制冷系统仿真中定量参数的神经网络辨识

尝试用现代人工智能技术来改进现有的制冷系统仿真方法．首先，提炼出与制冷系统仿真结果的量化密切相关的定量参数，然后在已有的定性数值仿真模型的基础上，根据实验数据，采用人工神经网络（ＡＮＮ）方法对仿真模型中的定量参数进行辨识，识别出最佳的定量参数．这不仅有利于提高仿真精度，改善计算稳定性，而且降低了对仿真软件用户的技术要求，有利于仿真技术的实用化．对房间空调器稳态特性仿真的初步结果表明该方法效果良好．

AUV深度的神经网络辨识和学习控制仿真研究

将自主水下航行器(AUV)的深度控制问题转换为对非线性严格反馈系统的分析,提出了一种结合反步法和确定学习理论的自适应学习控制方法。通过反步法设计了一种输入状态稳定(ISS)神经网络控制器,其中引入小增益定理,避免了控制器设计中存在的奇异值问题,并在满足持续激励(PE)条件下,利用神经网络辨识实现了对系统未知动态的局部准确逼近和部分神经网络权值的收敛,保证了闭环系统的稳定。将从动态模式中学到的知识静态保存,提取动态特征设计学习控制器,仿真结果表明,该控制器避免了执行同样任务时的重复训练,改善了系统控制性能,验证了所提控制方法的有效性。

基于模糊补偿神经网络辨识器的发动机转速控制系统

提出了一种带模糊补偿的神经网络辨识器,并应用在某型涡扇发动机转速控制系统中。一个动态神经网络用于被控装置的在线辨识,然后根据被控装置的输出和参考模型的响应迭代出控制信号,具有4条简单规则的模糊逻辑块用于提高整个系统的闭环特性。试验结果显示,对比传统的机械-液压式控制器和模拟式电子控制器,提出的控制策略具有更好的瞬变特性及抗干扰特性,同时提高了系统的过渡过程品质,保证了航空发动机对高性能指标和高控制精度的要求。

基于神经网络辨识的质子交换膜燃料电池建模

针对质子交换膜燃料电池(PEMFC)系统过于复杂,难以建模,而已建立的模型难以满足PEMFC控制系统设计和应用的要求。本文利用神经网络具有逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到PEMFC强非线性系统的建模中,避开了PEMFC系统内部的复杂性。模型以电池工作温度为神经网络辨识模型的输入量,电池电压、电流密度为输出量,利用500组实验数据作为训练样本,采用改进型BP算法,建立了不同温度下电池电压-电流密度动态响应模型。仿真结果表明,方法可行,建立的模型精度较高,从而为设计PEMFC实时控制系统奠定了基础。

燃料电池的模糊神经网络辨识建模与电压控制

针对直接甲醇燃料电池(DMFC)输出电压易受电池负载变化影响的问题,提出了利用模糊神经网络辨识技术建立DMFC的电特性模型.基于该辨识模型,设计了一个自适应模糊神经电压控制器,其参数采用改进的BP算法进行在线修正.仿真结果表明,对DMFC采用辨识建模的方法是有效的,建立的模型精度较高,所设计的自适应模糊神经电压控制器性能优越.

不确定AUV的神经网络辨识和学习控制

针对自主水下航行器平面轨迹跟踪控制的学习能力问题,采用RBF神经网络设计了一种结合反步法和确定学习理论的自适应神经网络控制器,在满足持续激励的条件下,对系统未知动态进行神经网络辨识,实现了对未知动态的局部准确逼近和部分神经网络权值的收敛,保证了系统所有信号最终一致有界和稳定。将从动态模式中学到的知识静态保存,提取存储知识设计学习控制器,实现了对参考轨迹更加快速精确地跟踪,为执行同样的任务节省了时间和能量。通过仿真验证了所设计学习控制器的有效性和优越性。

基于神经网络辨识的遥康复系统变增益控制

针对康复训练过程中患者肌肉痉挛会对力反馈遥操作系统稳定性和从机械手速度平滑性产生较大影响的问题,提出了一种新的基于反向传播(BP)神经网络辨识的变增益控制方法。该方法通过 BP 神经网络实时辨识患肢动力学参数的变化并进行自适应调整控制增益,不仅消除了因患者肌肉痉挛带来的不稳定性,而且减少了其对系统运动平滑性的影响,可提高康复训练效果和起到抑制患者痉挛状态的作用。分析和仿真试验结果表明,该控制方法与传统的控制方法相比,可有效地抑制患者因肌肉痉挛带来的干扰并具有较好的稳定性和平滑性。

基于神经网络辨识的变增益控制在遥康复中的应用

在患者进行遥康复训练时,肌肉痉挛会对遥康复训练系统稳定性及从机械手速度平滑性产生较大的影响。针对这些问题提出了一种新的基于BP神经网络辨识的变增益控制方法。通过BP神经网络实时辨识患肢动力学参数并根据其变化进行自适应调整控制增益,不仅消除了因患者肌肉痉挛带来的不稳定性,而且减少了其对系统运动平滑性的影响,可提高康复训练效果。分析和仿真试验结果表明,该控制方法与传统的控制方法相比,可有效地抑制患者因肌肉痉挛带来的干扰并具有较好的稳定性和平滑性。

