AdHoc网络单神经自适应PID主动队列管理

针对无线自组网的网络拥塞问题,考虑网络节点的移动性以及网络拓扑结构异变性引起的局部和全局拥塞,提出了一种单神经自适应PID的主动队列管理算法。算法对现有的Ad Hoc网络移动节点的队列管理算法进行改进,利用单神经元结构简单的特点,同时结合神经网络强大的自适应、自学习能力,实现对无线节点缓冲区队列长度的有效控制。实验结果表明,新的中间节点拥塞控制算法具有响应时间短、丢包率低、网络流量吞吐率高等优点,在动态的网络环境下具有更好的稳定性和鲁棒性,综合性能优越于传统的PID控制算法。

基于DSP的神经自适应模糊控制器的应用

模糊控制器应用在许多领域,但由于其控制参数的不稳定性,导致其控制效果达不到控制要求.本文提出了一种将神经网络与模糊控制器相结合的方法,并应用于基于DSP的变频调速系统中.对系统进行仿真实验后,从仿真结果可以得出:该系统具有较好的控制性能,且能达到较高的控制精度.

非线性系统神经自适应最优预估控制器

基于一种简化的神经网络结构及其相应的快速辨识算法,提出了控制非线性系统的自适应预估方法.它综合了自适应预估控制在控制线性系统中的良好特性和神经网络在辨识、控制非线性系统中的高精确性.大量实验表明该控制器设计简单,适应力强,鲁棒性好,能有效控制一类非线性对象.

共轴八旋翼无人机神经自适应滑模控制设计

针对共轴八旋翼无人机位置与姿态的跟踪控制问题,在充分考虑模型不确定性及外部干扰的情况下,提出一种神经自适应滑模控制方法。首先,将共轴八旋翼无人机动力学系统分为两个子系统,即全驱动子系统和欠驱动子系统。然后,运用神经网络对模型参数不确定部分和外界干扰项进行估计,设计一种合适的滑模控制器,根据所设计的控制器和Lyapunov稳定性理论,两个子系统的状态轨迹均能渐近到达其对应的滑模面,从而保证共轴八旋翼无人机位置与姿态的跟踪控制能够实现。最后,通过大量仿真结果验证了所提方法的有效性。

基于动态自适应图神经网络的电动汽车充电负荷预测

电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先,构建了一个充电负荷信息时空关联特征提取层,将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式,以捕获充电站负荷的波动性;然后,将提取的特征输入到时空卷积层,捕获时间和空间之间的耦合关系;最后,通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例,与现有方法相比,所提算法在4种波动情况下的平均预测误差大幅降低。

自适应神经模糊推理系统优化的快速上肢评估方法

传统方法对工作相关肌肉骨骼疾病风险评估的输入变量变化敏感性较低,导致风险评估输出结果的精确性和可靠性不足。为更加准确地进行人因工程风险评估,提出了基于自适应神经模糊推理系统的快速上肢评估方法(RULA)。首先,基于卷积神经网络对视频中人体工作姿势的关键点进行检测及识别,并计算关节角度;其次,基于自适应神经模糊推理系统对快速上肢评估方法进行改进,搭建工作相关肌肉骨骼疾病风险评估架构以解决评估不同姿势时获得相同评分的问题;再次,随机选取不同工作姿势的关节角度数据对网络进行训练和检测,调整基于自适应神经模糊推理系统和快速上肢评估方法的工作相关肌肉骨骼疾病风险预测模型的最佳参数;最后,选取关节角度数据集里的前15个工作姿势进行相关性验证,将结果与原始快速上肢评估方法的结果进行比较,应用树枝修剪工具的操作过程进行案例分析以实现风险得分的实时动态评估。结果表明,优化后的快速上肢评估方法比原始方法更敏感,验证了利用自适应神经模糊推理系统能够有效改进快速上肢评估方法并实时预测风险得分。

