基于可变学习率BP算法的空调控制系统的研究

通过分析控制器参数学习率和控制器性能之间的关系,设计一种基于可变学习速率反向传播算法VLRBP和模糊神经元网络的变频空调控制系统.该系统不仅可以通过反传误差信号训练控制器参数,而且可以根据网络的当前状态朝最优化方向调整控制器参数的学习率.实验结果表明,该控制系统不仅比传统的空调PID控制器和模糊控制器具有更好的控制性能,而且相比基于标准BP算法和动量BP算法的模糊神经网络控制系统,也具有更快的收敛速度和更好的控制精确度.     

基于二维混合模型和状态观测器的重复控制设计

针对一类正则线性系统, 提出一种基于状态观测器和二维混合模型的重复控制系统设计方法. 首先, 通过构造一个状态观测器来重构系统的状态, 建立基于重构状态的线性控制律. 然后, 通过独立地考虑重复控制系统的连续控制过程与离散学习行为, 给出基于状态观测器和重构状态反馈的连续/离散二维混合模型. 针对这个混合模型, 运用二维Lyapunov泛函方法, 以线性矩阵不等式(Linear matrix inequality, LMI)的形式给出重复控制系统存在重复控制器和状态观测器的充分条件, 所给条件可用Matlab工具箱方便地求解. 数值仿真验证了本文所提方法的有效性.     

基于增量式Q学习的固定翼无人机跟踪控制性能优化

针对固定翼无人机纵向控制的高性能需求,提出一种控制系统性能优化结构.该结构包括一个使系统稳定的标称控制器和一个参与性能优化的增量式控制器.控制系统增量式的实现不会改变原有的控制系统,而是仅对标称控制系统做控制输入的补偿与控制性能的优化.基于Q学习理论进行增量式控制器设计,针对状态信息完全可获得的系统,设计一种基于状态反馈的增量式Q学习算法.当状态信息不能完全获得时,利用系统输入、输出和参考信号数据,设计一种基于输出反馈的增量式Q学习算法.两种增量式控制器均是在数据驱动环境下自适应学习增量式控制律,无需提前知道系统动力学模型以及标称控制器的控制增益.此外,证明了增量式Q学习方法在满足持续激励条件的激励噪声下,对Q函数贝尔曼方程的求解没有偏差.最后,通过对F-16飞行器纵向模型实例的仿真验证该方法的有效性.     

非线性伺服电动机的神经网络逆控制

伺服电动机由于存在接触过程的非线性、温漂等非线性因素的影响,很难建立其精确的数学模型,使得基于数学模型的控制困难.针对伺服电动机存在的非线性问题,提出了一种新颖的基于BP神经网络直接逆控制方法.首先,利用BP神经网络建立系统的正向模型(NNI),然后,设计基于神经网络的直接逆控制器(NNC),实现了对伺服电动机的自适应控制.在Lyapunov稳定性分析的基础上,给出了BP算法学习算子的选择方案,保证神经网络权值训练的快速收敛,同时,对训练BP神经网络控制器的专用算法(specialized learning)进行改进,利用NNI的输出求取权值调整的灵敏度函数.数字仿真结果表明提出的控制算法是简单有效的.     

基于死区调度的无线网络控制系统保性能控制器设计

针对无线网络控制系统(WiNCS)中网络带宽有限、节点能量有限、网络冲突概率高和节点动态移动的特点,提出了基于系统误差的死区调度策略,即只在系统误差绝对值大于死区阈值时才进行控制量的计算和传输.将死区调度描述为一个非线性函数,并在考虑系统参数不确定性和网络诱导时延的情况下,建立了基于死区调度的无线网络控制系统模型.利用Lyapunov-Krasovskii方法,给出了保性能控制器的设计方法.仿真实验结果表明所提方法在保证控制性能的基础上有效地降低了控制器的数据传输率.     