船舶运动模拟器阀控非对称缸液压系统神经网络辨识

本文在分析船舶运动模拟器阀控非对称缸液压系统存在较大非线性的基础上,利用神经网络具有逼近任意非线性函数且具有自学习与自适应能力,应用BP算法对液压系统进行辨识。辨识结果表明,辨识模型接近于实际系统,为模拟器液压系统控制奠定了基础。

液压位置驱动单元的神经网络辨识

针对线性微分方程数学模型不能反映实际系统的问题,采用Elman网络对四足机器人液压位置驱动单元进行动态神经网络辨识研究。为了减小Elman网络输出与期望输出之间的误差,采用拟牛顿算法BFGS和自适应学习率算法GDX对网络的权值进行修正,并采用均方误差(Mean Square Error,MSE)与归一化均方误差(Normalized Mean Square Error, NMSE)修正误差函数。基于辨识模型设计BP神经网络来修正PID参数。实验结果表明,辨识模型数据与实验数据拟合精度高,且基于辨识模型的BP神经网络PID算法控制有效,进一步验证辨识模型的有效性。

气动伺服系统的神经网络辨识

本文采用神经网络对气动伺服系统的模型进行辨识。分析RBF神经网络辨识的原理及其与参估计法的区别。针对实际系统 ,设计了神经网络辨识模型。实验表明该方法建立的模型是正确的。

直接转矩控制系统定子电阻的神经网络辨识

在研究异步电机直接转矩控制的基础上 ,提出了基于神经网络方法的定子电阻辨识 为了缩短学习时间 ,保证系统收敛 ,采用了自适应调整学习率 选取实时递归网络 ,对不同隐含层单元数和训练次数进行比较 ,获得合适的单元数和训练次数 仿真结果证明 。

基于神经网络辨识的模糊预测函数控制

针对生产过程中存在的滞后性、时变性、不确定性和变工况等特点及预测函数控制中模型失配的影响的情况,提出了基于神经网络辨识参数、通过模糊推理对控制量进行补偿的解决方案。并将基于神经网络辨识的模糊补偿预测函数控制应用于锅炉燃烧控制系统,通过连续系统仿真,结果表明这种控制器具有较强的鲁棒性。

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。

发动机效率因数模型的神经网络辨识方法(英文)

基于神经网络原理，提出了汽车发动机效率因数模型的一种辨识方法．假设该因数依赖于发动机轴的角速度和收集器内的压力．所得数据被分成两组，一组用于模型辨识，另一组用于决定该模型的预测能力以确定模型的有效性．通过对用常规方法和用神经网络辨识得到的两种模型进行比较，可以得出，基于神经网络的辨识方法有效而且结果较好．

基于神经网络辨识的灰色预测在精馏塔中的应用

石油化工生产中常用精馏塔的控制是一种滞后时间长、滞后常数不定的典型不确定滞后对象。这种对象控制困难,系统精度要求高,要对其进行有效控制就必须高精度预测它的输出,因为对象的不确定滞后特性,对其进行精确的输出预测始终是一个难题。针对精馏塔输出预测上的困难,提出利用神经网络首先辨识系统的滞后时间,之后在此基础上采用AR(p)(自回归)模型拟合残差的改进型灰色预测方法预测输出,基本灰色预测模型采用变步长单步灰色预测。将上述方法应用在精馏塔模型输出预测中,仿真结果表明改进后的预测方法对具有滞后、时变的系统有良好的预测效果,而且对系统参数突变、漂移等非失效型故障有一定的鲁棒性、容错性,比其他灰色预测方法更具优越性。

基于神经网络辨识改进的自适应PID控制器

针对工业生产过程具有时变、非线性、不确定和难以建立精确数学模型的特性,提出了用神经网络辨识被控对象,并针对常规PID控制器存在的设计复杂、计算量大、控制精度较差和参数值实时更新复杂等问题,提出采用基于BP网络辨识改进的自适应PID控制器。通过仿真与实验表明,神经网络辨识模型能较好的辨识被控对象的输出特性,同时该控制器的控制性能优于传统的PID控制器。

非线性倒立摆系统的神经网络辨识

基于四种非线性系统模型,对典型的不稳定、非线性、强耦合的倒立摆系统建立了神经网络辨识结构,并对辨识结果进行了简单的比较,讨论了隐含元个数的选择对模型辨识精度的影响。结果表明神经网络对于非线性倒立摆系统的辨识是有效的。

利用混合神经网络辨识Hammerstein模型的方法(英文)

研究了Hammerstein模型的辨识问题 ,并考虑了多输入多输出 (MIMO)情况 .提出一种混合神经网络辨识模型 ,该模型由一个多层前馈神经网络 (MFNN)与一个线性神经网络 (LNN)串联而成 .给出了一个反向传播 (BP)算法同步训练该混合神经网络的权值和阈值 .仿真结果表明了该方法的有效性 .

基于PID神经网络的非线性系统辨识与控制

针对工业控制领域中非线性系统采用传统的控制方法不能达到满意的控制效果,提出一种基于P ID神经网络的控制方案,以对其进行辨识和控制。将P ID神经网络引入控制系统中,既具有常规P ID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力。仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求。