Doherty功放的贝叶斯正则化神经网络逆向建模研究

针对直接逆向建模方法精度低、稳定性差等缺点,提出了一种采用规则化函数为L1/2范数的贝叶斯正则化神经网络逆向建模方法,L1/2正则化使得网络结构具有稀疏性,能够缩小网络的规模、加快网络的训练速度,用贝叶斯正则化方法可以使网络的输出更加平滑,提高网络的稳定性和泛化能力。将此方法应用到Doherty功率放大器的设计中,在已知Doherty主功放效率、输出匹配端的S11和S21的情况下,分别仿真得出相对应的输出功率和f,可以简化设计过程。实验结果表明,此逆向模型求得的输出功率、与S11相对的f、与S21相对的f比直接逆向建模方法的均方误差分别减少了8.83%、9.30%和9.00%,运行时间分别减少了99.34%、99.40%和99.23%,解决了设计中的多解问题,可用于设计射频微波器件。     

一种BP逆模型离线训练自适应预失真方法

为了进一步改善非线性功率放大器系统的线性度,提出了一种基于BP神经网络逆向建模的离线训练自适应预失真方法。利用BP神经网络对功放逆向建模,并将建立好的逆模型参数作为预失真器模型初值。为了提高在初始预失真系统中预失真器的线性化效果及系统自适应进程的速度,在建立自适应预失真系统之前,利用BP逆向模型对预失真器进行离线训练。最后采用直接结构和最小均方（LMS）算法调节神经网络预失真器的权值,以消除放大器非线性的扰动。仿真结果显示,此方案可使邻道互调功率降低约18 dB,而经典的直接—非直接结构只降低了8 dB,表明此预失真方案能够更好地改善功率放大器的线性度。     

基于神经网络的传感器动态补偿算法及DSP实现

为了改善传感器的动态响应特性,对其输出结果进行动态补偿是一个有效方法;讨论了基于自适应神经网络的传感器动态逆建模方法,采用网络分块训练和可变学习因子的方法来提高训练的精度,缩短收敛时间;研究了在加入不同信噪比的随机噪声下应用该模型实现传感器动态补偿的可行性;对典型的压电传感器模型进行了仿真,仿真结果表明补偿后传感器模型的响应速度加快,同时还可以抑制噪声;研制了基于数字信号处理器的数据采集及补偿系统并运用该系统对传感器模拟器输出的数据进行了采集,试验结果表明该系统能够准确的采集存储数据,同时还能够修正由传感器模拟器引起的动态误差。     

灰色神经网络模型及其应用

灰色建模要求的样本点少,不必有较好的分布规律,而且计算量少,操作简便。而BP网络学习样本时,会反馈校正输出的误差,具有并行计算、分布式信息存储、强容错力、自适应学习功能等优点。本文将灰色预测建模和神经网络技术融合起来,建立灰色神经网络模型(GNNM)。提出计算残差序列和新的预测值的公式。用于发酵动力学预测,结果表明,灰色神经网络模型在预测精度方面优于常规灰色模型。该模型的算法概念明确,计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围。     

基于模糊神经网络的变换器自适应控制方法

提出了一种新型的基于模糊神经网络自适应PI调节电流控制电压型PWM变换器方法.结合了模糊神经网络控制与PI控制器,根据三相电流比较产生的三相电流误差和电流误差变化率,自动调整P、I参数,提高了电流的控制精度和变换器的动态性能.采用MATLAB/Simulink对常规PI控制器和模糊神经网络自适应PI控制器进行了仿真对比.仿真结果表明了采用模糊神经网络自适应PI控制器,其系统输出的误差及误差变化要小,系统的跟踪精度得以提高,动态性能得到改善.     

循环神经网络前馈补偿的压电驱动器跟踪控制

压电驱动器固有的迟滞特性,以及其他动态特性严重地影响其跟踪性能。循环神经网络能够准确拟合非线性系统,并且具有记忆存储能力,本文设计了一种循环神经网络对压电驱动器的迟滞特性进行建模,进而得到能够准确模拟输出位移和输入电压之间关系的逆模型,并据此对压电驱动器进行前馈补偿。此外,考虑到建模误差以及其他扰动对驱动器跟踪精度的影响,本文设计了一种单神经元自适应比例-积分-微分控制器,对压电驱动器进行跟踪控制,从而实现对期望信号的准确跟踪。实验结果验证了所建立模型的精度以及控制器的跟踪性能。     

基于自组织模糊CMAC网络的非线性系统鲁棒自适应跟踪控制

基于自组织模糊CMAC(SOFCMAC)神经网络,提出了一种非线性模型参考神经网络 增广逆系统鲁棒自适应跟踪控制方法.该方法的特点是通过S0FCMAC神经网络在线修正由 于建模误差、不确定因素等引起的非线性系统逆误差,使得系统输出准确跟踪参考模型输出. SOFCMAC的权值调整规律由Lyapunov稳定性理论导出.文中证明了非线性闭环系统的稳定 性.仿真例子表明了本文方法的有效性.     

基于RBF网络自适应的Buck变换器终端滑模控制

对于Buck变换器系统,考虑到实际应用中负载变动引起系统参数的不确定性,且不确定性上界无法测量的情况,本文拟采用RBF神经网络对不确定性上界进行自适应学习。针对Buck变换器输出电压的控制问题,为了避免普通滑模控制跟踪误差渐进收敛的问题,改善其动态响应速度和稳态性能,本文拟设计一种基于RBF神经网络的上界自适应的终端滑模控制器,并通过Simulink仿真验证这种方法的可行性。     

神经网络补偿的特征模型控制方法

针对一类未知对象参数的控制问题,设计了一种基于神经网络补偿的特征模型控制方法.利用特征建模思想建立对象的时变差分方程,并在黄金分割自适应控制律的基础上,通过引入一个神经网络监督控制器,对特征模型在动态建模过程中的产生的误差起到前馈补偿作用,进一步改善了系统的动态控制性能;同时在系统受到外扰情况下,利用黄金分割控制律的反...     

基于模型跟随的神经网络PID飞行控制律设计

为了抑制飞行控制系统的外部扰动和建模误差,应用模型跟随自适应神经网络PID控制方法,进行飞行控制律设计。首先使用RBF神经网络进行飞行系统模型辨识,在线学习系统正向输入输出特性,辨识对象的Jacobian信息;然后应用BP神经网络实时在线调整PID参数,设计自适应神经网络PID控制器,控制飞行状态变量跟随模型输出;最后以F-8飞机纵向飞行控制系统为研究对象进行控制仿真。仿真结果表明,设计的控制器具有很强的自适应和抗干扰能力。