基于WTFMC算法的递归模糊神经网络结构设计

针对递归模糊神经网络(Recurrent fuzzy neural network, RFNN)的递归量难以自适应的问题, 提出一种基于小波变换–模糊马尔科夫链(Wavelet transform fuzzy Markov chain, WTFMC)算法的RFNN模型.首先, 在时间维度上记录隐含层神经元的模糊隶属度, 并采用小波变换将该时间序列进行分解, 通过模糊马尔科夫链对子序列的未来时段进行预测, 之后将各预测量合并后代入递归函数中得到具有自适应性的递归量.其次, 利用梯度下降算法更新RFNN的参数来保证神经网络的精度.最后, 通过非线性系统建模中几个基准问题和实际污水处理中关键水质参数的预测实验, 证明了该神经网络模型的可行性和有效性.     

特殊天气污水溶解氧浓度的自适应广义预测控制

污水处理过程具有非线性、时变、大滞后的特点,尤其在雨天暴雨等特殊天气下,污水的入水波动会对控制器造成严重干扰。文中提出一种基于模糊神经网络模型的自适应广义预测控制算法,实现对污水处理过程中溶解氧浓度的实时控制。该算法利用反馈线性化思想实现自适应广义预测控制器的设计,在证明其李雅普诺夫稳定的同时,得到修正系统的受控自回归积分滑动平均模型参数自适应规则,动态调整模型参数使系统跟踪误差达到最小。仿真实验结果表明,该算法能够稳定、快速地控制溶解氧浓度,具有较强的抗干扰能力和鲁棒性,该控制算法特别适合用于污水处理过程的特殊天气（如雨天和暴雨天）中。     

基于逆系统的青霉素发酵软测量

针对青霉素发酵过程中菌体浓度、基质浓度、产物浓度等关键参量难以直接测量的难题,将逆系统方法与动态递归模糊神经网络(DRFNN)相结合,提出一种基于动态递归模糊神经逆的青霉素发酵软测量方法.在证明了系统可逆的条件下,得到系统的逆模型;再应用DRFNN网络所具有的自学习,自适应能力以及对任意非线性的逼近能力,对该模型进行了...     

基于在线系统辨识的DMFC模型预测与模糊控制

利用神经网络具有逼近任意复杂非线性函数的能力，以甲醇浓度为神经网络辨识模型的输入量，电池电压／电流密度为输出量．利用1000组实验数据，建立了DMFC电堆的神经网络模型。然后，基于电特性的输入输出关系设计了一个模糊控制器，且利用模糊控制器的输入输出样本训练神经网络。仿真结果表明，所设计的神经网络模糊控制器具有自学习、自适应等优点，达到了在线控制的目的。     

带有稳定学习的递归神经网络动态偏最小二乘建模

针对目前非线性动态偏最小二乘(PLS)建模方法在拟合较强非线性化工过程时存在的问题, 提出一种基于稳定学习的递归神经网络动态PLS建模方法. 该算法将递归神经网络与Hammerstein模型相结合, 对外部PLS提取的特征向量进行内部建模, 具有逼近较强非线性化工过程的能力, 改善了模型的适用范围. 此外, 采用带有稳定学习的参数更新算法对模型参数进行在线修正, 改善了模型的预测精度和自适应能力. 将此方法应用于氧化铝生产过程铝酸钠溶液组分浓度建模实验, 仿真结果表明, 本方法是可行有效的.     

城市污水处理过程自适应滑模控制

针对城市污水处理过程时滞导致难以稳定控制的问题,提出一种自适应滑模控制方法 (Adaptive sliding mode control, ASMC).首先,分析推流时滞对城市污水处理生化反应过程的影响,建立时滞影响下的城市污水处理运行控制模型;其次,设计一种基于模糊神经网络的预估补偿模型,完成滞后变量的准确预测,实现控制模型中变量时刻的统一;最后,设计一种具有自适应开关增益系数的滑模控制器(Sliding mode control, SMC),实现溶解氧和硝态氮的稳定控制.将提出的自适应滑模控制方法应用于城市污水处理过程基准仿真平台,实验结果显示该方法能够实现城市污水处理运行过程稳定控制.     

