BSTD-Z80A型微机监控系统

该文重与介绍了BSTD－Z80A型微机监控系统的系统配置及主要应用软件模块的设计，并讨论了几个关键性的技术问题。突出的特点是质谱分析仪在线化，反应温度的闭环优化调节，比较完整的线性化方法，流量与温度的数字输出控制，基于控制三要素的控制方法。该系统具有较高的抗干扰能力及鲁棒特性。

智能传感器、现场总线与FCS

归纳了智能传感器的性能特点 ,介绍了现场总线的体系结构及特点 ,分析了FCS的构成特征及FCS对DCS的影响 ,讨论了基于现场总线企业网的完善性和突出性能。

基于RBF神经网络的非线性系统的预测

对于非线性系统的预测辨识,提出用动态节点生成构造性RBF神经网络作为预测模型,且RBF神经网络的学习算法采用一种新的全监督式学习算法,即神经网络隐层引入新节点时,通过使新节点的输出尽可能逼近残差序列的方向来获取网络参数,从而减少学习误差,使网络输出能够较好的跟踪系统输出。仿真表明该学习算法的有效性。

基于改进Elman神经网络的非线性预测控制

为了提高非线性预测控制中预测模型的精度,提出一种基于递归神经网络建模的预测控制方案。采用改进Elman神经网络在线建立预测模型,用递推最小二乘法在线修改神经网络权值,并引入误差补偿环节,从而达到改善预测模型精度的目的,使控制系统的控制性能得到提高。仿真实验表明了该方法的有效性。

BP网络改进方法概述

以BP网络的结构和学习算法的缺点为出发点 ,系统地介绍了BP网络的各种改进方法。

基于前向神经网络的多新息随机梯度辨识算法

为了提高动态系统的辨识精度,提出一种基于前馈神经网络的多新息随机梯度辨识算法,它通过动态调整网络权值来提高网络在线辨识性能.由于多新息随机梯度辨识算法利用了系统的当前数据和历史数据,对动态辨识,特别是对具有纯时间延迟动态系统的辨识,较传统的BP算法在辨识精度和收敛速度方面具有更好的效果.仿真结果表明该算法的有效性.

一种基于模糊神经网络的自适应模糊辨识方法

基于改进的T-S模型,提出一种自适应模糊神经网络模型(AFNN)。首先,基于模糊竞争学习算法确定系统的模糊空间和模糊规则数,并得出每个样本对每条规则的适用程度。其次,利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁,逼近能力强,能够显著提高辨识精度,并且辨识的模糊模型简单有效。最后,将该AFNN用于非线性系统的模糊辨识,仿真结果验证了该方法的有效性。

基于粗糙集神经网络的故障诊断

在神经网络故障诊断模型的基础上,引入粗糙集理论,给出连续属性值的离散化方法.并应用粗糙集对故障诊断决策表进行属性约简,剔除其中不必要的属性.仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景.

模糊小波网络在煤与瓦斯突出预测中的应用

为了正确预测煤与瓦斯突出的趋势与危险性,提出用改进的模糊小波网络技术建立煤与瓦斯突出预测系统,以模糊数学作为表达与处理不精确数据、模糊信息条件的手段,以小波网络与改进BP算法作为解决问题的途径。仿真结果表明,该模型收敛速度快,准确性高,具有较强的可靠性和实用性,是一种十分有效的煤与瓦斯突出危险性预测方法。

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。

基于神经网络的迭代优化预测控制

针对时变的非线性系统,提出一种基于神经网络的迭代优化预测控制。它将传统的预测控制策略与神经网络逼近任意非线性函数的能力结合,预测系统未来输出,然后用迭代学习方法优化预测控制器,即通过一阶泰勒展开的方法,把非线性优化问题转化为线性优化问题。不仅简化计算,同时避免用神经网络优化控制器时,由于调节参数过多、调节速度慢而导致系统闭环稳定性和鲁棒性差的问题。仿真结果表明,该控制方案具有良好的控制品质,并适应对象参数的变化,具有较强的鲁棒性和自适应性。

基于RBF神经网络多步预测的自适应PID控制

提出一种基于RBF神经网络多步预测的自适应PID控制算法.该算法用无局部极小的径向基函数网络对非线性系统进行在线辨识,利用多步预测误差对PID型控制器网络进行训练,从而实现PID参数的在线自适应寻优.通过对典型非线性系统的仿真研究,该控制系统具有较强的适应性和鲁棒性.

