基于神经网络的预测控制

基于神经网络的预测控制器由神经单元自适应PID控制器和基于神经网络的Smith预估器组成.预估器对输出进行多步预测,使控制器超前动作以消除时滞对系统的影响.自适应PID控制器通过有监督的Hebb学习算法实现其权值调节,通过权系数的在线调整实现自适应控制.并以仿真试验给予了验证.     

Smith 预估模糊自适应PID 控制在时滞系统中的应用

为确保系统的实时性和稳定性,设计一种新的Smith预估模糊自适应PID控制器。以气液增力缸的自动控制为具体研究对象,将模糊自适应控制器与传统的PID控制器结合,通过Smith预估器将控制过程中出现的纯滞后环节移至闭环系统之外,并在Matlab中进行仿真验证。验证结果表明：该设计能消除纯滞后现象,提高响应实时性和稳定性。     

基于自适应模糊神经网络的反舰导弹非线性控制算法

提出了一种综合运用动态逆、模糊神经网络和滑模控制的非线性控制方法.首先运用动态逆理论对非线性系统进行近似线性化,利用具有在线学习能力的模糊神经网络来抵消系统的误差,建立了基于自适应模糊神经网络的控制结构,根据李雅普洛夫稳定理论导出了网络权值的自适应调整规则,用滑模控制和鲁棒控制分量保证了系统的鲁棒性.并将该非线性控制算法用于某型侧滑转弯导弹的控制系统设计.仿真结果表明,这种方法能有效消除扰动的影响,提高导弹过载控制系统响应的精度.     

基于自适应模糊神经网络的非线性系统鲁棒故障诊断

针对一类非线性闭环稳定系统，在考虑噪声干扰和系统参数不确定误差条件下，用自适应模糊系统进行非线性补偿，提出了一种基于自适应模糊状态观测器实现状态观测和故障检测，再由RBF神经网络故障逼近器实现故障在线跟踪的鲁棒故障诊断方法。为确保观测器和诊断系统的鲁棒性，给出了闭环系统在有界噪声干扰和系统不确定误差下的稳定性定理，并进行了证明。     

基于Smith预估补偿与RBF神经网络的PID控制在工业平缝机脚踏板调速模块中的应用

针对工业缝纫机调速模块的伺服系统普遍存在耦合,大滞后的现象,提出了一种将Smith预估补偿和RBF神经网络算法与PID控制器相结合的Smith-RBF-PID控制算法。该方法利用了Smith预估补偿能克服纯滞后和RBF能处理非线性问题、在线自学习整定PID参数的优点,在调速模块的伺服控制系统中更加有效。     

Smith预估器在地形跟踪系统中的应用研究

地形匹配制导系统中,由于系统存在纯时滞环节,所以常会发生撞出事件,为了解决这个问题,对Smith预估器在该控制系统中的应用进行了研究,做了大量的计算机仿真,结果表明该方法是有效的。     

基于模糊神经网络PID的机床直流调速系统

为解决PID参数的在线调整问题,针对龙门刨床的主拖动系统,提出将神经网络的模糊PID自适应控制器用于直流调速系统的方法。分析龙门刨床电气设备的组成,综合模糊控制和神经网络的长处,将神经网络、模糊逻辑和PID控制相融合,构成模糊神经网络控制器,并通过MATALAB对系统进行仿真。设计时,将模糊规则融于神经网络中,通过对神经网络的自学习、自适应能力在线调整模糊规则和隶属函数参数,对PID控制器实现在线实时调整。仿真结果表明,该系统比普通控制器具有更好的动、静态特性。     

基于模糊神经网络的BTT导弹自适应控制

针对不确定非线性BTT导弹控制系统,提出了一种基于模糊高斯基函数神经网络的自适应控制设计方法。在设计过程中将不确定部分合为一项,应用模糊神经网络的万能逼近性质来逼近系统不确定项,然后利用滑模控制和自适应模糊神经网络理论设计了控制器,应用Lyapunov稳定性理论保证闭环系统的稳定性,并推导出自适应律,最后通过仿真结果验证该方法的有效性。     

基于模糊神经网络的导弹倾斜运动稳定与控制研究

根据非线性系统的模糊神经网络自适应控制算法，研究了导弹倾斜运动采用变系数运动方程时的稳定和控制问题。     

基于BP神经网络的模型参考自适应控制

以导弹纵向通道为例,给出了导弹的过载控制模型,将BP神经网络应用于模型参考自适应控制中,组成模型参考自适应控制系统.利用BP神经网络自身的优点来克服传统模型参考自适应控制算法的不足,使系统具有更强的鲁棒性和容错性.仿真结果表明,该系统不仅能实现原系统的功能,而且它的稳定性和抗干扰性优于传统模型参考自适应控制.     

