基于逆系统的光电平台非线性解耦控制

针对两轴两框架光电平台电机存在的非线性以及方位与俯仰轴系之间互相影响产生的耦合对控制精度的影响,提出一种基于逆系统的光电平台非线性解耦控制方法.根据两轴光电平台方位与俯仰框架的动力学模型,建立状态空间方程,然后设计逆系统,获取系统的状态变量,并将逆系统与原系统进行串联得到一个伪线性系统,使原来的单个耦合非线性多输入多输...     

模糊神经网络在温度解耦控制中的研究与应用

提出了一种新型的智能控制器，通过神经网络的自学习机制，使模糊控制器也具有自学习、自适应的能力，能应用于炉群温度的解耦控制中。仿真和实验结果均表明：该控制器对于非线笥多变量系统个有良好的解耦控制效果。     

非线性系统解耦控制理论在飞控中的应用

首先介绍了一种仿射非线性系统的解耦控制方法,然后采用该方法为某机动飞机设计了解耦控制律,最后对所设计的飞机飞行控制系统进行了闭环仿真研究。仿真结果表明,所设计的控制系统具有良好的解耦性能,可以同时完成较精确的纵向和侧向机动,并且系统动静态品质良好。     

基于MATLAB语言的多变量系统解耦

主要讲述了如何在多变量系统中结合α阶积分逆系统解耦方法 ,应用MATLAB软件进行解耦仿真。利用MATLAB语言编程 ,使设计简捷 ,提高了编程效率     

基于BP神经网络的电磁轴承逆系统解耦控制

针对主动电磁轴承-转子系统多变量、非线性和强耦合的特征,提出了一种基于BP神经网络的逆系统解耦控制方法.建立了主动电磁轴承-转子系统的径向力数学模型,并对该模型进行可逆性分析.在证明系统可逆的基础上,采用BP神经网络构建逆系统,通过将此逆系统与原系统级联,使原系统解耦成4个独立子系统,实现了主动电磁轴承-转子系统的径向...     

基于α阶逆解耦的多变量内模控制系统研究

由于工业过程控制中存在大时滞现象,使得单变量内模控制难以获得有效的控制,而多变量内模控制成为一种较好的控制策略。文中简单介绍了多变量内模控制的原理,分别基于主回路为控制对象、V规范解耦的原则和α阶逆解耦进行内模控制器的设计,阐述了各个控制器的主要思想及其设计的具体方法。通过仿真比较模型匹配与模型失配下的内模控制输出仿真图。由仿真结果可以得出,基于V规范解耦的内模控制器具有较好的控制效果,但是解耦效果存在缺陷,针对非线性系统提出的基于α阶逆解耦的内模控制系统具有较好的解耦和控制效果。     

感应电动机调速系统的新型线性化解耦控制方法

本文提出了一种新型感应电动机调速系统的线性化解耦控制方法，以定子磁链和电磁转矩作为感应电动机数学模型的输出，给出了感应电动机逆系统的动态方程，利用得到的逆系统将调速系统解耦为电磁转矩和定子磁链两个线性子系统。在此基础上，对整个调速系统进行了综合，给出了调速系统的原理框图，实现了电磁转矩和定子磁链的动态解耦控制。仿真实验验证了理论分析的正确性和控制方案的可行性。     

多变量系统辨识及其PID解耦控制的研究

现代工业过程中面临越来越多的结构复杂的多变量系统,传统的单变量PID控制方法已无法满足要求,为了解决多变量系统的控制问题,以两输入两输出系统为例,提出一种基于阶跃响应的多变量频域模型辨识方法,并将此种方法与对角矩阵解耦控制方法相结合应用于多变量PID控制系统中.最后对滞后环节近似部分和对角矩阵解耦方法进行仿真验证.结果表明该方法能够更好的控制系统变量,误差减小50%以上.     

基于PID控制技术的变风量空调系统多变量解耦回路控制

变风量空调系统包含多个控制回路,各组控制回路在运作时会产生强烈耦合效果,为保证系统稳定需要解耦控制回路,研究基于PID控制技术的变风量空调系统多变量解耦回路控制方法。基于PID控制技术建立回路增益相对矩阵,根据相对矩阵对角理论推导空调多变量解耦方式,根据误差校正规则设置补偿信号控制系统解耦回路,完成解耦回路控制方法设计。实验以变风量空调系统为测试对象,运用所提方法和传统方法,对多变量回路进行解耦控制。设定变风量空调系统中包含五组控制回路,分别为2组房间室温和管道静压,以及二氧化碳浓度和送风温度,当送风温度设定值为11℃、18℃以及14℃时,二氧化碳浓度设定值为400×10^-6、700×10^-6以及1 000×10^-6时,在所提方法下进行解耦控制,不会受到其他回路的影响,能够具备较好跟随性,减少其他控制回路的干扰和影响。     

基于神经网络的VAV空调系统多区域解耦控制

分析变风量空调系统多区域运行时的耦合关系,针对变风量空调参数多变、强耦合的特点,提出了一种改进的误差反向传播算法的神经网络分散解耦控制方法,对送风量-室内温度进行解耦;然后采用基于BP神经网络的PID控制方法对解耦后的2个近似独立的单输入单输出系统进行控制。仿真结果表明,神经网络分散解耦算法具有很强的自学习功能和自适应解耦能力,控制系统响应快,稳态误差小,有效提高变风量空调系统的控制精度及性能指标。     

一种基于对角递归神经网络的PID解耦控制器

在PID多变量解耦控制的基础上,设计了一种基于对角递归神经网络的PID解耦控制器。基于对角递归神经网络构造了PID控制器,并把几个PID控制器平行采用作为解耦控制器,以同时实现解耦和控制功能。通过对2输入2输出非线性耦合对象进行计算机仿真结果表明,该控制器对多变量非线性系统解耦控制效果很好。     