自适应模糊神经网络多信息融合串联型电弧故障检测方法

针对低压交流串联电弧故障因其特殊性难以识别的问题,在实验室建立了实验平台,采集不同负载下的正常和电弧故障的电流波形数据,提出一种自适应模糊神经网络(adaptive neuro fuzzy inference system,ANFIS)多信息融合串联型电弧故障检测方法,通过多层次特征参数提取,对自适应模糊神经网络进行训练、测试。结果表明,该方法可以有效地克服反向传播(back propagation,BP)神经网络故障诊断中收敛速度慢、误差精度大的缺点,得到更为精准、理想的诊断结果。

虚假数据注入式攻击下无人水面船舶自适应神经输出反馈轨迹跟踪控制

本文主要研究网络环境下无人水面船舶(Unmanned surface vessels,USVs)遭受虚假数据注入式(False-data-injection,FDI)攻击的跟踪控制问题.其中,内部和外部不确定以及输入饱和约束等实际因素均考虑在设计中.在控制设计过程中,为避免将船舶速度的攻击信号引入闭环系统,采用分类重构思想,构造一种新的神经网络(Neural network,NN)状态观测器,同时重构船舶速度和攻击信号.进一步,在backstepping设计框架下,利用重构的攻击信号补偿USVs运动学通道因虚假数据注入式攻击引起的非匹配不确定项.在动力学设计通道中,利用自适应神经技术和单参数学习法,重构由内部和外部不确定组成的复合不确定部分,进而提出自适应神经输出反馈控制方案.理论分析表明,即便在FDI攻击、内外不确定以及执行器饱和约束的情况下,所提控制方案仍能迫使USVs跟踪给定的参考轨迹.同时,仿真和比较结果证实了所提控制方案的有效性和优越性.

基于自适应神经网络的船舶航向保持预定义性能PI控制

为解决模型动态不确定和外部扰动未知的船舶航向保持问题,提出一种基于自适应神经网络的船舶航向保持预定义性能PI控制方案。在PID控制设计框架下,引入自适应神经网络和预设性能控制技术,从不确定补偿和设计角度提高船舶航向保持的精度和控制性能。在控制设计中,结合自适应神经网络技术与单参数学习技术,使得整个船舶航向保持闭环控制系统仅需要在线更新一个未知参数,系统的复杂度降低,且可以实现离线确定船舶航向误差的功能。基于李雅普诺夫稳定性理论进行分析,结果表明所提出的控制方案能保证整个闭环控制系统所有信号均有界。通过数值仿真验证了所提出方案的有效性和优越性。

汽车半主动座椅悬架自适应模糊神经滑模控制

针对含有人体模型的5自由度座椅悬架系统,设计一种基于自适应模糊神经网络(Adaptive Neuro-Fuzzy Inference System,ANFIS)的滑模控制器(ANFIS-SMC)。首先,设计一种时变滑模面,通过调整其斜率使系统状态点快速到达滑模面,从而提升系统控制速度;其次,通过ANFIS对切换增益在线调节,用切换项消除干扰,实现控制器在复杂多源干扰下精确控制;最后,仿真验证采用双曲正切函数代替切换项中的符号函数,使得输出更连续,有效降低抖振。仿真结果表明:该控制器能有效提高系统的跟踪性能和响应速度,对不确定性干扰具有较好的鲁棒性,带有该控制器的座椅悬架乘坐舒适性明显改善。

基于自适应神经网络的工业机器人双臂协同鲁棒控制

为了克服机械摩擦、外界干扰和模型误差等不确定性对工业机器人双臂运动轨迹控制精度的影响,设计了一种基于自适应神经网络的工业机器人双臂协同鲁棒控制方法。首先,建立了带有各类不确定性的工业机器人双臂动力学模型;然后,通过构造障碍Lyapunov函数设计了带有不确定性的协同控制律,并设计了自适应神经网络对系统中的不确定性进行估计,从而得到工业机器人双臂协同鲁棒控制律;最后,利用Lyapunov稳定性理论证明了设计的协同鲁棒控制律能够将工业机器人双臂的轨迹跟踪误差、速度跟踪误差和不确定性估计误差约束在一个任意小的邻域内。仿真结果表明,设计的自适应神经网络可准确估计出工业机器人双臂系统中的不确定性,最大估计误差仅为0.04 N·m,提出的协同鲁棒控制律能够稳定、准确地跟踪轨迹控制指令,最大轨迹跟踪误差仅为1.3 mm,从而验证了设计方法的合理性。在三维空间固定坐标定位测试中,提出的协同鲁棒控制律与其他几种方法相比具有更高的控制精度,平均定位误差和最大定位误差分别仅为1.1 mm和1.4 mm,表现出了更强的鲁棒性和更优的工程适用性。

