基于自组织模糊RBF网络的连续空间Q学习

针对连续空间下的强化学习控制问题,提出了一种基于自组织模糊RBF网络的Q学习方法.网络的输入为状态,输出为连续动作及其Q值,从而实现了"连续状态—连续动作"的映射关系.首先将连续动作空间离散化为确定数目的离散动作,采用完全贪婪策略选取具有最大Q值的离散动作作为每条模糊规则的局部获胜动作.然后采用命令融合机制对获胜的离散动作按其效用值进行加权,得到实际作用于系统的连续动作.另外,为简化网络结构和提高学习速度,采用改进的RAN算法和梯度下降法分别对网络的结构和参数进行在线自适应调整.倒立摆平衡控制的仿真结果验证了所提Q学习方法的有效性.

基于模糊RBF网络高频感应加热电源控制的研究

由于高频感应加热电源负载阻抗是一个多变量、复杂且非线性的控制对象,无法建立精确的数学模型。因此将基于模糊RBF神经网络的PID控制器应用到高频感应加热电源的控制中,它结合了传统PID、神经网络和模糊控制的优点,同时克服了传统PID控制器的不足,实现参数的自动实时调节。并通过仿真验证了该控制方法具有较好的鲁棒性和适应性。

基于模糊RBF网络的伺服转台鲁棒控制

针对神经网络控制和复合控制各自的特点,采用一种模糊RBF神经网络复合控制的方法控制伺服转台,用模糊RBF网络进行伺服系统辨识,在线修改复合控制的参数,用来提高复合控制的鲁棒性。实际控制结果表明,所采用的方法具有很好的辩识能力和控制品质,并具有较高的鲁棒性。

基于模糊RBF网络的伺服系统辩识及控制

结合模糊控制和神经网络控制各自的优点 ,采用模糊RBF网络进行伺服系统辨识和控制。仿真结果表明 ,所采用的方法具有很好的辩识能力和控制精度 ,并具有较高的鲁棒性。

模糊RBF网络在电源车故障诊断中的应用

结合模糊理论与RBF神经网络构建了模糊RBF网络故障诊断法。在对某型电源车进行故障诊断的过程中,通过对RBF神经网络与模糊RBF网络故障诊断法进行比较,表明模糊RBF网络故障诊断法具有精度更高、收敛速度更快等特点。

基于模糊RBF网络PI控制的谐波电流抑制方法

本文将模糊逻辑控制与PI控制相结合,构成模糊自适应PI控制,该方法有效提高系统的抗干扰、跟随性和鲁棒性,针对模糊规则需要专家经验并且比较粗糙的不足,提出了最近邻聚类算法与模糊RBF(径向基函数)网络的PI控制,利用最近邻聚类算法获得初始的模糊控制规则,然后再把控制规则中的参数输入到神经网络中进行参数调整,使得模糊神经网络具有模糊控制的非线性控制作用,又有神经网络自学习和自适应能力,能够实时整定PI控制器的参数,提高系统应用模糊自适应PI控制的控制精度,使控制对象的效果更好。

基于OLS和模糊RBF网络的比例阀参数估计

针对电液比例阀运行过程中参数不易直接测量的难题,提出两种常用的参数估计方法,一般最小二乘法和模糊RBF网络法,用来估算电液比例阀的弹簧刚度。估计结果与实际结果相差不大,最大相对误差不超过8%,表明该方法是可行的。

基于果蝇算法优化模糊RBF网络的液压破碎锤故障诊断

针对液压破碎锤故障原因具有多样性和不确定性,为避免传统模糊BP网络故障诊断存在收敛速度慢、易陷入局部极小值等缺陷,提出将果蝇算法优化模糊RBF网络方法用于液压破碎锤故障诊断.综合神经网络的联想记忆、并行处理能力和模糊理论的定性知识、模糊推理能力,同时利用果蝇算法对模糊RBF网络的扩展参数进行全局优化,建立了液压破碎锤系统输入故障征兆与输出故障原因间的映射.利用MATLAB软件编程进行仿真实验,结果表明:果蝇算法优化模糊RBF网络方法精度高,收敛速度快.利用该法对液压破碎锤故障诊断,结果与目标输出相符,证明该方法可行.

基于等效误差法的XY平台模糊RBF网络控制

永磁同步直线电机(PMLSM)直接驱动XY平台数控系统在加工零件时负载扰动以及系统参数的变化会使其产生轮廓误差,而且任意轨迹轮廓误差为非线性函数不易进行建模。论文采用适用于任意轨迹建模的等效误差法建立XY平台非线性误差模型并采用模糊RBF神经网络控制设计轮廓控制器,通过其局部逼近能力使误差量在有限时间内趋近于零,以满足XY平台数控系统的高精度加工要求。仿真结果表明,所设计控制系统能有效提高XY平台的轮廓加工精度。

基于模糊RBF网络的噪声消除方法

为有效消除通信系统中的噪声干扰,利用模糊RBF网络逼近未知系统模型的特性,将噪声传输过程综合为一非线性化模型,针对噪声传输特性,设计了模糊RBF网络结构,采用δ学习规则训练网络,实现了对未知非线性模型的精确逼近。仿真算例表明,与ANFIS方法相比,模糊RBF网络具有更高的逼近精度和更快的收敛速度。

