IMNMSSPC算法在盾构机土压平衡控制中的应用

针对盾构掘进过程中密封舱内土压平衡控制的精确度低、效果差的问题,提出了一种改进的多变量非最小相位状态空间模型预测控制（IMNMSSPC）应用于密封舱多点土压平衡控制。该方法利用阶跃响应数据建立传递函数模型,将模型转换成状态空间的形式,在目标函数中引入了可调因子,反馈校正中对预测误差补偿进行校正,有效减小了模型失配时产生的误差;建立了以密封舱多监测点土压力为输出,以盾构机推进速度、螺旋输送机转速为输入的盾构土压平衡过程模型,通过多步预测直接递推出过程预测输出,并对控制量进行优化求解,从而实现土压平衡的自动控制。应用结果表明该算法具有较高的控制精度、良好的跟踪性能和强鲁棒性。     

时变大时滞系统参数辨识的仿真研究

研究了时变大时滞系统的参数辨识问题.大时滞系统大多采用补偿控制方法,但是补偿控制方法需要系统的精确数学模型,因而获得大时滞系统的数学模型成为了补偿控制的关键,时变特性使问题复杂化,从而影响了大时滞系统的控制精度.为解决上述问题,提出了一种神经网络的参数辨识策略,利用一个神经元对系统的时滞参数进行辨识,从而可以将时滞从系统模型中分离出来,可利用一个RBF神经网络模型辨识系统的其它参数,使神经元的输出作为RBF神经网络的一个输入,从而实现了串-并联结构的双神经网络拓扑.拓扑结构可以比串级的神经网络提高训练速度,因而也就更适合于实时控制.针对工业锅炉回水温度控制系统的仿真结果验证了所提辨识算法的正确性.     

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统．提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型，自动调整PID控制器参数，实现系统的智能控制。仿真结果表明，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。     

一类模型未知系统的辨识和混沌化控制

对于一类模型未知的非混沌系统采用模糊神经网络辨识其动力学特性, 将得到的模糊神经网络辨识模型应用于逆系统方法中, 实现了一类模型未知非混沌系统的混沌化控制. 该方法不依赖于被控对象的数学模型, 就可以进行有效控制. 研究了模糊神经网络辨识误差对控制精度的影响, 证明了适当设计参数可以使由辨识误差引起的控制误差小于辨识误差. 针对连续和离散两类系统的仿真研究证明了该方法的有效性.     

质子交换膜燃料电池的神经网络建模与控制

该文从设计质子交换膜燃料电池（PEMFC）控制方案的角度出发，首先提出了采用Elman动态神经网络对PEMFC系统进行建模的新方法，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度；Elman神经网络辨识可使辨识过程简化并提高了辨识精度。然后在此基础上设计了自适应模糊神经网络控制器。最后的仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法控制PEMFC的工作温度，取得了较好的控制效果。结果显示所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

基于模糊神经网络大容量输油泵多变量控制

大容量输油泵系统是一个时变非线性复杂系统,生产要求对输油泵的流量、入口压力和出口压力进行协调控制.根据大容量输油泵系统实际控制要求,提出了基于模糊神经网络大容量输油泵多变量控制策略,设计了控制系统和模糊神经网络控制器的结构,给出了模糊神经网络控制器、模型辨识网络参数的修正算法.仿真结果表明该系统能根据流量、入口压力和出口压力给定值与实际值之间的偏差,在线修正控制器参数,实现对大容量输油泵流量、入口压力和出口压力的协调控制.     

基于时间注意力机制的时滞混沌系统参数辨识模型

针对时滞混沌系统在时滞未知条件下的参数及时滞辨识问题，提出基于时间注意力机制的时滞混沌系统参数辨识模型——PINN-TA。首先，采用时间注意力机制提取系统状态序列的关联特征，以实现对系统时滞的辨识；其次，利用循环神经网络（RNN）隐式地近似系统微分方程，形成关于系统参数的代数方程；最后，将代数方程的根作为参数辨识的结果。分别以时滞Logistic方程、Ikeda微分方程和Mackey-Glass混沌系统等典型时滞混沌系统作为待辨识系统，对PINN-TA模型和多种智能搜索算法进行对比实验。仿真结果表明，相较于人工雨滴算法（ARA）、混合布谷鸟搜索算法（HCS）、全局花朵授粉算法（GFPA）、元胞自动机鲸鱼算法（CWA）等现有智能搜索算法，PINN-TA模型对参数和时滞的辨识误差降低了90.31%～99.36%，且辨识耗时缩短至18.59～19.43 ms。可见，PINN-TA模型能够满足精度和实时性要求，为时滞混沌系统参数及时滞辨识提供可行的解决方案。     