基于神经网络的燃料电池的辨识与模糊控制研究

利用神经网络辨识复杂非线性系统的能力,基于实验的输入输出数据,用神经网络辨识的方法建立起MCFC电堆的神经网络模型,然后基于温度特性输入输出关系设计一个模糊控制器,并用模糊控制器的输入输出样本训练神经网络.仿真结果表明,所设计的控制器用神经网络的计算结构代替模糊规则推理,在速度、自学习、自适应等方面具有灵活、高效的优势,它对不同的系统状态都能调节控制量,将温度较平滑地过渡到理想值.     

强制循环蒸发系统的非线性自适应解耦PID控制

本文结合现场的实际过程数据,首先应用能量平衡建立了强制循环蒸发过程的动态模型.针对该过程的多变量、非线性以及强耦合特性,在常规增量式PID控制器的基础上提出基于神经网络与多模型切换的非线性自适应解耦PID控制策略.该控制器是由线性自适应解耦PID控制器和基于神经网络的非线性自适应解耦PID控制器以及切换机构组成.其中线性自适应解耦PID控制器可以保证系统的稳定,而基于神经网络的非线性自适应解耦PID控制器则可以有效地提高系统的性能.上述过程的PID参数是通过广义预测的方法得到,最后通过仿真表明,上述控制方法不仅消除了回路间的耦合,在稳定生产的同时提高了蒸发的效率.     

含未知动态与扰动的非线性系统神经网络嵌入学习控制

针对带有不确定性与扰动的非线性系统的性能优化问题, 提出一种基于神经网络嵌入的学习控制方法. 对一类常见的 Lyapunov 函数导数形式, 将神经网络控制器集成到某种对系统稳定的基准控制器中, 其意义在于将原控制器改进为满足Lyapunov稳定的神经网络参数可调控制器, 从而能够利用先进的神经网络学习技术实现控制器的在线优化. 建立了跟踪误差的等效目标函数, 避免了对系统输入–输出的辨识问题. 建立了一种未知非线性与扰动等效值自适应方法, 并依此方法设计基准控制器. 以RBF (Radial basis function) 反步自适应控制、基于卷积神经网络的滑模控制和深度强化学习控制为对比方法, 对带有死区、饱和、三角函数等数值与物理非线性模型进行仿真分析以测试方法有效性, 并针对上肢康复机器人控制问题进行虚拟实验以验证该方法的实用性. 仿真与实验结果表明, 该方法能在Lyapunov 稳定条件下有效优化基础控制器性能, 对比结果证实了该方法的实用性与先进性.     

基于数据融合的自适应神经网络模糊控制系统设计

基于数据融合的思想，提出一种非线性系统的自适应神经网络模糊控制器的设计方法。该方法利用数据融合技术降低了模糊控制器的输入维数，简化了模糊控制器的设计。用自适应神经模糊推理系统的神经网络自学习功能完成模糊控制器的设计。仿真结果表明，自适应神经网络模糊控制系统性能优于采用普通的模糊控制器的情况，为数据融合与智能系统技术在非线性系统中的应用作了有益的探索.     

溶解氧浓度的直接自适应动态神经网络控制方法

针对污水处理过程溶解氧浓度的控制问题,提出一种直接自适应动态神经网络控制方法(direct adaptive dynamic neural network control,DADNNC).构建的控制系统主要包括神经网络控制器和补偿控制器.神经网络控制器由自组织模糊神经网络实现系统状态与控制量之间的映射;提出一种基于规则无用率的结构修剪算法,并给出结构调整后网络收敛的理论证明.同时,为保证系统稳定,设计补偿控制器减小网络逼近误差,参数调整由Layapunov理论给出.国际基准仿真平台上的实验表明,与固定结构神经网络控制器、PID和模型预测控制等已有控制方法相比,DADNNC方法具有更高的控制精度和更强的适应能力.     

基于混沌优化的非线性预测控制器

针对非线性系统的控制问题,本文将神经网络辨识、混沌优化和预测控制思想有机结合,提出了一种新型非线性预测控制器.该控制器以神经网络作为预测模型,混沌优化算法作为滚动优化策略,避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题.另外在训练神经网络过程中,采用了带混沌机制的自适应学习率的BP算法,以提高神经网络的收敛能力和收敛速度.仿真研究说明了该非线性预测控制器的有效性及实时性.     