基于模糊RBF网络的自适应变结构制导律设计

针对空中高速、大机动目标的拦截问题,传统的滑模变结构制导律虽然对外界干扰和参数摄动具有较好的鲁棒性,但是存在视线角速率抖振及参数不易确定等缺点。对此,在变结构控制理论的基础上,提出了三维自适应变结构制导律,将目标加速度视为外界干扰,设计了一种快速趋近律,并利用模糊RBF网络的高效自学习能力对变结构项的增益进行了在线自适应调节。仿真结果表明,该制导律能够有效削弱系统抖振,提高制导精度,并对拦截大机动目标具有很强的自适应性。

基于模糊RBF神经网络的风电机组变桨控制研究

针对大型风力发电机变桨控制受外部干扰和参数变化大、造成输出功率不稳定的问题,提出一种智能控制的算法,在RBF神经网络基础上增加模糊算法,利用模糊RBF神经网络实时在线调整PID参数。当实际风速偏离额定风速时,科学调整风机桨距角,使风机所获得的空气动力转矩发生变化,从而在额定功率附近保持风力机输出功率的相对稳定。据此搭建了风电机组各模块的数学模型,并在MATLAB/Simulink上搭建了仿真模块。实验结果表明:基于上述的方法控制效果相比于传统PID控制和常规RBF神经网络PID控制,响应更快、风能利用系数性能超调更小、功率输出更稳定,更有利于风力发电机组的系统稳定性。

基于模糊RBF神经网络的短路故障区域检测

为有效判定配电网短路故障区域,基于模糊RBF神经网络进行配电网短路故障区域检测研究。通过假设配电网正方向规定短路故障信息向量,应用模糊RBF神经网络算法划分聚类输入向量,利用隶属度函数描述各维分类情况,通过模糊规则处理隶属度值得到所输出分类情况,参照短路故障信息向量搜索短路故障检测点,通过区域始末端关联矩阵监测点的定向连接关系,实现配电网短路故障区域的判定。实验结果表明:该模型故障识别精度较高,抗噪性能较强,诊断准确率较高,可进行配电网短路故障区域判定。

采用模糊RBF网络控制的煤矿瓦斯抽排系统

在煤矿井下移动瓦斯抽排系统中,采用结合模糊控制和神经网络优点的模糊RBF(Radius Basis Function)网络控制,同时运用遗传算法对该网络进行优化,并进行了计算机仿真,取得了良好效果。

基于模糊RBF神经网络的管道泄漏检测方法

针对模糊BP神经网络在管道泄露检测与估计中存在网络构建训练速度慢、易陷入局部最优等问题,提出将模糊RBF神经网络方法应用于管道的泄漏检测与估计.首先依据管道泄漏时流量、压力的变化机理,将采集到的实际运行中管道内的流量差与压力差信号模糊化后作为RBF神经网络的输入,以泄漏尺寸大小的置信度作为网络的输出,并结合专家先验知识所得的模糊规则,构建管道泄漏检测的模糊RBF神经网络.进而以实际管道运行数据对其进行离线仿真测试,仿真结果表明模糊RBF神经网络克服了模糊BP神经网络的不足,提高了泄漏估计的精度,使网络构建更加高效、优化.

基于模糊RBF神经网络动态摩擦分块补偿的机器人数字鲁棒滑模控制算法

结合非线性、强耦合的机器人动力学模型,提出了采用3个模糊RBF神经网络对机器人中的不确定项——LuGre动态摩擦进行分块补偿的机器人数字鲁棒滑模控制算法,在线自适应训练非线性动态摩擦项的参数,并分析了该算法的Lyapunov稳定性。通过在二自由度机器人上的仿真,证明了该算法具有高精度、高可靠性、高品质、稳定、强鲁棒性等特点。同时发现了该机器人的摩擦模型中存在类菱形吸引子等非线性动力学现象。

模糊RBF神经网络在专家系统知识库建立中的应用

提出了一种基于模糊RBF神经网络建立故障诊断专家系统知识库的新方法,采用5层神经网络,先对输入量进行模糊化处理,然后对RBF神经网络进行学习,最后进行反模糊化处理。该模型非常适合复杂的异常炉况系统在线故障诊断。

基于模糊RBF神经网络的无刷直流电机调速控制

针对无刷直流电机的速度控制,把模糊控制与神经网络原理相结合,提出了基于模糊RBF神经网络的PID控制方法,该网络具有自适应性。利用最小均方差来调整网络的权值,使径向基函数快速收敛,获得较佳PID控制参数,达到对转速跟随控制。同时自适应网络对整个系统的动态性能起到了改善作用。仿真结果表明该方法具有很好的控制效果。

基于模糊RBF神经元网络的冷连轧板形板厚多变量控制

针对板带材轧制是一个复杂的非线性过程,板形控制（AFC）和板厚控制（AGC）又是相互耦合的一个综合系统等特点,提出了一种基于模糊RBF神经元网络的冷连轧板形板厚多变量综合控制系统.仿真结果证明了此AFC-AGC控制系统具有良好的自适应跟随和抗扰性能,其控制效果优于传统的解耦PID控制.

基于模糊RBF神经网络整定的航空发动机多变量解耦控制

为解决航空发动机控制变量之间的强耦合性,构造了基于模糊RBF神经网络整定的航空发动机多变量解耦控制系统。设计了基于模糊RBF神经网络的多变量解耦控制器,在线调整PID控制器的参数并根据Delta学习规则对网络权值进行修正以达到最佳控制;针对某型航空发动机含未建模动态和噪声等随机干扰的非线性模型进行了多变量解耦控制系统仿真。结果表明:系统具有满意的动态性能和解耦特性,该方法不需要知道发动机的精确数学模型,对航空发动机的非线性和不确定性具有较强的自适应能力。