基于混合Elman网络的非线性自适应逆控制

针对Elman动态递归神经网络的特点,在现有结构的基础上提出一种隐层包含径向基函数的混合Elman神经网络,给出了网络结构和训练算法,并将其应用于非线性自适应逆控制系统中.仿真实验表明该动态神经网络自适应性强,动态特性优异.此方法为实现非线性系统自适应逆控制提供了理想的途径.     

压电陶瓷驱动器迟滞建模与控制研究

压电陶瓷驱动器存在迟滞非线性,在超精密定位应用中影响定位精度和系统性能。针对这一问题,提出了一种减小迟滞的自适应逆控制算法。基于Prandtl-Ishlinskii迟滞算子建立压电陶瓷迟滞模型,构建自适应逆控制系统并进行实验研究。结果证明,利用该算法,系统输出的非线性误差从17.7%下降到1.43%,系统性能显著提高。     

漂浮基空间柔性机械臂基于神经网络的逆模控制

针对传统控制方法对强耦合柔性空间机械臂难以有效控制的问题,提出基于神经网络的逆模控制策略。建立了非线性空间柔性机器人的动力学模型,根据增广变量输入法推得其控制律;利用具有良好逼近能力的前馈神经网络来自适应补偿柔性臂的未知非线性逆模型;采用Kalman滤波算法来保证网络权值在线实时调整(系统的误差代价函数由PID控制器提供)。仿真证明了所提出的控制方案的有效性,具有较高工程应用价值。     

基于matlab仿真模块的自适应有源噪声逆控制研究

运用matlab仿真模块对自适应有源逆控制中的两种算法:滤波-ULMS算法和改进的滤波-ULMS算法进行了仿真研究.并对两种算法的消声效果进行了比较,验证了改进的滤波-ULMS算法有着更为优越的动态性能.     

自适应逆控制算法在多轴液压振动试验系统中的应用

为消除或抑制干扰噪声等非线性因素对多轴液压振动试验系统的影响,研究了自适应逆控制算法及其在振动控制领域的应用,提出基于频域X-滤波LMS自适应逆控制的多轴液压振动试验系统功率谱复现控制算法,给出了功率谱复现控制流程,并选用了一套双台并激液压振动试验系统作为具体试验对象进行试验验证,结果表明:所设计的控制算法及策略对双台并激振动试验系统具有较好的实际控制效果,满足工程试验要求。     

基于神经网络的通用模型自适应控制

应用复合正交神经网络来实现过程的自适应逆控制方法,和通用模型控制器策略相结合,提出了一种基于神经网络的通用模型自适应控制方法,将非线性过程模型应用逆系统的方法可以在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性.另一方面,在自适应逆控制中采用复合正交神经网络具有算法简单、学习收敛速度快等优点,可以克服常用的BP和RBF神经网络一些缺点.基于神经网络的通用模型自适应控制方法中的参考轨迹是一条典型的二阶曲线,该控制器参数具有明显的物理意义,参数整定方便.仿真验证了该控制策略的有效性.     

一种基于逆模糊模型的自适应逆控制方法

利用模糊逆建模方法,结合自适应逆控制思想,提出了一种基于模糊逆模型的自适应逆控制方法。首先利用模糊系统理论对未知非线性对象进行离线逆建模,得到模糊逆模型;然后将对象与初始逆模型进行串联,利用LMS算法在线调节逆模型,同时将其进行数字复制作为系统控制器,与对象进行串联。该方法可用较少的模糊规则数达到很好的跟踪控制效果,将该方法用于一混合非线性系统及球形液位控制中,仿真结果验证了该方法的有效性与实用性。     

一种新的变步长LMS自适应滤波算法性能分析

在简单介绍了基本的LMS,NLMS自适应滤波算法的基础上,介绍了一种新的可变步长LMS自适应滤波算法,并将该算法应用于自适应噪声对消系统的仿真中.通过计算机仿真,给出了LMS、NLMS和新的可变步长LMS自适应滤波三种算法的性能对比,结果表明该算法具有较快的收敛速度和较小的稳态误差.     

非线性液压伺服系统高性能自适应控制器的仿真研究和实时分析

本文研究了一种新的自适应控制规律,即比例加积分控制规律和继电控制规律的综合控制。还研究了一些目前国际上自适应控制领域中没有很好解决的问题：如非线性自适应控制系统;应用滤波输入和输出以避免测量对象高阶导数问题;高阶对象和低阶模型的跟踪问题;非最小相位系统的稳定控制;利用前馈传递函数以改善系统动态特性问题。本文给出了若干数字仿真和数摸混合实时分析的结果数据和图形。     

一种基于LS-SVM与PID复合的逆控制系统

针对逆系统中非线性逆模型辨识困难的问题,研究了基于最小二乘支持向量机(LS-SVM)的逆模型辨识及控制,并用微粒子群算法(PSO)优化LS-SVM的参数和核函数参数。提出了一种由LS-SVM的逆模型与PID结合的复合控制系统,由LS-SVM辨识非线性系统的逆模型作为前馈控制器,形成直接逆控制。同时,由PID控制器构成反馈控制,克服直接逆控制鲁棒性不强的缺陷。仿真研究结果表明LS-SVM的逆模型辨识能力强,该复合控制系统具有比基于最近邻聚类的RBF神经网络逆控制系统更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。