基于改进的RBF神经网络在线辨识算法及其应用

针对径向基函数(RBF)神经网络用于非线性系统辨识时存在的问题，对径向基函数网络的拓扑结构作了改进，并给出了改进的径向基函数(MRBF)神经网络的中心选取方法和权值在线调整算法，最后用改进的径向基函数网络对一个典型工业对象(CSTR)进行了应用研究，结果表明方法有效。     

基于RBF辨识的模糊神经网络控制器的设计与实现

随着众多新型模糊神经网络被提出,针对模糊神经网络具有的典型特点,即需要对输入输出数据范围进行转化和处理,所涉及到的对量化因子和比例因子的实时调节问题,该文提出一种优化方案。其依据神经网络具有的自学习能力,通过增加模糊神经网络的层数,提出一种包含对量化因子和比例因子调节的改进型模糊神经网络,以减少系统的辅助优化环节。同时,引入辨识性能较好的径向基函数神经网络（RBF）为系统提供精确的Jacobian信息,取代常规的近似做法。最后结合实例仿真证明了该优化方案的合理性。     

一类递归RBF神经网络模型的稳定性讨论

在径向基函数神经网络（RBFNN）和递归神经网络（RNN）的基础上,提出了一类新的递归径向基函数神经网络（RRBFNN）模型,它具有两种网络模型的优点。文中对它的渐近稳定性和学习算法进行了研究,并给出相关的定理和公式。仿真结果表明了该神经网络模型在控制不稳定非线性系统（如小车－倒摆系统）具有巨大潜力。     

基于RBF神经网络空间矢量法对PMSM的控制

将模糊径向基函数(f-RBF)神经网络算法用于永磁同步电机(PMSM)的速度控制.针对电机的动态和非线性特点,结合PMSM驱动的矢量控制方法,设计了f-RBF在线辨识器和速度控制器.在Matlab/Simulink下将该方法与传统的PID控制PMSM进行了仿真比较.实验结果表明了该方法的有效性,且系统响应速度快,动态性能优异,鲁棒性好.     

基于RBF神经网络的非线性控制系统

针对时滞、非线性多变量耦合系统控制中串级控制存在滞后，并且PI控制参数初始设置困难，很多时候只能手动控制的缺陷，本文采用内模控制方隶．通过RBF神经网络训练获得内部模型，同时利用最小二乘模型降解，简化解耦矩阵的求取，实现了两输入两输出系统的解耦控制。仿真结果表明．该方案可以消除变量间的耦合，并且解决了时滞问题、降低过程超调量，使得控制系统更加平稳，改善了过程控制的品质。同时．当对象特性发生一定改变时．系统具备良好的鲁棒性能。     

基于模糊RBF神经网络的非线性滤波

该文从基本的智能技术——神经网络(NN)和模糊系统(FS)技术出发,探讨了神经网络与模糊系统相结合的基本理论,提出了一种基于模糊RBF神经网络的非线性滤波的方法。该方法将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,对信号中有色噪声进行较高精度的逼近,来达到非线性滤波的目的。该滤波方法显示出很强的处理问题的能力,学习速度快,仿真结果表明了这种方法的有效性和可性行。     

基于RBF神经网络的肌电信号建模仿真研究

建立肌电信号模型，尤其是肌肉单纤维动作电位模型，并进行计算机仿真研究，是研究从复杂信号中提取特征参数新算法性能的基础。利用反向传播算法网络和径向基函数的强逼近能力，建立模拟合成单纤维动作电位的精确模型，以达到快速、准确地计算机合成单纤维动作电位波形。通过实验比较，径向基函数网络较反向传播算法网络更适合于肌电信号这类非线性系统建模。     

基于RBF神经网络的直接广义预测控制

针对广义预测控制算法需要在线递推求解 Diophantine 方程及矩阵求逆等计算量大的缺陷,对参数未知多变量非线性系统提出一种径向基函数神经网络的直接广义预测控制算法.该算法将多变量非线性系统转化为多变量时变线性系统,用三次样条基函数逼近系统广义误差向量中的时变系数,然后利用径向基神经网络来逼近控制增量表达式,并基于广义误差估计值对控制器参数向量即网络权值向量θu和广义误差估计值中的未知向量θe进行自适应调整.仿真结果验证了此算法的有效性.     

