准对角递归神经网络及其算法的研究

提出一种准对角递归神经网络(QDRNN)结构及学习算法。此QDRNN结构上与对角递归神经网络(DRNN)相似,保留了DRNN结构简单的优点,以减小计算量,同时增加了相邻递归神经元之间的关联,可以直接应用BP学习算法进行训练。进一步,引入递推预报误差(RPE)学习算法,并且证明了其稳定性。仿真结果表明,QDRNN比DRNN具有更好的非线性逼近能力,而运算时间却增加甚微,DRNN的学习算法稍加变化即可应用。

基于准对角递归神经网络盲均衡算法的研究

提出了一种基于准对角递归神经网络的盲均衡算法。利用了准对角递归神经网络结构简单、计算量小,而动态特性强的优点,结合传统的恒模盲均衡算法定义了代价函数,用最速梯度下降法推导出了其算法迭代公式。计算机仿真表明该算法收敛速度较快、剩余误差较小。

基于QDRNN网络的航空发动机多变量解耦控制

针对航空发动机非线性模型的复杂性,通过对准对角递归神经网络(QDRNN)及梯度下降法(GMD)的分析,研究了基于QDRNN网络的航空发动机多变量解耦PID控制系统.阐明了该算法的结构和原理,通过对设计点及非设计点的仿真.研究表明,QDRNN网络结构相对简单,易于构造训练算法,较好地解决了双变量控制系统中变量之间的耦合作用.

基于DRNN自整定准PR控制的光伏并网系统研究

以配置LCL滤波器的单相光伏并网逆变系统为研究对象,针对其非线性、时变特性,提出一种基于准比例谐振(quasi proportional resonant,QPR)控制的直流电压外环、并网电流内环和电容电流内环三闭环控制策略,并给出准PR控制器的离散化方法。针对准PR控制器参数固定无法适应电网参数变化,难以达到系统控制性能最优的不足,提出一种基于动态对角递归神经网络(diagonal recurrent neual network,DRNN)自整定准PR控制器并给出其控制算法,DRNN采用基于二阶梯度的递推预报误差算法(recursive prediction error,RPE),其较一阶梯度反向传播算法(propagation,BP)具有更快收敛速度。仿真对比分析和实验结果表明,采用上述控制策略的单相光伏并网逆变系统具有良好的输出电流质量和快速的动态响应性能,可有效避免并网电流谐振并实现并网电流高功率因数。

基于QDRNN-ADRC的重力稳定平台控制研究

针对稳定平台系统存在系统模型不够精确或者参数变化,或者外部干扰未知等现象,以及采用自抗扰控制器存在参数众多且难以整理的问题,提出了一种基于准对角递归神经网络—自抗扰控制器(QDRNN—ADRC)的重力稳定平台控制算法。通过自抗扰控制器对系统的"总扰动"进行估计并补偿,同时引入神经网络的辨识功能对自抗扰控制器部分参数进行在线整定,基于自抗扰控制技术核心架构设计了QDRNN—ADRC。仿真结果表明:有效解决了重力稳定平台利用神经网络的辨识功能对自抗扰控制器部分参数进行在线整定外扰动的干扰以及参数自适应整定问题,相对于传统控制方法,其在稳定精度、快速性及抗干扰性方面均具有一定优势。

基于DRNN自整定QPR-DMRC控制的并网逆变器技术

针对常规并网逆变器中电网电压会出现畸变及传统控制器动态响应差等问题,通过分析准比例谐振和传统重复控制策略的优缺点,提出了一种基于对角递归神经网络的改进型QPR-双模重复控制(DMRC)复合控制器并给出其控制算法,DRNN采用LM算法,利用DRNN参数自整定技术,对改进型QPR-DMRC控制器参数进行在线整定,该方法既能够有效地对奇、偶次谐波进行抑制,同时解决了QPR控制器参数整定困难等问题。采用Matlab/Simulink进行仿真研究,结果表明该方法能有效地降低系统谐波总畸变率,提高了系统的抗干扰能力,实现逆变器无静差稳定运行。

冷连轧机厚度和张力系统的智能解耦控制

现代冷连轧机组中的厚度和张力系统具有多变量、强耦合、不确定等特点。以某厂1700 mm冷轧机组为背景,以现场数据为核心,建立了厚度和张力耦合系统数学模型。针对系统模型的参数扰动以及外部扰动等不确定性,提出了基于准对角递归神经网络多变量PID控制策略,该策略具有较强的表达和处理瞬态信息的能力,实现了厚度和张力系统的解耦控制。仿真结果验证了本算法的有效性,其解耦响应速度和抗干扰能力明显优于传统解耦控制效果,适合解决非线性系统的动态问题。