在线优化参数的神经网络预测监督控制

使用具有辅助变量的全格式动态线性化方法逼近系统,构建了神经网络监督控制预测模型。利用线性跟踪-微分器建立过渡过程,应用线性扩张状态观测器估计输出预测值及其微分,给出了线性PID控制算法。根据对角回归神经网络构成直接逆控制,提出了改进的控制目标函数。依据非线性递推最小二乘法在线优化了PID控制参数和对角回归神经网络的连接权。当系统控制误差大于一定值时,重置PID控制参数。最后提出了在线优化参数的神经网络预测监督控制,克服了已有的神经网络监督控制存在建模难的问题。仿真研究结果表明控制算法的响应具有理想性能。

基于对角回归神经网络的饱和式蒸汽发生器水位控制

神经网络具有较强的自学习和自适应能力,本文设计了基于对角回归神经网络(DRNN)的控制系统,选择合适的学习率,实现饱和式蒸汽发生器水位变化率的快速稳定辨识和自适应控制。仿真结果表明,蒸汽发生器水位的控制效果良好。

一种快速对角回归神经网络控制算法

文 [1]定理 1给出了一个基于Lyapunov函数的三层对角回归神经网络 (DRNN)任意权参数学习速率的自适应调整算法 ,而推导各层权自适应学习速率时没有严格满足定理 1成立的必要条件 ,故没能找到各学习速率的准确范围 .依据文 [1]定理 1,精确给出了各权向量及权矩阵学习速率的调整算法 ,结果表明DRNN应具有更大的学习速率 ,对应更加快速的收敛算法 .给出了相应的仿真结果 .

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。

一种新的对角回归神经网络快速学习算法

提出一种新的动态对角回归神经网络学习算法——局部动态误差反传算法 (L DBP) ,该算法定义了一种新的局部均方差函数 ,并为回归单元建立一种新的学习结构。如果估计出各层的期望输出值 ,多层回归网络便可分解成一组自适应单元 (Adaline) ,而每个单元可通过二次优化方法进行训练。采用可在有限步内找出全局最优解的共轭梯度法 (CG)进行寻优。由于学习过程采用超线性搜索 。

基于对角回归神经网络的电动加载系统

在电动加载系统中 ,多余力干扰和其他非线性因素影响力矩跟踪精度 ,传统的控制器控制效果不是很理想。本文建立电动加载系统模型 ,分析多余力的产生机理 ,提出了基于对角回归神经网络补偿控制 ,其计算量小。通过仿真实验 。

基于遗传对角回归神经网络的农机总动力预测

利用遗传算法强全局随机搜索特点,结合DRNN神经网络对非线性数据具有鲁棒性和自学习能力的优点,通过将历年农机总动力数据作为时间序列进行分析,建立DRNN神经网络预测模型对农机总量进行预测。本文采用遗传算法对DRNN神经网络进行训练,可克服基于梯度算法的神经训练算法的缺点,收敛速度快,可达到全局最优。通过与校验用数据的比较证明本文建立的预测模型具有较高的精度。

基于对角回归神经网络的自整定全系数自适应控制器及其特征参量辨识

针对全系数自适应控制器参数人为调试带来的不便,提出一种基于对角回归神经网络的参数自整定方法,通过神经网络的自学习能力对全系数自适应控制器参数进行在线整定。同时,提出一种新的特征模型参数间接辨识方法,采用神经网络的权值和回归层输出组成的非线性函数构造对象的特征参量,更有效地对特征模型的时变参数进行自学习和调整。对闭环回路的仿真结果表明,基于神经网络辨识和整定的全系数自适应控制回路比传统的全系数自适应控制回路具有更强的自适应性和抗干扰能力,响应速度更快,系统鲁棒性更强。

基于DRNN神经网络的挖掘机伺服系统参数辨识

为有效分析挖掘机电液伺服系统,提高依据模型设计控制器的精度,建立了系统状态空间模型。针对模型中的不确定参数,提出了基于对角回归神经网络的系统辨识策略。通过神经网络在线学习得到系统Jacobian信息,将实测信息代入含Jacobian信息与待辨识参数的线性方程,利用最小二乘法求得未知参数。实验表明,辨识模型能从初始阶段的微小误差逐渐地逼近实际系统,所提出的方法能有效辨识系统参数。

基于对角递归神经网络整定的PID解耦单元机组负荷控制系统

针对火电厂单元机组具有多变量强耦合、非线性及参数时变的受控对象,提出了基于对角递归神经网络整定的PID解耦控制方法,其主要特点是能够提供一个对角递归神经网络来辩识系统模型,进而对PID控制器参数进行整定,实现多变量解耦控制。通过对火电机组负荷控制系统的设计和仿真研究,表明系统达到了动态近似解耦、静态完全解耦和无静差跟踪,并具有响应速度快,鲁棒性好等特点。

