神经元网络自适应系统在4300 mm产线的应用

在近代钢铁工业的发展中,产品质量发展不仅体现在材料性能的提高上,还体现在高精度的尺寸规格上,这也是用户市场要求所决定的。一个钢铁企业的进步就在于其产品具有良好的机械性能和精确的形状尺寸。尺寸精度体现在良好的板形和高精度的厚度偏差。随着人工智能技术的发展,神经元网络系统也被应用在轧制控制系统中,神经元网络系统的应用使得轧制过程中各种模型计算结果更为精确、轧制质量更高。讨论了神经元网络系统在宽厚板生产自动化系统过程控制层面中的应用,着重对于轧制力模型计算和温度模型计算进行了分析。

基于自适应神经元网络的过热汽温智能控制

过热汽温调节过程是一个非线性时变过程。目前广泛使用的ＰＩＤ控制虽然有结构简单、鲁棒性强的优点，但也存在自适应性能差的缺点。作者利用神经元的学习特性，给出了一种神经元网络控制模型，并将其与串级控制相结合，形成了过热汽温智能控制结构。该结构可以实现参数的自整定，具有较强的自学习能力。最后通过仿真验证了该智能控制的有效性。

基于自适应线性神经元网络的三相畸变电流检测方法及实现

文章基于自适应线性神经元网络 ,给出了一种可在三相不对称非线性负载情况下用于有源电力滤波器的畸变电流检测方法 ,该方法具有实时、准确、能自适应跟踪负载电流的变化等特点。并针对所给出的方法用模拟电路加以实现。计算机仿真和实验结果证实了该方法及所提出模拟电路的可行性。

一种自适应CMAC神经元网络控制器及其在水轮机调速器中的应用

提出了一种自适应CMAC神经元网络控制器的结构 .该控制器的核心是一个两维的存贮区间 ,它采用一个参考模型和直接自适应律来获得在线训练信号 ,而相应存贮单元的更新采用一阶学习律 .最后以水轮机调速器仿真实验系统来检验它的控制性能 ,并与普通的PID控制器比较 ,结果证明 ,该控制器有较强的学习能力及较强的鲁棒性 .

结合模型自适应的神经元网络在中厚板轧机轧制力预报中的运用

在中厚板生产过程中,用传统轧制力模型预报中厚板轧机轧制力时存在着较大的误差。为了提高中厚板轧机轧制力的预报精度,采用轧制力模型自适应与人工神经元网络相结合的方法进行中厚板轧制力的在线预报。应用结果表明,采用本方法预报轧制力时精度优于传统的数学模型,相对误差可以控制在±3%以内。

基于RBF神经元网络的漂浮基空间机械臂关节运动自适应控制方法

讨论了载体位置、姿态均不受控制情况下,漂浮基空间机械臂关节运动的控制问题。由拉格朗日第二类方法及系统动量、动量矩守恒关系,建立了漂浮基空间机械臂完全能控形式的系统动力学方程。以此为基础,借助于RBF神经网络技术、Ge-Lee(GL)矩阵及其乘积算子定义,对漂浮基空间机械臂进行了神经网络系统建模;针对空间机械臂系统所有惯性参数均未知的情况,设计了漂浮基空间机械臂关节运动的自适应神经网络控制方案。提出的控制方案不要求系统动力学方程具有通常的关于惯性参数的线性性质,且无需预知系统惯性参数的任何信息,也无需对神经网络进行离线训练、学习,此外,由于充分利用了空间机械臂的系统动力学特性,因此在控制过程中不需要反馈、测量漂浮基的位置、移动速度、移动加速度以及姿态转角的角速度、角加速度。一个平面两杆漂浮基空间机械臂的系统数值仿真证实了该方案的有效性。

煤矸石自适应神经元网络识别方法研究

文章对煤矸石灰分测量的特征向量进行了分析与讨论 ,通过实验选择K值与比值I J作为神经元网络的输入。基于密度加权距离的FCM神经元网络适应了不同数据对总体分布的差异性 ,在适当选择密度分布函数以后可抑制误差比较大的离群样本对神经元网络的学习的影响 ,提高了系统学习的正确率。

自由漂浮双臂空间机器人基于RBF神经元网络的关节运动自适应控制

讨论了自由漂浮双臂空间机器人关节运动的控制问题。由拉格朗日第二类方法及系统动量、动量矩守恒关系,建立了自由漂浮双臂空间机器人完全能控形式的系统动力学方程。以此为基础,借助于RBF神经网络技术、Ge-Lee(GL)矩阵及其乘积算子定义,对自由漂浮双臂空间机器人进行了神经网络系统建模;之后针对双臂空间机器人系统所有惯性参数均未知的情况,设计了自由漂浮双臂空间机器人基于RBF神经元网络的关节运动自适应控制方案。提出的控制方案不要求系统动力学方程具有惯常的关于惯性参数的线性性质,且无需预知系统惯性参数的任何信息,也无需对神经网络进行离线训练、学习,所以更适于实时、在线应用。系统数值仿真证实了该控制方案的有效性。

神经元网络自适应时延同步及保密通信应用

考虑到时延在神经系统的普遍存在性,基于Lasalle不变性原理提出了一种新的自适应时延的同步方法.该方法的同步反馈控制强度不仅依赖于初始位置,还依赖于系统的时间延迟和反馈控制系数.利用Hindmarsh-Rose(H-R)神经元网络进行数值仿真验证其有效性和可行性,最后将该方法应用到保密通信系统中,实现保密通信.