潮流发电系统的无传感器自适应神经元控制策略

在恶劣的海洋环境中,潮流发电系统的非线性、外部干扰和传感器故障等关键问题,使潮流发电机组难以准确运行于最大功率点处。为了提高潮流发电系统的能量转换效率和可靠性,提出了一种基于模型参考自适应系统(model reference adaptive system,MRAS)的自适应神经元控制(adaptive neural control,ANC)方法。考虑到湍流和浪涌扰动对潮流发电装置转子速度跟踪的影响,利用MRAS无传感器方法对ANC控制器的输入进行预处理,以准确获取潮流发电机组的转子速度信息;同时引入自调整灵敏度系数,设计神经元速度控制器自适应机制,提高系统的动态跟踪响应和抗干扰能力。仿真结果表明,所提控制策略可以提高潮流发电系统的功率捕获效率,具有良好的自适应性和可靠性。

基于能量熵和自适应神经模糊推理系统的齿轮故障诊断

为了解决齿轮振动信号中出现噪声污染严重,故障特征信息提取困难的问题,提出了基于能量熵和自适应神经模糊推理系统(ANFIS)的齿轮故障诊断方法。将预处理后的振动信号作自适应噪声完备经验模式(CEEMDAN)分解,可获得不同尺度的本征模态函数(IMF);由于各IMF包含主要故障特征信息,且不同故障状态下各IMF分布有明显不同,因此通过计算能量熵来量化故障时频域特征,构造出表征模态分量信息的特征向量;以此输入ANFIS进行样本的学习和训练,在自适应调整网络参数和隶属函数后,获得最优ANFIS。实验结果表明:该方法诊断结果准确率近乎100%,可有效地识别故障类型。

基于自适应神经网络的飞行器主动容错控制

针对飞行器非线性系统执行器故障,利用RBF神经网络和自适应控制律,提出了基于自适应神经网络的故障重构和容错控制方法。设计了自适应神经网络观测器,利用神经网络逼近故障,引入调节因子,设计自适应律以在线调整神经网络权重向量和中心向量。构造自适应神经网络控制器,结合神经网络设计补偿控制输入。利用Lyapunov稳定性定理证明了所提方法可以实现系统渐近稳定。仿真实验结果验证了所提的方法对故障系统具有良好的观测性能、控制精度和响应速度。

基于神经网络自适应滤波器的数字化电能计量故障检测方法

为了提高数字化电能计量表故障检测的准确性,研究一种基于神经网络自适应滤波器的数字化电能计量故障检测方法。利用电流传感器、电压传感器以及功率传感器采集三种数字化电能计量装置运行数据并实施去噪和归一化处理。提取数据的时域和频域两类四种特征参数,包括方根幅值、偏斜度、频谱幅值、均方根频率。以特征为输入,神经网络自适应滤波器训练后,实现数字化电能计量故障检测。结果表明:检测结果的Z值均在8以上,说明检测结果更接近所设置的真实故障类型,检测更为准确。

基于神经元自适应PID控制的汽车自动离合器双层控制

本文设计了一种将神经元自适应PID控制和PID控制相结合的双层控制器,上层控制采用PID控制,计算离合器的接合速度;下层控制采用神经元自适应PID控制,计算液压元件的控制油压。仿真结果表明,该双层控制与传统PID控制相比,换挡过程中产生的冲击和滑磨均有较大程度的降低,提高了换挡过程的平顺性。