基于组件的访问控制系统快速开发方法

访问控制是分布式应用的一个必要组成部分。由于访问控制机制的建立要求开发人员具有丰富的访问控制专业知识,所以建立有效的访问控制机制往往成为应用系统开发中的难点问题。论文研究并提出了一种基于组件的访问控制系统快速开发方法并建立了相应的开发工具。该工具采用面向组件的软件开发方法,支持组件化访问控制系统的动态策略定义、组件库管理和配置集成,能够根据用户选择的访问控制模型以及所定义的访问控制策略快速生成访问控制系统。所生成的访问控制系统可与应用系统无缝结合或部署到Web服务等分布式计算平台中,为应用系统提供所需的访问控制功能。     

基于二维混合模型的改进型重复控制系统保性能设计方法

针对一类具有参数不确定性的线性系统, 基于连续/离散二维混合模型进行改进型重复控制系统的保性能设计. 首先给出一种具有反馈作用的改进型重复控制系统结构, 通过独立地考虑重复控制系统的连续控制行为与离散学习行为, 建立重复控制系统的连续/离散二维混合模型, 并将重复控制的设计问题转化为一类连续/离散二维系统的状态反馈控制问题. 然后, 应用二维Lyapunov泛函导出保性能改进型重复控制器存在的充分条件, 进而证明该条件等价于一个线性矩阵不等式可解性问题. 最后通过求解对应的凸优化问题, 给出了最优保性能控制器的具体形式. 数值仿真验证了所提出方法的有效性.     

自适应神经PID在挤塑机温控系统中的应用

针对塑料挤出机的多段料筒温度控制,以及常规PID控制在非线性的、时变系统中控制效果的局限性,提出了一种基于BP神经网络整定的PID控制方法.给出了计算机控制系统设计及系统软件开发.由于神经网络具有强大的非线性映射能力,自学习、自适应等优势,通过对系统性能的学习来实现具有最佳组合的PID控制,建立比例、积分和微分三种参数自学习的PID控制器.对锥形双螺杆塑料挤出机的温度控制实验结果表明,用该方法整定的PID控制系统,逼近精度高、鲁棒性好.     

BP神经网络在智能车辆方向控制中的应用

驾驶员模型是智能控制中复杂的控制系统,方向控制是其核心部分。本文建立了一种基于侧向距离偏差的前视轨迹驾驶员模型。并利用神经网络的学习功能设计了一种基于BP神经网络的汽车行驶方向控制器,仿真试验表明该设计可行有效。     

基于BP-PID的直流输电控制器设计与仿真

首先简要叙述了直流输电控制系统的原理,然后,通过S函数设计了一种基于BP算法神经网络PID控制器的仿真模型,时其进行了简要的分析,在此基础上,建立了直流输电控制系统,并在Matlab中对该系统进行了仿真,结果表明,该控制器能够达到满意的控制效果.     

基于RBF神经网络控制的球杆系统位置控制实验研究*

球杆系统是一种典型的高阶非线性不稳定系统,针对PID跟踪控制精度不高及BP神经网络控制训练时间较长的问题,本文提出一种带有低通滤波器的RBF神经网络控制器(RBFC)动态补偿PID控制的球杆控制方法,控制系统由RBF神经网络控制及PID控制器组成。为提高参数辨识速度和避免局部最小值,采用梯度下降法更新隐含层参数,采用带有遗忘因子的最小二乘法更新输出层权值。实验结果表明,该控制方案相比PID控制具有更高的控制精度,比BP神经网络具有更快的学习速度,低通滤波器保证了RBFC的辨识精度和稳定的控制输出,具有良好的动静态特性和控制性能。     

RBF networks-based adaptive approximate model controller for steam valving control

This paper proposes a novel steam valving controller using radial basis function (RBF) networks-based approximate model method. Approximate model method is a kind of direct linearization approach that is derived based on the approximation of the plant’s input–output model via Taylor expansion. RBF networks are used to identify the plant to implement the approximate model control law. In order to improve the performance of the approximate model controller, RBF networks weights are adjusted online using BP algorithms with an adaptive learning rate. Several simulations results demonstrate the effectiveness of the proposed controller for team valving control.     

