非线性振动控制的神经网络离散逆系统方法

针对非线性结构振动控制难以用线性控制方法精确控制的情况，提出神经网络离散逆系统方法．建立了结构的离散化模型，再用神经网络将非线性系统通过逆系统变换变为伪线性系统，对该伪线性系统可以用一般线性方法精确控制．该方法将非线性结构控制问题转化成了线性结构控制问题，使问题难度大大减小．对某非线性建筑结构振动作了控制仿真，实现了精确线性化，控制效果曲线与对线性结构控制效果曲线几乎完全吻合．神经网络离散逆系统方法发挥了神经网络和线性控制各自的优点，可用于强非线性结构的振动控制．     

非线性系统的神经网络逆模型控制

利用神经网络逼近任意非线性的能力 ,将其与非线性逆系统相结合 ,对非线性系统的逆模型进行建模 ,对实现的伪线性系统设计自适应控制进行综合 ,动态神经网络在线消除系统的近似逆误差和正向模型的辨识误差 ,设计权值调整规律为 w∧·=-λ·eTPbΦ(r ,r· ,v)‖e‖ p >E0‖e‖ p >E,仿真结果表明其有效 .     

基于神经网络的二阶非线性系统的自适应控制

本文采用神经网络对二附非线性系统进行特征辩识,并将其用于自适应控制,从而得到了一种新型的自适应控制方法。仿真实验表明该方法具有很强的学习能力和自适应性。     

基于神经网络逆系统方法的机器人柔顺性控制

提出了一种机器人柔顺性控制算法，在未知机器人精确数学模型的情况下，通过构建一个ANN二阶逆系统，并级联ANN与机械手，实现机器人位置系统的线性解耦．在此基础上，针对已解耦位置系统，通过本提出的基于目标阻抗的控制算法调节机器人手臂的阻抗，从而实现机器人的柔顺性控制．还介绍了机器人柔顺性控制实验平台的建立与组成．基于两杆操作手的实验结果证明该方法具有良好的解耦和位置跟踪性能，仿真结果表明本方法可实现有效的柔顺性控制．     

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.     

基于神经网络的非线性系统在线自校正控制及其应用

利用神经网络给出了设计非线性控制系统自适应控制的方法,主要包括基于神经网络的非线性系统的在线直接自校正和满足局部能控一般非线性系统的神经网络自校正控制,从研究结果可以看出,由于神经网络的权系数的可调性以及神经网络对非线性的逼近性,利用神经网络所设计的自适应（或自校正）控制器,其闭环控制系统具有良好的动态与静态响应特性,所提供控制器都可在线实现。     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性     

基于动态神经网络的非线性系统建模及其控制

结合已知机理信息构造动态神经网络，进行了非线性动态系统的建模，给出了权值调整算法，利用获得的模型，设计了反馈线性化控制器，由训练好的网络在线提供反馈线性化所需要的信息，为了解决模型失配问题，采用内模控制结构来引入模型的误差反馈，以消除稳态误差，文中给出了仿真实例。     

基于动态神经网络的人工环境自适应控制

本文将动态ＢＰ网络应用于双输入双输出非线性耦合系统的自适应控制，并利用递归最小二乘法来训练该网络，ＲＬＳ算法具有收敛速度快，抗噪声能力强等优点，还避免了常规ＢＰ算法中学习率选取困难的难点。     

基于B—P神经网络的非线性系统预测控制的研究

预测控制是以计算机为手段基于模型预测进行控制的方法,但是已有的预测控制算法通常是针对线性渐进稳定对象的,或者即使针对非线性使用了非线性模型,但由于算法过于复杂不能适用于快速系统,本文对复杂非线性系统提出了一种基于Ｂ－神经网络的预测控制方法,仿真和实际结果表明该方法的有效性和快速性,能够实现对非线性系统的实时智能优化控制。     

基于神经网络的智能控制系统

论述了人工神经网络的产生与发展,以及人工神经网络在控制系统中的应用现状,分析了人工神经网络的特点和监视控制系统的原理,并对神经网络控制系统的前景做了展望。     

Fault-Tolerant Control of Nonlinear Systems Based on Fuzzy Neural Networks

Due to its great potential value in theory and application,fault-tolerant control strategies of nonlinear systems,especially combining with intelligent control methods,have been a focus in the academe.A fault-tolerant control method based on fuzzy neural networks was presented for nonlinear systems in this paper.The fault parameters were designed to detect the fault,adaptive updating method was introduced to estimate and track fault,and fuzzy neural networks were used to adjust the fault parameters and cons...     

非线性主动噪声神经网络补偿控制

针对目前主动噪声控制方法需要对次级通道进行辨识,且辨识模型精确度严重影响控制效果的问题,提出一种基于神经网络前馈补偿的非线性主动噪声控制方法. 该方法利用神经网络的非线性函数逼近能力,将非线性次级通道作为被控对象,非线性主通道作为噪声模型,设计基于神经网络补偿的噪声控制系统. 该方法无需已知主通道和次级通道模型,且基于Lyapunov定理证明了控制系统的稳定性. 仿真结果表明了该方法的有效性.     

一类非线性系统的RBF神经网络滑模控制及应用

针对一类模型不精确的非线性系统,提出了一种RBF神经网络与滑模控制策略。RBF神经网络在一定条件下可以任意精度逼近非线性函数,且具有较强的自学习、自适应和组织能力。因此,将其与滑模变结构控制策略相结合,应用于非线性系统中。实验结果表明:其克服了传统滑模变结构控制中的振颤问题,同时,继承了滑模变结构控制所具有的快速性能好、鲁棒性强和抗干扰性能优良的特点。     

一种基于人工神经网络的内模控制方法

对SISO反馈线性化系统的自适应自校正神经控制进行改造,提出了一种基于BP网络的内模控制新方法,克服了原系统设计方案的理想化,提高了系统的鲁棒性,使该方法具有实用性。同时有只要建立被控过程的内部模型即可得到内模控制器模型的特点。     

基于RBF神经网络的一类非线性系统模糊自适应控制

针对一类非线性不确定系统,基于ＲＢＦ神经网络,结合模糊滑模控制提出了一种自适应控制方法。根据Ｌｙａｐｕｎｏｖ稳定性理论设计ＲＢＦ网络和模糊滑模补偿控制器的参数。     

An Improved Minimum Distance Method Based on Artificial Neural Networks

MDM (minimum distance method) is a very popular algorithm in state recognition. But it has a presupposition, that is, the distance within one class must be shorter enough than the distance between classes. When this presupposition is not satisfied, the method is no longer valid. In order to overcome the shortcomings of MDM, an improved minimum distance method(IMDM) based on ANN (artificial neural networks) is presented. The simulation results demonstrate that IMDM has two advantages, that is, the rate of recognition is faster and the accuracy of recognition is higher compared with MDM.