一类新的RBF 神经网络在非线性系统建模中的应用

提出一种基于输入集分类函数的新的距离度量方法,它与前传回归的正交最小二乘法相结合,不仅可以学习分类超平面的参数,而且可以选择重要的输入节点。这种结构的RBFNN特别适用于非线性动力学系统的辨识（建模）和控制。将改进的RBFNN用于化工中的聚合反应过程建模,结果表明该方法是有效而适用的。     

基于RBF神经网络的粮库温度预测

由于粮库温度是非线性的时间序列,文章提出了基于RBF神经网络的粮库温度预测模型。该模型优于传统的粮库温度分析方法,又避免了BP算法容易陷入局部极小点和收敛速度慢的缺点。根据实验的仿真结果显示,该模型对于粮库温度的预测效果较好。     

基于RBF神经网络的智能PID控制算法

针对工业中的纯滞后现象提出一种智能控制方法,在常规的PID控制器中引入Smith预估器,对纯滞后时间τ所产生的特性进行预估补偿,同时利用RBF神经网络对PID的参数进行自整定,在一定程度上增强了系统的鲁棒性和稳定性。实验证明,此控制方法对纯滞后工业对象进行控制可以得到良好的效果。     

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。     

RBF-PID控制在防滑刹车系统中的应用研究

为了研究飞机防滑刹车系统,在分析滑移率控制式飞机防滑刹车系统的工作原理基础上,将基于RBF神经网络算法的PID控制方法引入飞机防滑刹车系统中,实现最佳滑移率式的飞机防滑刹车控制.以某型飞机为例,针对不同的跑道(干、湿、冰)情况,将该方法和传统的PID控制方法在MATLAB环境下进行了数字仿真,仿真结果表明:基于RBF神经网络PID的控制方法较传统的PID控制方法,有更好的刹车控制效果,并具有较强的鲁棒性;采用基于滑移率式的RBF神经网络PID控制可以大大地提高飞机防滑刹车效率,为飞机防滑刹车系统的控制提供一条新的思路.     

基于RBF神经网络PID的无人动力伞控制

动力伞是一个复杂的非线性动力学对象,难以用精确的数学模型描述。对于这种具有非线性、时变和强耦合特性的综合系统,采用传统PID控制方法不能得到满意的控制效果,因此提出一种基于RBF神经网络的PID控制方法。该方法利用RBF神经网络的自学习、自适应能力自调整系统的控制参数,从而实现对PID控制器各参数的优化整定。在Mat-lab软件中的仿真结果表明,该方法可实现对动力伞有效的控制,并且与传统PID相比,具有更短的调节时间,更好的稳定性、自适应性和鲁棒性。     

RBF神经网络PID控制在分切机中的应用

BOPP生产线中的分切机是一个复杂的机电控制系统,分切机中的张力控制是影响生产质量的主要因素。分析了BOPP生产线中的分切机张力产生原因和张力控制的数学模型,针对分切机的恒张力控制,提出了一种基于RBF神经网络的改进PID控制方法。该方法通过RBF神经网络的Jacobian信息辨识,结合增量式PID算法对张力实现控制参数的自整定,并运用Matlab软件编程实现整个模型的控制仿真。仿真结果表明,改进后的控制算法比一般的PID控制具有更好的控制效果。     

基于RBF辨识的神经元PID直线伺服控制

针对永磁直线同步电动机(PMLSM)直接驱动的伺服系统,提出了一种基于RBF神经网络辨识的单神经元PID模型参考自适应的优化跟踪控制策略,解决了系统快速精确地跟踪与抗扰性能之间的矛盾.利用RBF神经网络作为辨识器,实现对被控对象Jacobian信息精确辨识,以基于二次型性能指标学习算法的单神经元自适应PID作为控制器,从而保证系统具有较强的鲁棒性能.仿真结果表明,该方案在保证伺服系统快速跟踪性能的同时,对系统参数变化和负载扰动具有很强的鲁棒性.     

神经网络PID控制及其仿真

基于常规PID控制方法的一些缺点,该文介绍了一种利用神经网络HEBB规则,实现了有效的控制方法和PID控制参数的优化的方法。通过仿真和跟经典PID控制方法的比较,说明了其优越性。     

神经网络PID控制及其仿真

基于常规PID控制方法的一些缺点,该文介绍了一种利用神经网络HEBB规则．实现了有效的控制方法和PID控制参数的优化的方法。通过仿真和跟经典PID控制方法的比较,说明了其优越性。     

基于RBF网络自整定PID控制的改进算法

针对工业过程控制中存在的非线性,时变性以及各种不确定性,在已有的RBF网络整定PID控制的基础上,提出了一种改进的整定控制算法。先用RBF神经网络在线辨识被控对象离散模型,得到对象关于控制器输出的Jacobian信息,然后用Levenberg-Marquardt算法代替传统的梯度法对PID参数进行整定,得到改进的整定控制算法。通过对锅炉汽包水位控制系统的仿真研究,验证了算法的有效性和优越性。该控制算法提高了控制系统的快速性、鲁棒性,有一定的实用推广价值。