非线性量化小脑模型关节控制器神经网络控制器

常规小脑模型关节控制器(CMAC)神经网络采用线性均匀量化,稳态控制精度与量化级数相关,增加量化级数可提高稳态精度但会导致内存空间和计算量的增加.本文提出一种可采用幂函数、高斯、分段3种非线性量化方法的非线性量CMAC神经网络,并分析了非线性量化CMAC的收敛性,解释了非线性量化提高稳态精度的本质.面向一阶惯性环节、二阶系统、一阶时变系统及二阶时变系统,分别跟踪方波、斜坡、正弦波、三角波和加速度等输入信号,仿真验证了非线性量化CMAC神经网络控制器的有效性,给出了不同非线性量化方法的适用性.结果表明,非线性量化CMAC参数容易设定,物理意义清晰,与常规CMAC对比,其快速性和控制精度显著提高,可以有效解决实际复杂非线性时变系统的控制.

基于小脑模型关节控制器神经网络的短期电价预测

电价预测是电力市场决策的基础。文中介绍了采用小脑模型关节控制器(CMAC)神经网络建立预测提前1天不同时段的电力市场短期电价的预测模型。并以美国加州电力市场的数据作为计算实例,分别采用CMAC神经网络和反向传播算法(BP)神经网络进行短期电价预测。两种预测结果对比表明,CMAC神经网络具有所需训练样本少、输出稳定性好、计算速度快和预测精度高等优点,比较适用于短期电价预测。

小脑模型神经网络控制器在天线跟踪指向控制中的应用

分析了天线跟踪指向控制系统的特点和影响系统跟踪性能的主要因素,建立了系统数学模型。根据系统特点,给出了小脑模型神经网络控制器(CMAC)和PID相结合的复合自适应控制方法的设计过程,并分析了该算法适用于天线跟踪指向控制系统的优势。该方法利用传统的PID控制,结合CMAC神经网络算法的快速自学习、精确逼近的优点,既满足了天线跟踪指向控制系统快速实时跟踪的要求,又提高了跟踪精度和跟踪平稳性。仿真结果表明,该方法对摩擦力矩有很好的抑制作用,跟踪精度较单独采用PID控制提高一个数量级,且输出稳定,具有较强的鲁棒性。

机器人柔顺装配夹具的双小脑模型神经网络控制系统

介绍了一种新型的机器人柔顺装配夹具及其装配系统。设计了由装配力信号为输入的小脑模型神经网络CMAC1和以浮动平台位移信号为输入的小脑模型神经网络CMAC2并行叠加构成的双CMAC神经网络控制器 ,前者作为前馈控制 ,后者当夹具刚启动时为前馈控制 ,装配开始后转为反馈控制。双CMAC神经网络控制器具有存储容量少、系统较稳定、能减少系统误差影响、装配力小等优点。

CMAC神经网络控制器与BP神经网络辨识器的系统设计

提出了一种基于CMAC神经网络控制系统,该系统由CMAC神经网络控制器和BP模型辨识网络组成。文中介绍了CMAC神经网络控制器的结构及学习算法,还给出了系统辨识的BP网络结构及学习算法。仿真结果表明了此法的可行性和有效性。

一种单输入/单输出的小脑模型神经网络研究

针对标准小脑模型关联控制器(CMAC)存在的问题,研究了一种单输入单输出(SISO)的CMAC算法.SISO CAMC采用直接地址映射,以输入v的量化值为地址,建立起输入v与权重w的关系,并通过对输入v进行归一化,增强网络的泛化能力.另外,学习采用随机样本,具有学习简单、收敛速度快、函数逼近精度高等特点,可以在单片机上实现.最后,理论证明和仿真试验,验证了该算法的有效性.

