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。

对称NARMA-U模型及其神经网络自校正控制器

带预测误差补偿的改进NARMA-L2模型是由NARMA模型在自适应滤波动态工作点处一阶泰勒展开逼近得出的,在自适应滤波动态工作点处二阶泰勒展开逼近可得到对称NARMA-U模型,采用BP神经网络辨识对称NARMA-U模型参数,提出一广义目标函数,基于对称NARMA-U模型的非线性系统的神经网络自校正控制器,应用直接极小化指标函数自适应优化算法对BP神经网络连接权重值进行在线学习。仿真研究表明算法的响应优良。

多变量系统神经网络辨识的无模型自校正控制器研究

针对多变量NARMA模型,将其转化为具有耦合的子系统,采用具有辅助变量的多变量紧格式动态线性化方法逼近多变量NARMA模型,利用BP神经网络辨识其参数,基于多变量广义目标函数提出多变量NARMA模型的神经网络辨识的无模型自校正控制器,算法为关于控制输入的非线性方程组,通过非线性数值分析的牛顿法对其进行求解,根据非线性递推最小二乘法对BP神经网络的连接权重值进行在线学习。仿真研究表明系统的响应具有优良的性能。

基于递归小脑模型神经网络和卡尔曼滤波器的锂电池荷电状态预测

由于储能系统被广泛应用到新能源汽车、分布式发电等领域,其在运行过程中的可靠性是研究的重点之一。荷电状态(SOC)是反映电池续航能力的关键参数。为保证储能系统的正常运行,提出了一种锂电池SOC估计的方法,将递归小脑模型神经网络(RCMNN)和卡尔曼滤波器(KF)都用于荷电状态估计。为了强化RCMNN的捕获动态特征的能力,在联想记忆层和权值记忆层均加入了递归单元。将采集的电压、电流和温度作为模型的输入,用于模拟储能系统的不同充、放电情况。考虑到实际工况下电池放电的复杂性,在不同的放电条件和不同SOC初值的情况下将SOC的实际值与预测值进行对比。试验结果表明,该预测方法在不同条件下都具有较高的精度和鲁棒性。

基于BP神经网络的集中供热二次网回水温度预测控制研究

针对集中供热系统二次管网存在的水力失调问题,设计了二次网水力平衡调节及回水温度预测模型,并实施智能控制策略,以实现二次网回水温度的精准控制。首先,构建BP神经网络预测模型,将此模型的输出视为二次网回水温度给定值;其次,在整个系统控制中,实施BP神经网络与PID控制器相结合的策略,进行二次网回水温度的控制。以高邑县某小区换热站数据为基础,通过阶跃响应曲线法建立二次网回水温度控制系统的数学模型,并通过BP-PID控制进行仿真实验。实验结果表明,与传统PID控制器相比,BP-PID控制器具有调节时间短、超调量小的优点,能够快速达到平稳状态。

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。

基于小脑模型神经网络控制的步速跟随智能膝上假肢

目的:研究一种能够跟随健康腿步速控制的新型智能膝上假肢(Intelligent above knee prosthesis,IAKP)的控制机制及其实现方法。方法:首先对国内外IAKP的研究现状及控制机制进行分析,提出了一种新的利用健康腿信号控制假肢步态的方法,设计了基于小脑模型神经网络(Cerebellar model articulation controller,CMAC)控制器的微电脑膝关节系统及相应的实验装置。结果:步态跟随IAKP的控制可通过基于CMAC的PD监督控制实现步速跟随,并配合基于规则的专家控制来识别行走模式。这种控制方法具有动态记忆和快速随动控制能力,可实现假肢对健康腿步速的实时跟踪。结论:基于CMAC控制的IAKP可对健康腿步态进行快速识别与跟踪,为进一步研制健康腿步态跟随控制新型IAKP提供了理论与实验基础。

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。

基于神经网络模型的非线性多步预测学习控制器

构造出一种建模网络 ,通过对它的学习来辨识过程动态 ,通过对广义预测控制目标函数的在线优化求得控制律。

基于小脑模型神经网络的对称阀控非对称缸复合控制方法

针对对称阀控非对称缸系统的不对称性和非线性,为了提高系统控制精度,分析了该系统的工作特性,提出了基于小脑模型神经网络(CMAC)的控制策略,设计了CMAC复合控制器;为验证CMAC复合控制器的有效性,进行了实验研究,并与普通的PID控制器进行比较.实验表明,基于CMAC的复合控制方法无须精确获取系统数学模型和负载状态,适合于对称阀控非对称缸系统的实时控制.