PID神经网络在飞控解耦中的仿真研究

在进行飞行控制律设计时,为了获得好的控制品质,有必要对各输出量进行解耦,并且使控制器能根据被控对象动力学特性的改变而自适应调整。为此,介绍了两种PID神经网络解耦控制结构和一种神经网络辨识器,并分别给出了PID神经网络解耦控制器和辨识器的前向算法及反向传播算法;最后分别应用两种解耦方法针对飞机横侧向线性模型进行计算仿真,得到了两种解耦结果;证明了PID神经网络解耦控制的有效性,并比较了两种结构的优缺点。     

基于加权模糊解耦策略的注塑机料筒温度控制

着重研究注塑机的料筒温度对象系统,指出非线性、大滞后、强耦等特性.并针对强耦合性,提出基于加权模糊解耦机制的注塑机料筒温度单回路控制方案,以及相应的控制策略.这种控制方案将复杂的多输入/多输出系统分解成多个独立的单回路系统,从而减小了控制系统实施多变量控制的复杂度,提高了控制器的实时性.     

基于机器学习的IDS研究

入侵检测系统是保障网络信息安全的重要手段,针对现有的入侵检测技术存在的不足,提出了基于机器学习的入侵检测系统的实现方案。简要介绍了几种适合用于入侵检测系统中的机器学习算法,重点阐述了基于神经网络和数据挖掘技术的入侵检测系统的性能特点。指出了在基于机器学习的入侵检测系统中,系统构造是一个关键环节。     

一种改进的非线性MIMO系统鲁棒自适应反推控制

针对一类具有模型不确定性和未知外界干扰的严反馈非线性MIMO系统,提出一种基于RBF神经网络和反推控制的鲁棒控制律设计方法。应用RBF神经网络在线逼近模型的不确定性,引入低通滤波器消除反推设计方法中由于对虚拟控制反复求导而导致的复杂性问题。同时,在控制律设计中引入一个自适应鲁棒控制项来补偿神经网络逼近误差和未知外界干扰的影响,提高系统的鲁棒性,使整个系统获得更好的跟踪控制性能。基于Lyapunov稳定性定理证明了闭环系统的所有信号半全局一致终结有界;通过适当选择设计参数及初始化误差变量,跟踪误差可收敛到原点的一个任意小邻域内,且跟踪误差的L∞跟踪性能被保证。数值仿真验证了方法的有效性。     

改进Elman神经网络在火控系统故障诊断中的应用

针对某型战机航空火控系统故障诊断方法对维修人员、检测设备依赖性大、故障诊断时间长等弊端,选用了对非线性对象有较好的控制及扰动消除效果的Elman神经网络方法,并将其应用于火控系统的故障诊断,为了提高网络性能,对Elman网络进行了相应的改进,在结构单元增加了自反馈增益因子α,并建立了基于Elman神经网络的火控系统故障诊断模型,通过一定的故障样本进行了训练和测试,结果证明该方法能有效地识别出故障原因,故障诊断准确率较高,有较强的鲁棒性.     

基于耦合谐振去耦网络的双频近距天线解耦

提出了一种基于耦合谐振的双频去耦网络,并将其应用于一对二元双频近距单极子天线的解耦中。对去耦网络满足的去耦条件和匹配条件进行了推导;将网络以双频耦合谐振器的结构加以实现,提取了该结构的等效电路;基于去耦网络,设计了一副工作于WLAN 2. 45/5. 25 GHz 的二元双频近距单极子天线,天线阵元边缘间的距离为2. 45 GHz 时的0. 0735 λ0 和5. 25 GHz 时的0. 1575 λ0 ( λ0 为自由空间工作波长)。对未解耦天线和解耦后天线进行了仿真和测试,结果表明,通过加载去耦网络,2. 45 GHz 和5. 25 GHz 处的隔离度分别提高了24. 52 dB 和26. 57dB,且在两个频段内阻抗匹配良好、总的效率提高、通道容量增大。提出的去耦网络适用性强,结构紧凑且解耦高效,可应用于无线终端MIMO 技术中。     

基于最优控制的神经网络自适应飞行控制

针对非线性动态逆控制鲁棒性差的缺点,综合最优控制和神经网络控制,提出一种自适应非线性控制策略。首先采用非线性动态逆进行基本控制律设计,然后对由于建模误差或舵面故障等因素导致的动态逆误差,利用神经网络进行在线补偿,根据最优控制理论得到神经网络权值的自适应律,并基于Lyapunov直接法证明该自适应律的稳定性和收敛性。针对某飞机的仿真结果表明,在存在较大逆误差的情况下,所设计的控制系统具有良好的鲁棒性。     

基于机器学习的可见光通信信号处理研究现状

随着无线通信领域的发展,具有诸多优点的可见光通信(VLC)已经发展成为了一种具有广阔前景的通信手段。然而,可见光通信中的各种非线性效应会给其信号处理带来诸多的困难,并恶化系统的性能。机器学习在解决非线性问题方面具有很大的优势和潜力,结合机器学习算法的可见光通信技术必然具有巨大的研究价值。已有研究表明,传统的机器学习算法如K-means、DBSCAN以及支持向量机(SVM)等在预均衡、后均衡、抗系统抖动,以及相位纠正等方面均有很好的表现。而深度神经网络(DNN)则因为其强大的非线性拟合能力能够更进一步提升VLC系统的性能。对以上几种方法进行了分析和介绍,并对其在可见光通信信号处理领域的应用进行了分析与总结,希望可以为机器学习解决可见光通信方面的各种非线性问题提供参考。