基于CMAC神经网络的永磁同步电机控制方法研究

将一种基于CMAC神经网络的PID控制器引入到永磁同步电动机交流调速系统中,取代传统的PMSM双环控制系统中的转速外环PI控制器。实验结果表明,运用该控制方法的系统响应快、超调小、鲁棒性好,较常规PI控制具有更好的动、静态性能。

基于CMAC神经网络的配网重构模型

为使配电网的有功功率损失最小化,提出了一种基于小脑模型关节控制器(cerebellarmodelarticulationcontroller,CMAC)神经网络配电网重构模型.借助于CMAC神经网络输入和输出之间的非线性映射关系和泛化能力,来建立变化的负荷水平与最优化网络拓扑之间的对应关系,即网络重构.还将该模型与基于BP网络的配网重构模型进行比较.经算例表明,模型可以快速地给出重构的结果,适合大型配电网使用.

推土机工作装置CMAC神经网络控制

在分析以往推土机工作装置控制方法的基础上 ,引入小脑模型 (CMAC)神经网络控制技术 ,把调整手柄位置 C和发动机输出转速 n以及油门开度 a作为控制器的输入 ,工作装置扭矩作为输出 ,实现了神经网络控制器对推土机工作装置的控制。经试验 ,在阶跃激励信号输入时 ,这种小脑模型 (CMAC)神经网络控制器具有学习速率高和结构简单等特点 ,可使工作装置稳态精度达± 1mm ,效果十分明显。

基于HCMAC神经网络的控制研究

利用HCMAC神经网络与模糊控制算法近似的特性,以偏差和偏差的变化率作为HCMAC神经网络控制器的输入,构造一新型HCMAC神经网络控制器,克服模糊控制中模糊规则难以准确确定的缺陷。通过仿真实例看出,HCMAC神经网络控制器与常规PID控制器相比具有很好的跟踪控制精度,在时变、非线性的复杂系统中具有一定的应用价值。

基于神经网络与PD的非线性控制

提出了一种层叠小脑模型关节控制器(CMAC)神经网络同传统PD控制相结合的控制策略。该策略利用改进CMAC学习控制系统的不确定信息,并作为前馈补偿来确保跟踪误差的快速收敛,采用PD控制系统实现反馈控制,保证系统的稳定性,且抑制扰动。并采用跟踪-微分器对信号进行了滤波。仿真及实验结果表明:该控制策略提高了系统的控制精度和响应速度,并且具备较强的抗干扰能力和鲁棒性。

基于神经网络动态逆的歼击机自适应跟踪控制

基于神经网络动态逆方法 ,给出了一种非线性模型参考自适应跟踪控制方案。应用神经网络直接对非线性系统求逆方法解决了逆系统方法的两个“瓶颈”问题 ,并且克服了传统的控制设计中将过程模型线性化 ,从而将不可忽视的非线性关系用线性关系代替或者忽略的弊端。对由于建模误差、不确定因素等引起的非线性系统逆误差 ,通过自组织模糊小脑模型关节控制器 ( Self-organizing fuzzy cerebellar model articulation controller,SOFCMAC)神经网络在线进行修正。 SOFCMAC神经网络扩大了寻优空间 ,使其能更好地重构系统逆误差 ,最终实现准确的鲁棒自适应跟踪控制。通过将这种方法用于某型歼击机姿态系统控制的仿真研究 。

基于神经网络控制的有源滤波器的研究

随着电力系统中负荷的多样化,使得电网的谐波干扰和无功冲击越来越严重,对电力系统的安全可靠运行和用电设备的正常稳定工作构成了威胁,因此谐波的实时检测和补偿也就变得越来越重要.基于此背景,提出了一种基于神经网络控制器的新型有源滤波器,通过神经网络控制器对电网谐波进行分析预测,并通过开关决策来控制补偿电流发生电路从而实现滤除谐波的功能.其中,神经网络的训练是采用遗传算法和小脑模型来实现的.仿真结果证实了神经网络控制器的有效性.