基于改进遗传算法的神经网络模型辨识

利用前向神经网络对非线性动态系统建模时存在着很大的缺陷,因此提出采用递归网络(RNN)对非线性动态系统建模。并在权值的修正上,摆脱常用BP算法的束缚,采用改进的遗传算法搜索最优权值。最后对一高阶非线性系统进行建模仿真实验,结果表明该方法是有效的。

一种快速BP网络训练算法及应用

针对基本BP算法在接近最优点时收敛速度变慢的缺点,提出一种快速BP网络训练算法。该算法将网络训练过程分为两个阶段,首先采用变学习率BP算法使其接近最优点,再改用PRP共轭梯度法以加快收敛速度,其中学习率通过不精确一维搜索方法寻找得到。并采用Widrow—Nguyen初始化规则选取初始权值。通过两个仿真试验表明该算法是一种高效、快速的BP网络训练方法。同时,该算法具有简单、易于实现的优点,具有较为广阔的应用前景。

单值动态矩阵控制的应用研究

简单地分析单值动态矩阵控制算法各参数的选择规则 ,并应用于纸浆洗涤的控制中 ,仿真实验表明 ,它较传统的动态矩阵控制算法计算速度快 ,实时性强 ;通过对参数简单合理的选择 。

改进的Elman网络在非线性系统辨识中的应用

通过对Elman网络的研究,提出一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络,给出Elman网络的标准BP学习算法,针对标准BP算法的收敛速度慢和容易收敛于局部极小点的缺点,利用非线性动量项自适应变步长的BP算法进行改进,从而提高算法的收敛速度,避免陷入局部极小点的问题。通过在系统辨识中的应用,表明该网络收敛速度快,模型精度高,并具有较强的自适应性和鲁棒性,适合于动态系统的实时辨识。

现场总线控制系统与DCS关联通信

简要介绍了DCS的发展及所存在的缺点 ,引出了一种全新的、具有高度开放的、彻底分散的控制系统———现场总线控制系统 (FCS)。分析了现场总线的特点和优点 ,指出了尽管FCS还存在着标准不统一、关键功能不完善等问题 ,但是FCS必将代替DCS在工业过程控制中起主导作用。然后根据目前及今后一段时间内二者并存这一实际情况 ,提出了它们相互联结、通信的 4种方式 ,并给予简要分析和评价。此外介绍DCS向FCS过渡的现场总线标准———HART通信协议及基于HART协议的智能仪表的结构及功能。充分利用Internet技术 ,建立基于FCS的生产、监控、管理为一体的企业内部网 (Intranet)是企业管理信息系统的发展趋势。

一种基于神经网络辨识的预测方法

针对时变的非线性系统,将传统的预测控制与神经网络逼近任意非线性函数的能力相结合,提出一种基于神经网络辨识的预测方法.同时选用含有调整参数的双曲正切函数作为节点的激活函数,弥补由于未考虑激活函数的输出值域、影响神经网络辨识精度和速度不足的问题.仿真结果表明,它适用于无滞后和有滞后的时变非线性系统,辨识收敛速度快、精度高,并具有较强的自适应性和鲁棒性.

基于输出反馈控制系统的鲁棒容错控制设计

通过对参数不确定时滞系统的容错控制的研究,针对执行器和传感器的失效故障,利用Riccati方程和Lyapunov稳定性定理,提出一种基于带有时滞项输出反馈控制的鲁棒容错控制器设计方法,并给出各种故障模式下的容错控制条件。仿真结果表明,该方法具有良好的鲁棒容错控制效果。

一种用于非线性函数逼近的小波神经网络

提出一种用于非线性函数逼近的小波神经网络 ,给出了网络的参数训练方法。从信息熵的概念出发 ,改进了网络参数训练的目标函数 ,并利用引入动量项的最速下降法训练网络权值、尺度因子和平移因子。仿真实验表明 ,该小波神经网络用于非线性函数逼近时优于同等规模的BP网络 ,且其训练方法亦具有收敛速度快、逼近精度高等优点。