基于神经网络的动态系统逆模型辨识及闭环控制

本文提出一种动态线性或非线性系统的神经网络逆模型辨识结构，并引出两种ＰＩＤ与神经网络逆模型相结合的自适应控制方案，神经网络模型采用基于Ｕ－Ｄ分解卡尔曼滤波学习算法（ＵＤＫ）的动态前向多层网、仿真结果表明了所述辨识方案的有效性及特点 。     

基于MFLNN的变参数非线性系统辨识

函数型连接神经网络的网络结构简单，计算复杂度低。该文提出了一种外积扩展型连接神经网络（MFLNN），用于辨识变参数非线性系统，仿真结果表明，MFLNN实现了变参数非线性系统的辨识，效果显著。     

基于动态函数连接神经网络的自适应逆控制系统辨识研究

自适应逆控制将系统扰动消除和动态响应性能独立分开控制,其性能的优劣取决于系统对象、逆对象及逆控制器模型辨识精度的高低。文中提出用动态函数连接神经网络来实现自适应逆控制系统对象、逆对象的同时在线建模和逆控制器的离线建模,并将模型参数的辨识转化为空间参数寻优。针对混沌初始化对已收敛种群结构的破坏性,提出用变参数混沌粒子群优化算法对神经网络权值进行全局寻优,通过仿真实验可以看出基于动态函数连接神经网络的建模误差小,辨识精度高;与当前的参考模型自适应控制方法进行对比分析,所提方法能取得较好的扰动消除效果,并能使系统的跟踪响应性能得到提高,从而验证了方法的有效性、可行性。     

改进ShuffleNet V2的轻量级农作物病害识别方法

针对目前有关深度学习的农作物病害识别方法中存在模型较为复杂,部署在计算资源有限的边缘设备和移动终端上适应性不强,实时准确识别作物病害较差的问题,提出一种改进ShuffleNet V2的轻量级农作物病害识别方法。以ShuffleNet V2单元为基础,引入ECA（efficient channel attention）注意力模块,使用H-Swish激活函数以便减少网络结构每个Stage模块中ShuffleNet V2单元使用个数,使用轻量化网络设计组件深度可分离卷积。在PlantVillage病害数据集上进行实验。结果表明,模型的参数量约为2.95×105,计算量为3.388×107（FLOPs）和6.674×107（MAdd）,病害识别平均准确率达到了99.24%,为农作物病害识别方法在移动终端等资源受限设备上部署应用提供参考。     

差异演化算法辨识微生物连续发酵动力学参数

在甘油连续发酵生产中提高1,3-丙二醇（1,3-PD）的产量是至关重要的,然而,3-羟基丙醛（3-HPA）的积累会引起发酵过程的停止。考虑到3-HPA对细胞生长和对酶的活性的抑制作用,提出一个新的数学模型来描述利用克雷伯氏菌连续发酵生产1,3-PD的过程。为了确定模型中的动力学参数,提出了参数辨识模型,并证明了参数的可辨识性。最后构造了改进的差异演化算法求解该参数辨识模型,数值结果表明该动力学模型能更好地描述微生物连续发酵过程,并且算法也是有效的。     

T-S模型全局优化辨识

T-S模型把一个非线性系统当做多个线性子系统与其权重乘积之和,能够逼近任意非线性系统。提出基于遗传算法和支持向量机的T-S模型全局优化辨识方法,利用遗传算法同时辨识T-S模型的结构和参数,以结构风险最小化作为辨识的评价指标,综合考虑模型复杂度和辨识误差,辨识精度高,泛化能力强,仿真结果证明了算法的有效性。     

基于SGMM和DNN结合提高音素识别率的研究

为降低声学特征在语音识别系统中的音素识别错误率,提高系统性能,提出一种子空间高斯混合模型和深度神经网络结合提取特征的方法,分析了子空间高斯混合模型的参数规模并在减少计算复杂度后将其与深度神经网络串联进一步提高音素识别率。把经过非线性特征变换的语音数据输入模型,找到深度神经网络结构的最佳配置,建立学习与训练更可靠的网络模型进行特征提取,通过比较音素识别错误率来判断系统性能。实验仿真结果证明,基于该系统提取的特征明显优于传统声学模型。     