基于DSP的自适应神经元网络控制系统的研究

某大型设备的液压系统在工作中需要一定的油压对其进行支撑,所以要保证油压根据要求维持在某一稳定值。针对于此,研究并设计了一个基于DSP的自适应神经元网络控制系统,通过该控制算法可以调整油泵电机的频率使得油压达到要求的稳定值。由于该液压控制系统在实际运行中油压值会出现波动,因此调节的快速性和稳定性是本控制系统的关键。该控制算法经由现场采样和实验的仿真测试,证实了其有效性。

三轴仿真转台外框电液位置伺服系统自适应神经元网络控制

本文针对三轴飞行姿态仿真转台外框电液位置伺服系统的特点和技术要求，采用自适应神经元网络控制策略对其控制。仿真结果表明，自适应神经元网络控制以其特有的自学习、非线性等优点，完全满足三轴飞行姿态仿真转台外框电液伺服系统对控制策略的要求，由其构成的控制系统既具有良好的动态性能，又具有较强的鲁棒性与适应性。

基于滑模的神经元网络自适应控制及其应用(英文)

提出一种基于滑模的神经元网络自适应控制方法,并把它应用于液压伺服系统的位置控制.基于滑模学习策略,根据从一优化了的滑模控制所得到的系统输入/输出信号,设计一神经元网络,离线训练该神经元网络的权值,然后综合一简单的自适应环节,得到完整的基于滑模的神经元网络自适应控制.仿真实验结果表明,相对于纯优化的滑模控制而言,所提出的控制方法能使系统具有响应速度快,控制精度高的特点,综合控制效果明显.

基于自适应线性神经元网络的谐波检测算法

为了克服基于傅里叶变换(FFT)谐波检测算法运算量大、实时性不强、易受噪声影响的缺点,提出了基于自适应线性神经元网络(ADALINE)的谐波检测算法,建立了基于最小二乘法(LMS)的最优解求解过程的数学模型,根据LMS误差与各次谐波傅里叶系数之间的三维流形的几何形状选择算法的步长因子。采用时域迭代的方法准确地提取基波有功、无功和各次谐波分量,为实现APF可选择性谐波补偿奠定了基础。

二级模型预报的神经元网络自适应改进

轧制模型是对现实世界的模拟,所以理论和现实存在差距是不可避免的,本文目的就是缩小这种差距。系统研究二级模型弱化因子对模型精度的影响,同时就二级建模精细化特性进行了分析并提出改进方案,此方案使设定精度及活套稳定性得到实质性提高,对弱化因子的系统研究并应用到二级建模、最大程度改善带钢产品质量是本文一次成功的实践。

ML神经元网络自适应同步的抗扰特性研究

为了分析噪声环境下生物神经元网络信息处理的抗扰机理,基于STDP(Spike-Timing Dependent Plasticity)突触可塑原理,构建了具有自学习特性的ML(Morris-Lecar)神经元网络模型。给出了定量分析神经元网络瞬时放电同步程度的数学方法,对网络的瞬时放电同步程度和放电频率进行对比分析。仿真结果展示了,ML神经元网络通过STDP突触的学习,从随机放电逐渐进入同步放电状态,消除了噪声干扰,呈现出自适应抗扰特性。结果表明,神经元网络可以利用同步放电消除噪声干扰,通过突触学习可以适应外部干扰环境。

动态神经元网络的直接自适应控制与应用

本文对一类未知的非线性多变量系统,提出了用动态神经元网络实现直接自适应控制的策略;基于 Lyapunov理论,获得一个稳定且连续的学习律,避免了递归训练过程;闭环系统被证明是稳定的。这种方法的特点是,不需要离线学习阶段;对非线性电机仿真的结果验证了提出的动态网自适应控制算法的有效性。

基于神经元网络多模型自适应控制

多模型自适应控制（ＭＭＡＣ，Ｍｕｌｔｉ—ＭｏｄｅｌＡｄａｐｔｉｖｅＣｏｎｔｒｏｌ）是一种离线设计和在线识别与决策的新方法，它将有限多个简单控制联结成一种从总体上具有大范围的鲁棒控制。利用神经元网络对被控系统模型进行识别的思想，构成神经元网络的多模型自适应控制。

基于单个神经元的自适应控制在主汽温控制系统中的应用研究

论述了基于单个神经元的自适应控制系统的组成及其学习算法 ,并针对火力发电厂中的主汽温对象 ,设计了由两个基于单个神经元的自适应控制器构成的串级控制系统 ,并进行了仿真实验 ,表明了该新型主汽温控制系统的有效性和优越性。

轧制力模型自适应在神经元网络预报轧制力中的应用

在中厚板生产过程中，神经元网络已经运用到中厚板轧制力模型预报中，但是与实际的轧制力相比还存在着较大的误差。为了提高神经元网络预报轧制力精度，将轧制力模型的自适应过程引入到神经元网络用于轧制力预报，应用结果表明，采用本文所述的方法，神经元网络的预测精度得到很大改善，预报精度的相对误差可以控制在±3％以内。

使用神经元网络的鲁棒自适应倾斜转弯导弹自动驾驶仪设计

本文对于倾斜转弯自动驾驶仪设计，提出了一种基于神经元网络的鲁棒自适应控制方法。对具有Ｓ形隐神经元的前馈神经元网络控制器的设计作了详细分析。在未知所谓最优神经元网络的先验知识时，我们利用了神经元网络的优点和鲁棒自适应理论设计了一个控制器，该设计采用李雅普诺夫理论确定自适应律，并确保闭合回路中有所信号的有界性。无需预先进行离线训练阶段，并且仅使用一个简单的神经元网络。可以证明，跟踪误差收敛于零域。