神经网络动态逆在歼击机安全着陆中的控制

给出了基于神经网络动态逆的自适应跟踪控制方法,用以解决飞机着陆过程中的复杂非线性和出现舵机故障的情况。应用神经网络直接对非线性系统故障模型求逆,使得所设计的逆系统能够包含故障信息,克服了传统的控制设计中将过程模型线性化,从而将不可忽视的非线性关系用线性关系代替或忽略的弊端。对由于建模误差、不确定性因素等引起的非线性系统逆误差,通过自组织模糊小脑模型关节控制器(SOFCMAC)神经网络在线进行修正。并在此基础上对3个通道分别设计了参考模型和线性控制器,以实现对伪线性系统进行跟踪控制。通过将这种方法用于某型歼击机在着陆过程中发生平尾卡死故障控制的过程仿真,验证了该方法的可行性。

基于神经网络控制的有源滤波器的研究

随着电力系统中负荷的多样化,使得电网的谐波干扰和无功冲击越来越严重,对电力系统的安全可靠运行和用电设备的正常稳定工作构成了威胁,因此谐波的实时检测和补偿也就变得越来越重要.基于此背景,提出了一种基于神经网络控制器的新型有源滤波器,通过神经网络控制器对电网谐波进行分析预测,并通过开关决策来控制补偿电流发生电路从而实现滤除谐波的功能.其中,神经网络的训练是采用遗传算法和小脑模型来实现的.仿真结果证实了神经网络控制器的有效性.

裂解炉燃料气热值的模糊神经网络软测量

从工业过程实际应用要求出发,研究开发了基于模糊逻辑系统的小脑模型关节控制器神经网络算法。仿真研究表明,该算法提高了传统小脑模型关节控制器的平滑能力和泛化能力,可以很好地应用于工业过程的软测量中。经现场的长期应用实施,证实了该热值软测量系统具有较高的准确性,充分显示了燃料气系统热值变化的特征,对裂解炉炉管出口温度的稳定控制起到了极大作用。

自组织模糊CMAC神经网络及其非线性系统辨识

针对 CMAC的特点 ,提出了联想度的概念 ,并由此设计了一种自组织模糊 CMAC神经网络 ( SOFC-MAC)及其学习算法 ,证明了 SOFCMAC能以任意精度对非线性特性一致逼近。该网络具有学习速度快 ,逼近精度高及局部泛化能力等特点。

粗糙集CMAC神经网络及其在非线性系统辩识中的应用

提出了一种基于粗糙集规则提取的CMAC神经网络非线性系统辩识策略。该策略利用粗糙集理论对数据样本进行数据浓缩,提取初步的映射规则。对初步的规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立输入状态空间到输出空间的精确映射,大大提高了神经网络的收敛速度和逼近精度。通过一个非线性系统对该神经网络进行了实验,结果表明,该神经网络具有分类逼近能力强、计算量小等优点。

电液伺服系统的神经网络并行控制

文章针对电液伺服系统的非线性、不确定性和参数时变的特点,提出一种基于神经网络的并行自学习控制算法。该控制策略以系统动态误差和给定信号量作为小脑模型神经网络控制器的激励信号,并与单神经元自适应PID控制器相结合构成系统的复合控制。仿真结果表明,该并行控制算法较常规PID控制具有更快的响应特性和良好的动态特性,对模型参数变化和负载扰动表现出更强的适应性和鲁棒性。

基于CMAC神经网络的电池荷电状态估计

现有电池荷电状态(SOC)估计方法所需训练和学习时间较长,很难满足动力电池的实时性要求。为解决该问题,利用小脑模型关节控制器(CMAC)神经网络对电池SOC进行评估,CMAC神经网络具有学习算法简单和逼近任意非线性函数的能力。对镍氢电池的模拟测试结果表明,与反向传播神经网络相比,CMAC神经网络的学习和收敛速度较快,能实时估计出电池SOC,并使估计误差在可接受范围内。