参数对神经网络映射有效性的影响,将降低抖振作为优化目标,采用粒子群优化算法对网络结构参数进行优化.最后在Matlab/Simulink环境下进行了仿真实验,并与其他控制方法进行了对比分析.仿真结果表明,基于该方法所设计的控制系统具有良好的鲁棒性和控制精确度,同时有效地削弱了抖振.     

基于递归神经网络模型的传感器非线性动态补偿

讨论了递归神经网络模型在传感器非线性动态补偿中的应用，给出了递归神经网络模型的结构及相应的训练算法．递归神经网络模型本身具有动态映射能力，其结构仅与输入层和中间层的节点数有关，且不需要知道被补偿传感器的结构特性(如输出、输入的最大延迟)等先验知识，简化了动态补偿器的结构设计．采用递推预报误差算法训练神经网络，具有收敛速度快、收敛精度高的特点．实验结果表明，经过补偿后的传感器具有期望的输入输出特性，应用递归神经网络对传感器进行非线性动态补偿是一种行之有效的方法．     

基于径向基神经网络的Delta机器人位置精度补偿

针对Delta并联机器人末端控制精度问题,提出一种基于RBF的提高Delta并联机构运动学控制精度的方法。首先对Delta并联机器人的运动学逆解进行分析,探讨了影响控制精度的因素和现有提高控制精度方法的局限性。其次,求解Delta并联机器人的工作空间,结合实际工作,通过试验采集训练样本。以末端实际位置为输入样本,末端的期望位置与实际位置之差为输出样本,进行RBF神经网络模型训练,得到末端实际位置与位置偏差之间的非线性映射关系,基于此设计位置补偿策略。最后,在Delta机器人平台上进行实验验证,使用训练好的RBF网络结合运动学逆解,对Delta机器人末端进行轨迹跟踪控制。实验结果表明,末端控制误差由±30mm减小到±5mm,有效的减少了末端位置误差,为Delta机器人精准控制提供了一种简单易行的方法。     

一种基于神经网络算法的非线性PID控制器

针对非线性、不确定时滞对象,提出一种基于神经网络算法的非线性PID控制器。该控制器将传统PID的比例、积分和微分参数分别构造成关于误差信号的非线性函数,并将非线性比例运算单元、非线性积分运算单元和非线性微分运算单元分别作为隐层神经元的激励函数,从而构造将PID控制与神经网络控制融为一体的智能控制器。研究结果表明:采用此智能控制器有效解决了传统PID难以控制非线性对象的问题以及传统神经网络控制器隐层神经元节点数难以确定的问题,仿真结果验证了该智能控制器的有效性。     

一类多变量传感器故障容错PID控制器的设计与应用

针对一类多变量非线性系统的传感器故障,提出了一种新型的基于神经网络模型的故障容错PID控制方法.该方法应用加权移动平均残差技术对传感器故障进行检测,并利用神经网络建模技术在线重构故障传感器信号,重组PID控制器反馈回路,实现容错PID控制.通过在三水箱过程设立多种不同类型的传感器故障,进行仿真研究.仿真研究结果表明,所提出的故障检测与容错控制策略具有很强的鲁棒性和容错能力.     

基于自适应神经网络的非线性系统的智能故障诊断

针对一类模型未知的非线性系统,提出了一种基于自适应神经网络的故障诊断方法,用RBF神经网络构造了状态估计器和故障估计器,解决了非线性系统状态不可测时的故障诊断问题。并用Lyapunov方法研究了故障误差和状态误差的收敛性,结果表明了该方法实用、有效。     

机车二系弹簧载荷均匀性分配调整的混合建模方法

针对机车二系弹簧载荷均匀性分配调整的建模问题,提出综合运用机理建模和神经网络建模的混合建模方法。该方法在刚性车体假定下采用经典力学和数学方法建立机车车体-二系弹簧系统的机理模型,作为调簧主规律模型;用人工神经网络方法建立BP网络误差补偿模型来弥补机理模型的建模误差;二者并联组成混合模型,其输出为机理模型和BP网络模型输出的叠加。研究结果表明:混合建模方法用于二系调簧的多维连续空间系统建模,可大幅提高模型精度;实际调簧过程中使用混合模型可进一步提高调簧精度和效率,使载荷分布最大误差较机理模型减少8%～15%,平均调簧时间缩短25%以上。     

一种模糊神经网络自适应预测控制方案的研究

在过程控制中,由于被控对象常具有非线性、不确定性及参数时变等复杂因素,难以建立精确的数学模型,从而直接影响了控制效果,提出了一种模糊神经网络自适应预测控制议案,对学习公式进行了理论指导,并结合误差补偿以提高预测控制的精度,仿真实验表明,该算法可实现模糊控制和神经网络的优势互补,对非线性复杂系统具有良好的控制性能。     

基于小波包和RBF神经网络的压电加速度传感器故障诊断

根据压电加速度传感器故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非线性跟踪能力,较高的诊断准确率。     

基于神经网络的传感器故障监测与诊断方法研究

提出了一种基于神经网络的传感器故障监测与诊断的新方法。该方法先用BP网络的预测输出和传感器实际输出之差来判断传感器是否发生了故障，然后用函数型连接神经网络模拟传感器的输出特性函数，通过计算神经元连接权值的变化，确定传感器哪个输出特性参数发生了变化，最终推断传感器发生了哪一类故障。该方法的特点是只需要知道一个传感器的信息。电阻应变式力传感器故障诊断实验结果证明了该方法的实用性，为传感器故障监测与诊断提供了一条新途径。     

基于BP神经网络的非线性广义预测控制

广义预测控制在理论上已经有了很深的研究,并在工业控制中获得了应用,但广义预测控制存在着模型失配和系统不确定等缺陷.为克服上述缺陷,本文提出基于BP神经网络建立一个对象模型,用修正的误差预测值对输出预测值进行补偿,从而实现对被控对象的预测控制.通过Matlab仿真,表明神经网络预测控制对非线性系统具有较好的控制效果.     

基于神经网络的人工肌非线性控制

运用非线性控制的逆系统方法,提出了一种基于神经网络的人工肌非线性控制方案,由原系统导出n-m阶逆系统模型,并与原系统一起构成具有反馈结构的伪线性系统,从而可方便地运用线性控制理论完成对控制系统的设计,用BP神经网络逼近逆系统模型,并借助于递推预报误差算法来训练神经网络,该算法与传统的BP算法相比具有更好的收敛特性,设计了一个具有单关节的人工肌试验系统,给出了人工肌关节跟踪正弦波和矩形波参考信号的试验结果,与传统的线性控制方案比较,基于神经网络的人工肌非线性控制方案能够得到更快的控制速度和更高的控制精度。     

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