A procedure of parameter inversion for a nonlinear constitutive model of soils with shield tunneling

The identification of the parameters of a nonlinear constitutive model of soil mass is based on an inverse analysis procedure, which consists of minimizing the objective function representing the difference between the experimental data and the calculated data of the mechanical model. A gradient-based optimization algorithm is developed for estimating model parameters of soils in earth pressure balance (EPB) shield tunneling. The parameter values of the nonlinear constitutive model are searched for by using the Levenberg–Marquardt approximation which can provide fast convergence. The parameter identification results illustrate that the proposed parameter inversion procedure has not only higher computing efficiency but also better identification accuracy. The results from the model are compared with simulated observations. The models are found to have good predictive ability and are expected to be very useful for estimating model parameters for soils in EPB shield tunneling.     

PI-Unet：异质虹膜精确分割神经网络模型的研究

在虹膜识别系统中,异质虹膜图像（可见光和红外图像）的分割是最重要且最有挑战性的一个任务,该任务的难点在于针对异质虹膜图像,要同时兼顾虹膜分割的准确率和快速性。提出了适用于异质虹膜分割的神经网络模型PI-Unet（Precise Iris Unet）以及用于训练该网络模型的数据增强方法和损失函数。对PI-Unet的Encoder和Decoder进行实验探索,得出能同时兼顾准确率和快速性的网络结构,将提出的数据增强方法和损失函数用于该网络进行训练,在CASIA-iris-intervel-v4和UBIRIS.v2虹膜图像数据库上测试该网络的准确率、参数量和计算量。测试结果表明,提出的数据增强方法和损失函数能有效提高异质虹膜分割准确率,PI-Unet与传统虹膜分割算法和其他虹膜分割神经网络相比,对异质虹膜图像的分割准确率更高且参数量和计算量更少,能够适用于低性能的边缘计算设备。     

面向WSN数据汇集应用的动态负载均衡算法

针对WSN数据汇集应用中,由于负载分配不均衡,使得网络节点出现早死,缩短网络寿命问题,提出一种面向WSN数据汇集应用的动态负载均衡算法（DLB-DGA）。DLB-DGA算法采用压力传输和压力均衡的思想,通过压力计算模型和流量均衡计算模型,动态调整子节点转发给父节点的数据流量比例,使网络上游节点的负载逐渐趋于最大程度的均衡,延长网络寿命。仿真实验表明DLB-DGA算法可行。     

超声电机参数摄动与广义预测控制

针对超声电机速度与驱动频率具有很强的非线性,理论建模困难,难以实现高精确控制的问题,采用辨识的方法建立了旋转行波超声电机的Hammerstein模型,并测量了该模型的参数摄动;针对电机参数在大范围内摄动,提出采用两步法广义预测控制方法,整定了广义预测控制算法的参数,并对超声电机两步法广义预测控制进行了稳定性分析和速度控制仿真。理论分析和仿真结果都表明,超声电机Hammerstein模型参数在大范围内摄动时,两步法广义预测控制器能够准确地跟踪速度设定值的变化,证明了超声电机广义预测控制的可行性,为超声电机高精度控制提供了控制模型和控制方法。     

基于NARX神经网络航空发动机参数动态辨识模型

针对航空发动机参数非线性动态特性,提出一种基于外部输入非线性自回归（NARX）神经网络的发动机参数动态辨识模型。主要思路是根据NARX网络的非线性时序预测特性,结合发动机参数的稳态和动态参数,提出一种基于偏稳态差值预测的NARX参数动态模型结构。设计了SP-P辨识结构,整定了模型内部结构参数并建立N1（低压转子转速）、N2（高压转子转速）、EGT（涡轮后排气温度）参数非线性差分预测模型。最后依据某发动机试车样本,对推杆加减速时N1、N2、EGT动态辨模型进行仿真。仿真结果表明,N2相对误差小于0.2%,N1相对误差小于0.3%,EGT相对误差小于[1℃],满足发动机试车仿真需要。最后,将所建模型应用于某A320机务维修训练器的发动机仿真系统。