基于气动人工肌肉的自适应模糊小脑模型神经网络位置跟踪控制

针对一种气动人工肌肉驱动的弹簧质量位置控制系统,设计了一种自适应模糊小脑模型神经网络(AFCMAC)控制器.离散抗饱和PID(DASPID)并行监督控制设计保证了控制运行初期不会出现较大的跟踪误差和气压波动,使AFCMAC的在线实时学习调整成为可能.在线实时的自适应算法逐步提高了AFCMAC的控制性能,从而最终完全过渡到AFCMAC控制.通过规划AF-CMAC的输入空间,保证了AFCMAC对迟滞力和气压波动等不确定因素的感知能力,为实现AF-CMAC控制奠定了基础.对DASPID与AFCMAC控制器的位置跟踪控制性能进行了对比实验.结果表明,在非线性系统条件下,AFCMAC较之DASPID有着更好的跟踪控制性能和较低的实现难度.

基于小脑模型神经网络-比例积分微分控制的异步风力发电机组软并网控制系统建模与仿真

分析了利用晶闸管进行软并网的原理;采用改进的小脑模型神经网络与比例积分微分并行控制方法对风力发电的异步发电机并网过渡过程进行了研究;利用Matlab/Simulink平台建立了仿真控制模型。不同风速下风电机切入电网的仿真结果验证了文中所提出控制方案的正确性:采用该控制方案可将并网冲击电流控制在额定电流的2倍以内,且该软并网系统具有较好的稳定性、实时性。

飞行机器人递归小脑神经网络模型分解控制

为解决一类不确定非线性系统的控制问题及系统混合干扰上界在实际应用中难以测量的问题,提出递归小脑神经网络模型分解控制算法。将系统分为名义模型、结构不确定性和非结构不确定性,分别对名义模型设计直接反馈控制器、对结构不确定性设计自适应控制器、对非结构不确定性设计鲁棒控制器。设计递归小脑模型关节控制器作为观测器来对系统干扰的上界进行实时逼近。李亚普诺夫理论证明了控制算法可使系统渐进稳定,微飞行机器人姿态控制仿真结果表明,控制算法改善了系统的动态性能及鲁棒性。研究结论为复杂非线性系统的有效控制提供了依据。

模型参考模糊神经网络控制器的开发

给出一种用模糊神经网络控制器作调节器，用模糊逻辑和ＢＰ算法的结合作自适应机构的模型专考自适应模糊神经网络控制器。为一类缺乏精确数学模型的被控对象提供了一种有效的自适应控制方法。仿真验证了该方法的合理性。

基于模糊小脑模型神经网络的直线伺服跟踪控制

以永磁直线同步电动机为被控对象,在高精度直线伺服跟踪控制系统中,为使输出响应快速地跟踪输入指令,需要克服系统滞后、未建模动态、不确定性以及负载的变化因素等的影响.为此,提出了一种模糊小脑模型(FCMAC)神经网络直接逆控制的方案,可动态地克服上述这些因素的影响.同时,还给出了较详细的原理分析及实现过程.仿真结果表明,此控制方案是十分有效的,能够明显地提高伺服系统的快速跟踪能力,并使系统具有较强的适应性和鲁棒性.

一类新型神经网络模型及其控制器设计

提出一种新型神经网络模型(HNM)·此模型是一种本质非线性模型,但可以应用线性控制理论的成果来设计稳定的控制器,并且模型中的连接权系数有各自的物理意义,可以通过经验来确定其初始值·同时通过分析对角矩阵的稳定性,给出了基于HN模型的控制器的设计方法及稳定性证明·仿真结果表明HN模型的有效性及控制器的优良性能·

双向规划小脑模型神经网络CMAC学习控制

CMAC小脑模型是模拟人小脑的一种学习结构。以往CMAC方法为单向规划方法,为改善CMAC学习控制效果。

神经网络非线性系统模型参考自适应控制器统一设计法

针对一类控制器无论是否具有可分离结构的非线性系统 ,利用内模控制的思想提出一种统一的神经网络模型参考自适应控制器设计方案 ,简化了基于神经网络的模型参考自适应控制系统的设计。给出了统一的设计步骤 ,它适用于任意非线性系统 ,更接近于工程实际。

基于小脑模型神经网络与PID的复合控制研究

阐述了小脑模型神经网络的基本原理并研究分析了其工作原理。在此基础上,结合PID控制的优点,提出了小脑模型神经网络与PID复合控制的算法。仿真结果表明,该算法实现简单方便,具有较好的实时性、稳定性和较强的鲁棒性,对被控对象的控制效果比较理想。