一种基于ELMAN神经网络的纸张横幅定量在线解耦方法

针对纸张横幅定量控制所存在的非方、高维强耦合特性,本研究提出了一种基于ELMAN神经网络的多变量解耦策略。具体思路如下:首先引入前置变换因子矩阵对系统进行降维化方,然后针对化方后的系统,将ELMAN神经网络和前馈解耦相结合设计解耦结构,并在此基础上引入参考模型,根据参考模型输出与系统输出之间的差值在线调整网络参数,对系统耦合进行实时补偿以实现系统的在线解耦。通过上述工作将非方高维控制问题转化为单回路群控制问题,大大降低了多输入多输出高维系统控制难度。仿真实验及现场实际应用证明了本研究所提方案的可行性和有效性,定量控制精度提升了42%,并将横幅定量偏差减小到1.88%。

优化极限学习机算法及其在纸张横幅定量系统解耦中的应用

本课题基于奇异非混沌优化(SNO)改进了极限学习机(ELM),并用于解决纸机横幅(CD)定量系统的耦合问题。首先,采用基于分段逻辑映射的SNO方法,对输入层和隐藏层之间随机生成的权重和阈值进行优化,解决了ELM优化不足的缺点。然后,设计奇异非混沌优化极限学习机(SNOELM)解耦器,对多变量系统进行解耦。最后,将其与已提出的改进ELM、鲸鱼优化极限学习机(WOELM)和粒子群优化极限学习机(PSOELM)进行了比较。仿真结果表明,SNOELM解耦方法比ELM具有更好的优化能力,比WOELM和PSOELM具有更高的解耦精度和更快的解耦速度。

概周期驱动分段Logistic系统的奇异非混沌吸引子

鉴于对非光滑系统奇异非混沌吸引子(SNAs)的形成原因与诞生机理的认识尚不清楚,以概周期驱动分段Logistic非光滑系统为研究对象,分析此系统中存在的多种类型的奇异非混沌吸引子,通过应用最大李雅普诺夫指数、相敏感指数方法辨识了奇异非混沌吸引子的诞生机理,主要包括Heagy-Hammel路线、间歇-Ⅰ路线、分形化路线,研究结果发现,奇异非混沌吸引子在非光滑系统中的存在类型比较丰富.研究结果可为研究非光滑系统中的奇异非混沌吸引子提供理论参考.

概周期驱动的二维分段线性范式系统的奇异非混沌吸引子

利用相轨迹图、最大李雅普诺夫指数、有理逼近等方法,探讨概周期驱动的二维分段线性范式系统是否存在奇异非混沌吸引子;通过改变控制参数,观察系统的相轨迹图中是否出现分形现象;通过计算最大李雅普诺夫指数,得到奇异非混沌吸引子;通过对比有理逼近图与相轨迹图,验证奇异非混沌吸引子的存在性;通过功率谱、相敏感函数和回归图对奇异非混沌吸引子的存在性进行进一步验证。结果表明,概周期驱动的二维分段线性范式系统中在一定参数范围内的吸引子都是奇异非混沌吸引子,验证了概周期驱动的二维分段线性范式系统中奇异非混沌吸引子的存在性。