神经元PID控制在变风量空调室温控制中的应用研究

针对变风量空调系统的延迟,非线性和模型不确定性,本文提出将神经元P I D控制器应用于变风量空调系统中。该控制器综合了神经网络和P I D调节各自的有点,具有神经网络的学习和适应能力,同时具备P I D控制的广泛的适应性。仿真实验表明该控制器控制结果优于传统的P I D控制器。     

基于BP神经网络的矿井提升机自校正容错PID控制

针对矿井提升机系统故障时动态性能难以用传统的解析方法获得的问题,提出了一种基于BP神经网络的矿井提升机自校正容错PID控制方法。该方法通过BP神经网络在线学习跟踪提升机系统的动态特性来预测系统输出值,并应用自适应控制中的自校正PID构建容错控制器,实现提升机系统故障下的稳定容错控制。仿真结果表明,该方法在提升机系统故障情况下能迅速跟踪系统故障状态,在线调整PID参数,快速恢复系统性能。     

改进型BP神经网络MRAS控制系统

在常规BP神经网络模型参考自适应控制器基础上采用改进型BP神经网络作为辨识器和控制器,组成新的模型参考神经网络自适应控制系统,利用改进型BP神经网络的优点弥补传统自适应方法的不足,使系统具有更强的鲁棒性,收敛更快,逼近精度更高的优点。仿真结果表明,该系统比传统BP神经网络模型参考自适应系统具有更好的稳定性和更快的响应速度。     

模糊CMAC及其在机器人轨迹跟踪控制中的应用

小脑模型关节控制器(CMAC)具有结构简单,学习快速的优点,但是它的空间划分方式不能在线进行调整,影响了其自适应能力的提高.本文将模糊理论引入CMAC,提出了一种能够反映人类小脑认知的模糊性和连续性的模糊小脑模型关节控制器(FCMAC).该控制器对CMAC的空间划分方式进行了模糊化处理,可通过BP学习算法对CMAC的空间划分方式进行在线调整,大大提高了CMAC的自适应能力.所提出的FCMAC被应用于机器人的轨迹跟踪控制系统以克服机器人系统中非线性和不确定性因素的影响.仿真实验结果表明,所提FCMAC与传统的CMAC相比性能上有了很大的改善.     

基于合作粒子群算法的PID神经网络非线性控制系统

PID神经元网络 (PIDNN)模型为一种新型的神经网络模型,兼有PID与神经网络的共同优点,应用于复杂的控制系统.取得优良控制性能,但其后向传播算法 (BP)限制了该模型的应用范围.为实现对非线性多变量系统的有效控制,扩展神经网络的应有范围,本文采用PIDNN神经网络设计了多变量PIDNN神经网络 (MPIDNN)控制器,并用本文作者提出的合作粒子群算法 (CPSO)取代了传统BP后向传播算法,通过比较MPIDNN_CPSO、MPIDNNCRPSO、MPIDNN_PSO和MPIDNN_BP4种控制器的控制性能,仿真结果表明,基于CPSO算法的MPIDNN控制器实现了对非线性多变量不对称系统的有效控制.与传统的BP算法相比,CPSO算法提高了控制系统的稳定性、精确性与鲁棒性.     

Single-input CMAC control system

This paper attempts to propose a single-input cerebellar model articulation controller (CMAC) control system, which contains only one controller implemented by the CMAC. The single-input CMAC control system adopts two learning stages. An off-line learning stage is to enable the output behavior of the CMAC to approximate the control surface of a fuzzy PD-type controller. An on-line learning stage follows to improve the system stability by the modified learning rule. The linear interpolation scheme is also applied to the recall process at the on-line learning stage to ensure better accuracy of the CMAC output. Simulation results show that the single-input CMAC controller is superior to the fuzzy PD-type controller.     

电机温度时滞耦合系统自抗扰控制仿真研究

电机温度过高会造成绝缘性能老化,电机安全性能下降;电机控制系统是典型的非线性系统,电机温度也因此具有时滞性和耦合性的特点,难以建立准确的数学模型;传统的方法对电机温度的控制精度较差,从而导致电机温度失控;为此,提出基于BP神经网络自抗扰控制算法的电机时滞耦合关系下温度控制方法;将BP神经网络与PID控制方法相结合建立电机温度网络自抗扰控制器模型,利用梯度下降法修正电机温度控制器模型的权值系数,从而实现了BP神经网络自抗扰控制器参数的实时调整;实验结果表明,利用BP神经网络自抗扰算法进行电机时滞耦合关系下温度调整,能够有效提高控制的精确度,缩短了控制过程中的时间延时。