基于神经元控制的机械臂伺服系统设计

对于大功率的3自由度机械手臂,为保证系统具有较高的控制精度和较强的鲁棒性,采用神经元模型参考自适应设计系统方法,通过关节处的角传感器构成闭环系统,取线性自适应神经元作为神经元控制器,设计了基于神经元控制的机械臂伺服系统,实验研究表明,该系统具有较好的控制品质。     

基于模糊人工神经网络的智能CAPP系统

对人工神经网络在惯性器件精密加工的ＣＡＰＰ系统中的应用进行了探讨，提出了用模糊技术进行了网络的前置处理的方法，并对惯性器件零件的实际加工特征进行了归纳。     

神经网络在传感器非线性参数识别中的应用

传感器的动态特性模型一般可以表示为一个线性环节与一个非线性环节的级联形式,利用神经网络的自适应性、任意非线性函数逼近的优点,以多项式函数代替常用的S－函数,运用改进的BP算法可以辨识出传感器动态特性模型的非线性参数。仿真结果表明了这一方法的可行性。     

基于改进Elman网络的自适应预测函数控制

基于改进Elman网络的自适应预测函数控制算法，使用网络作被控对象的预测模型，按实际输入输出数据建立对象的网络预测模型(NPM)．当预测误差大于规定值时，在线修正对象数据NPM权值，使其准确反映对象的动态特性，将预测误差控制在规定范围．以电液伺服舵机为对象仿真，选择合适网络结构、权值初值和学习速率，自动修正网络权值以适应变化的被控对象，实现了快变过程的鲁棒控制．     

基于改进BP神经网络的某导弹姿态控制系统故障诊断

对于常规BP神经网络,其收敛过程存在两个很大的缺陷:收敛速度慢;存在所谓"局部最小值"问题。采用了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练,建立了智能诊断模型,并应用于某导弹姿态控制系统的故障诊断,测试结果表明该方法相比常规BP算法能够更有效的进行故障诊断,从而为故障诊断及判定的自动化提供了一个新思路。     

基于模糊神经网络PID的串级温度控制系统研究

为解决传统PID 控制存在控制效果不够理想、性能欠佳和很难满足系统精度要求的问题,提出基于模糊 神经网络的自适应PID 控制算法对系统进行控制。采用Labview 构建模糊神经PID 控制器,对环控引气系统温度进 行动态控制,进行仿真研究,并将此控制策略与经典PID 控制进行仿真比较。结果表明：基于模糊神经网络的PID 控制算法在系统的超调量和调节时间上都小于经典PID,能提高系统的快速性和准确性,改善系统特性。     

有序神经网络及预测控制

基于传统单隐层BP神经网络,将有序神经网络引入到预测控制,按照先隐层后输出层的顺序,对神经元依次进行编号;编号后增加前向连接,任一节点都向序号靠后的节点有输出连接;同时增加从输入层跨越隐层直接到输出层的连接,使网络不仅有层间的前向连接,而且有层内连接和跨层连接。增加连接后,神经网络转化为一个有大量有规律前向连接的神经元群,促使网络整体化,改善网络对连续输出映射的模仿能力。仿真结果表明,该有序神经网络预测控制方法可获得理想的控制效果。     

基于神经网络的考核成绩评估

常用的神经网络包括BP、径向基、径向基概率神经网络等.利用Kohonen神经网络实现对学员的体能考核成绩进行综合评估.其采用N维模式矢量,当网络输入矢量后,Kohonen层中的神经元开始竞争,并利用具有最小欧式范数距离的神经元作为获胜神经元.仿真实验验证了基于Kohonen神经网络的考核成绩评估有效可行.