Stabilization of nonlinear nonminimum phase systems: adaptive parallel approach using recurrent fuzzy neural network

In this paper, an adaptive parallel control architecture to stabilize a class of nonlinear systems which are nonminimum phase is proposed. For obtaining an on-line performance and self-tuning controller, the proposed control scheme contains recurrent fuzzy neural network (RFNN) identifier, nonfuzzy controller, and RFNN compensator. The nonfuzzy controller is designed for nominal system using the techniques of backstepping and feedback linearization, is the main part for stabilization. The RFNN compensator is used to compensate adaptively for the nonfuzzy controller, i.e., it acts like a fine tuner; and the RFNN identifier provides the system's sensitivity for tuning the controller parameters. Based on the Lyapunov approach, rigorous proofs are also presented to show the closed-loop stability of the proposed control architecture. With the aid of the RFNN compensators, the parallel controller can indeed improve system performance, reject disturbance, and enlarge the domain of attraction. Furthermore, computer simulations of several examples are given to illustrate the applicability and effectiveness of this proposed controller.     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素，而难以建立精确的数学模型的情况，提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器，模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点，该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明，该方案可以实现模糊控制和神经网络的优势互补，对不确定非线性系统具有很好的控制效果。     

Decoupling control for wastewater treatment process based on recurrent fuzzy neural network

Due to the characteristics of strong coupling and high nonlinearity in the control process, an intelligent decoupling control strategy based on recurrent fuzzy neural network (RFNN) is proposed in this paper to control the wastewater treatment process (WWTP). Firstly, the architecture of the RFNN controller is designed with a mechanism analysis of WWTP. Secondly, a decoupling strategy in combination with a gradient descent search algorithm is used to decouple the control loop of dissolved oxygen (D_O) concentration and nitrate nitrogen (S_NO) concentration. Finally, stability analysis based on a Lyapunov function is investigated. The proposed approach has been applied to the WWTP simulation model. Compared to model predictive control, echo state network‐based HDP (E‐HDP), conventional RFNN, and neural network on‐line modelling and controlling methods, the proposed method has better control performance.     

Modified fuzzy adaptive controller applied to nonlinear systems modeled under quasi-ARX neural network

In this article, a fuzzy adaptive controller approach is presented for nonlinear systems. The proposed quasi-ARX neural network based on Lyapunov learning algorithm is used to update its weight for prediction model as well as to modify fuzzy adaptive controller. The improving performances of the Lyapunov learning algorithm are stable in the learning process of the controller and able to increase the accuracy of the controller as well as fast convergence of error. The simulations are intended to show the effectiveness of the proposed method.     

基于NARX网络的无刷直流电机自适应逆控制

针对无刷直流电机(bnmhless DC motor,BLDCM)非线性的特点,引入了一种基于神经网络的自适应逆控制方法.该方案中,用非线性自回归(NARX)动态网络做为模型辨识器和控制器.辨识器采用了BP(back propagation)算法在线调整参数,并获取被控时象精确的Jacobian信息,再由实时递归学习算法(RTRL)实现对控制器的在线整定.仿真结果表明,方法具有响应速度较快、无超调的优点,且具备较强的自适应性和鲁棒性.     

非线性系统模糊神经网络变结构自适应控制

在非线性系统的模糊动力学模型基础上,提出一种模糊神经网络变结构自适应控制器;网络的结构根据非线性系统特性动态构成,基于该网络提出非线性预测器,基于梯度法提出了一种网络参数学习算法,并分析了收敛性及其性质。将网络预测器与参数学习算法相结合,构成自适应控制算法,证明了算法的收敛性。仿真结果证实了算法的有效性。     

Multi‐Variable Direct Self‐Organizing Fuzzy Neural Network Control for Wastewater Treatment Process

A multi‐variable direct self‐organizing fuzzy neural network control (M‐DSNNC) method is proposed for the multi‐variable control of the wastewater treatment process (WWTP). In this paper, the proposed control system is an essential multi‐variable control method for the WWTP. No exact plant model is required, which avoids the difficulty of establishing the mathematics model of WWTP. The M‐DSNNC system is comprised of a fuzzy neural network controller and a compensation controller. The fuzzy neural network is used for approximating the ideal control law under a general nonlinear system. Moreover, the neural network is designed in a self‐organizing mode to adapt the uncertainty environment. Simulation results, based on the international benchmark simulation model No.1 (BSM1), demonstrate that the control accuracy is improved under the proposed M‐DSNNC method, and the controller has a much stronger decoupling ability.