钢球磨煤机制粉系统DRNN神经网络解耦控制研究

通过将对角回归神经网络技术和PID技术相结合,提出一种可用于强耦合多输入多输出系统的比例、积分和微分参数在线自整定神经网络PID解耦方案。将这种方法应用于球磨机制粉系统控制,对耦合强烈的磨煤机出口温度、入口负压、负荷三维传递函数矩阵进行解耦控制。仿真研究表明,该方案解耦效果良好,并且可以有效克服钢球磨机对象的大滞后和非线性,获得良好的控制品质。

DRNN神经网络逆控制方法在DDV伺服系统中的应用

对于直接驱动阀(DDV)式作动器伺服系统,由于很难找到最佳的参数匹配以及回路中存在死区非线性因素,使得传统的PID控制无法取得令人满意的控制效果。为此提出一种动态对角回归神经网络(DRNN)逆控制方法,该逆系统控制方法是将对象的逆模型作为控制器加入到控制回路里面,并与控制对象串联构成一个伪单位环节,使得系统的输出能够跟踪系统的输入,经过仿真实验,可以看出该神经网络逆控制比单一PID控制器的动态性能要好。

基于动态神经网络的PID参数整定与实时控制

提出了一种基于对角回归神经网络的PID控制器结构,给出了PID参数在线自整定的学习控制算法。为检验控制效果同时还使用了静态BP网络来整定PID参数,并在Matlab环境下,分别建立了基于对角回归神经网络和BP网络的液位实时控制系统。实际的控制效果说明,基于动态网络的PID控制器工作稳定,具有较好的鲁棒性。

基于神经网络的并联式混合动力汽车控制策略

为提高并联式混合动力汽车的燃油经济性和控制系统的响应时间,应用神经网络实现控制策略。首先,结合逻辑门限控制策略和等效燃油消耗最小原理制定控制策略,并根据电池的荷电状态(SOC)进行调整。然后将调整后的策略在典型工况JA1015循环上实验,采集合理样本来训练对角回归型神经网络(DRNN),获得基于神经网络的控制策略。最后,在电动汽车仿真软件ADVISOR平台上进行仿真实验,仿真结果表明,采用神经网络的控制策略,提高了并联式混合动力汽车的燃油经济性,响应快,且具有通用性。

汽车半主动悬架的神经网络控制及仿真

基于 1 /2汽车非线性模型和对角回归神经网络模型 ,应用模型参考自适应控制对半主动悬架系统进行了离线辨识 ,构成了非线性神经网络控制器 ,在线训练了神经网络控制器 ,并对半主动悬架进行了控制仿真 ,对仿真结果进行了分析、总结。

基于模糊神经网络的民航物流预测研究与仿真分析

为合理规划我国机场改扩建方案,针对目前民航业特点,从客运量的角度对民航物流预测进行研究,在综合分析影响客运量因素的基础上,提出了模糊对角回归神经网络滚动预测模型。此模型在前端网络处理层对不确定性因素进行模糊量化处理,对确定性因素进行归一化处理,有效地解决了模型输入量纲不一致的问题。通过实际数据的检验与内回归神经网络、外回归神经网络的预测结果相比较,证明应用此模型进行民航客运量预测有较高的预测精度。并在此基础上利用Visual Basic语言开发了民航物流预测仿真系统,对预测结果进行仿真验证,试验结果表明该仿真系统具有广阔的应用前景和推广价值。

基于神经网络的风力辅助提水系统自适应PID解耦控制

针对风力机和离心水泵的特点,该文设计了一种风力辅助提水机结构及其控制策略。由于该设备需要解决最大可能地利用风能和风力机与柴油机之间的功率平衡问题,因此,该系统是一个时变的2输入2输出耦合系统。根据解耦和神经网络的思想,采用2个回归神经网络(DRNN)在线调整2个PID控制器的参数,一个神经元解耦补偿器完成系统的解耦,实现了不依赖于对象模型的自适应PID解耦控制。计算机仿真结果验证了该控制策略的可行性,为进一步研究奠定了基础。

神经网络方法在舰船姿态运动预报中的应用研究

将神经网络应用于舰船姿态运动预报中,利用带有延迟反馈的回归神经网络的暂态、学习效率高、动态映射等优点,提出多输入单输出简化的对角回归神经网络,并给出舰船姿态运动预报模型。在此基础上进行算法收敛性的说明。最后采集15个样本,通过分析样本的平均误差、均方误差和相对误差来说明本文所此采用的算法对舰船纵摇姿态的预报结果有效。为提高预报精度需要将船舶受到的外界干扰融合到模型中,从而可得到理想的预报效果。

基于神经网络的直流电动机位置控制

本文研究了三层对角回归神经网络 (DRNN)用于直流电动机实时控制的方法。首先 ,采用动态反传算法训练神经网络以辨识直流电动机的逆模型 ,然后将这一训练后的网络作为前馈控制器与常规反馈控制器一起输出控制电压以控制系统跟踪位置或速度指令。该算法简单、计算量小、适于实时控制。

局部回归Elman网络学习算法的注记

针对在系统辨识和控制领域中广为应用的Elman网络 (尤其是对角回归网络 )中的学习算法重要问题进行了论述。并就当前文献中存在的三种留传颇广的梯度学习算法进行了讨论 ,指出其中两种算法所存在的问题并对算法的实质进行了初步分析。