基于自适应神经元的配电网输电线路反时限过流保护优化整定方法

为了减少反时限过流保护整定值过于依赖人工经验,缓解保护动作之间配合程度较低、电流稳定性较差的问题,提出基于自适应神经元的配电网输电线路反时限过流保护优化整定方法。分析输电线路运行模式和线路故障存在的不确定性,计算发生故障的概率;通过探究反向荷载率、电源容量、谐波含量等指标确定输电线的实际承载力;构建反时限过流保护动作方程,确定反时限过流保护的3种特征;以主保护与后备保护动作时差最小为目标,构建目标函数,确立约束条件;设计具有三个神经元的神经网络模型,每个神经元对应一种保护特征,引入转换模块,将输入量变换为状态量,通过神经元学习,输出最终的过流保护优化整定结果。比较实验结果表明:应用所提方法,随着故障电流增大,保护动作时间曲线未出现相交状况;在测试刚开始时,电流波形出现波动,但迅速恢复到平稳。所提方法能够使保护动作之间有效配合,输电线电流可以始终保持在稳定状态,为保护定值优化提供了新的研究思路。

自适应多保真数据融合的神经网络模型

数据驱动的深度学习建模在力学、材料等不同学科中得到了较多应用。深度学习建模的精度依赖大量高保真数据。在实际应用中,高保真数据往往是少量且昂贵的,而低保真数据却是成本低廉且数量较多的。当高保真数据量过少时,深度学习建模精度较低。近期发展的多保真深度神经网络,通过融合不同保真度的数据,在高保真数据较少时,依然保持了较高的建模精度。然而,已有的多保真深度神经网络模型的精度较为依赖针对模型参数的正则化调节。当添加的正则化过强时,网络对非线性关联式的拟合能力不足;当添加的正则化强度不够时,在学习多保真数据间的线性关联关系时又会出现过拟合现象。两者都会严重影响模型的预测精度。在缺乏高保真验证数据集时,较难得到最优的正则化系数。为此,通过改进已有多保真网络模型的损失函数,引入一个与线性关联式相关的参数,提出了自适应多保真数据融合的神经网络模型。该模型能根据给定数据自适应地拟合不同保真度数据间的线性或非线性关系,对正则化依赖较小,从而提高了建模的鲁棒性。在多个标准测试案例及实际应用的翼型气动参数的预测中,该模型均能表现出较高的精度和稳定性。

空间天文望远镜自适应精密稳像闭环控制

针对空间天文望远镜低频段视轴扰动补偿问题,提出了一种基于主动光学技术的自适应精密稳像闭环控制方法。该方法以精细导星仪(Fine Guide Sensor,FGS)为高精度视轴扰动检测器,以四点支撑压电驱动大口径快摆镜机构(Fast Steering Mirror,FSM)为视轴扰动补偿器。首先,采用位置式PID控制器串联积分环节进行精密稳像闭环控制,得到补偿FGS检测出的二维视轴扰动所需FSM的二维摆动角度,进而根据驱动结构转换为每个支撑点的压电陶瓷执行器(Piezoelectric actuators,PZT)的伸缩量。然后,利用基于广义Bouc-Wen逆模型的压电动态迟滞前馈补偿方法进行高精度的压电陶瓷执行器定位控制。最后,根据有监督的Hebb学习规则,利用具有自学习和自适应能力单神经元对PID控制器参数进行调整,从而得到最优控制器参数。实验结果表明,所提控制方法能够有效地补偿空间天文望远镜的视轴偏差,可以将精细导星仪X方向和Y方向的星点质心位置偏差功率谱密度在0~6 Hz频段内积分值分别抑制了98.54%和98.62%。

空间机器人神经网络自适应滑模目标操控轨迹跟踪控制

针对参数未知的空间目标操控问题,考虑空间机器人负载不确定性、系统动力学不确定性和环境扰动等因素,为实现操作过程的稳定控制及机器人轨迹的有效跟踪,提出一种基于径向基神经网络估计不确定项的自适应增益非奇异终端滑模变结构控制器。首先基于拉格朗日法建立空间机器人的刚体动力学模型。考虑空间机器人基座姿态主动控制模式,使用径向基神经网络对模型中的不确定项进行估计。进而提出基于神经网络估计的非奇异终端滑模控制器,并针对不确定性和扰动的估计误差设计自适应增益,以期实现空间机器人系统轨迹跟踪控制的收敛。仿真校验结果表明所设计的控制方法具有较好的误差收敛速度和控制精度。