基于自适应递归模糊神经网络的污水处理控制

针对污水处理过程中具有的非线性、大时变等特征,提出了一种基于自适应递归模糊神经网络(recurrent fuzzy neural network,RFNN)的污水处理控制方法.该方法利用自适应RFNN识别器建立污水处理过程的非线性动态模型,建立的模型可以为RFNN控制器提供污水处理过程中的状态变量信息,保证了控制器根据系统响应调整操作变量的精确性;并且RFNN辨识器及RFNN控制器基于自适应学习率进行学习,确保了递归模糊神经网络的收敛精度和速度,并通过构造李雅普诺夫函数证明了此算法的收敛性;最后,基于基准仿真模型(benchmark simulation model 1,BSM1)平台进行仿真实验.结果表明,与PID、模型预测控制及前馈神经网络相比,该方法对污水处理中溶解氧浓度和硝态氮浓度的跟踪控制精度具有明显的提升.

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。

基于循环神经网络的自适应滤波方法及应用研究

针对目前地震工程研究领域在滤波方法上存在人为因素、峰值突刺、噪声干扰等方面的缺陷,结合递归最小二乘法(RLS)和循环神经网络(RNN)模型,提出了一种自适应滤波的新方法。研究分析表明,该方法通过设置自适应调节滤波器参数以及算法的自我迭代等方式进行滤波,对噪声识别能力和滤波速度上均优于美国地质调查局(United States Geological Survey,USGS)所推荐的传统滤波方法,并可有效降低滤波后对原始波形的失真损坏以及相位提前等问题。同时,运用所提自适应滤波方法将其应用于不同场地类型台站的含速度脉冲近场地震记录,进一步验证了自适应滤波方法的有效性和适用性。研究成果为地震工程领域的滤波分析提出了一种新思路和新方法,也可为地震记录处理及相关应用工作提供参考。

基于改进模糊神经网络的细胞活性预测

针对细胞活性的预测问题,提出了一种利用自适应差分进化算法优化的模糊神经网络(ADE-FNN)预测模型。首先,通过模糊化处理细胞培养过程中的多种影响因素(如培养基成分、温度、pH值等),将这些因素作为模糊神经网络的输入。然后,利用已有的细胞活性数据对模型进行训练,优化网络参数。经过多次迭代和调整,模型逐渐学习到输入与输出之间的复杂映射关系。最后,利用细胞活性仿真实验验证所提ADE-FNN算法的性能。结果表明,基于模糊神经网络的细胞活性预测模型具有较高的预测精度和泛化能力。与传统的统计方法相比,该模型能够更好地处理数据中的不确定性和噪声,从而提供更准确的预测结果。此外,该模型还具有较好的可解释性,有助于深入理解细胞活性的影响因素及其作用机制。

基于自适应神经网络模糊PID物料卷绕张力控制系统的研究与设计

物料卷绕控制系统中张力的控制是决定生产工序、产品质量和生产效率的关键因素。因张力控制具有多变量、非线性、时变性且难以建立精确模型等问题,使得卷绕系统张力的稳定控制尤为困难。为了有效提高卷绕系统的稳定性和控制精度,在研究传统PID控制器和模糊PID基础上,设计了基于自适应神经网络模糊PID的物料卷绕恒张力控制系统。在模糊控制的基础上,加入BP神经网络,实现对张力的精准控制。最后,采用Simulink搭建控制器进行仿真验证和在运动控制设备中进行实验验证,并利用触摸屏实时监控运行状态。实验结果表明,采用自适应神经网络模糊PID的卷绕系统张力控制精度高,响应快,自适应调节能力强,且在高张高速的工况下,依旧保持响应速度快、稳定性高的运行效果。

带自适应模糊神经网络补偿的自耦合PI在风力机变桨控制中的应用

风力机对于风能的捕获主要依靠主控制器和执行机构之间的协同工作。然而风速的幅值和方向是时刻变化的,它的这种非线性特性给能量转换带来了挑战。针对该问题,文章设计了一种基于混合控制方案的变桨距系统,用于超风速下功率吸收的恒定。所提方法利用一种新颖的自耦合PI获取转子速度跟踪性能。而风速的随机性变化被视为一个外在扰动,采用自适应模糊神经网络对其进行补偿控制。为了验证该变桨距控制系统的性能,在Matlab/Simulink中搭建了2 MW直驱式风机模型,并与传统的PI控制器进行仿真对比。仿真结果表明,文章所提算法在转子速度跟踪和输出功率恒定控制等方面拥有比传统PI更为优异的性能。

一种递归模糊神经网络自适应控制方法

构造了一种递归模糊神经网络(RFNN),该RFNN利用递归神经网络实现模糊推理,并通过在网络的第一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性.

基于小波包分频的自适应模糊神经网络风电功率平抑策略

风电场频率波动导致风电发出功率不能及时准确跟踪电网调度指令,给电网调度带来很大困难,采用自适应模糊神经网络的小波包分频优化控制策略是一种新的策略,该策略能在风电跟踪调度指令的频率波动范围内优化小波包分频参数,得到优化后的混合储能充放电功率的初始功率指标值,将混合储能荷电状态的平均值和风电场出力与电网调度指令的平均值的偏差作为两个输入,再将风电历史数据训练后的自适应小波包分频模糊神经网络加入控制系统。采用大量风电历史数据在MATLAB/simulink中仿真,结果表明该策略减小了混合储能充放电时对电网频率波动的影响,充放电时混合储能荷电状态波动小,风电跟踪电网调度的效果更优。

基于动态递归模糊神经网络的自适应电液位置跟踪系统

提出了动态递归模糊神经网络(DRFNN)以在线估计电液位置跟踪系统中包括非线性、参数不确定性、负载干扰等在内的未知动态非线性函数,基于lyapunov稳定性理论推导出DRFNN可调参数和估计误差的界的自适应律,并构造出稳定的自适应控制器.实验结果表明:基于DRFNN的自适应控制器可使电液位置跟踪系统具有较强的鲁棒性和满意的跟踪性能.

直接自适应动态递归模糊神经网络控制及其应用

针对某些仿射非线性系统中各状态变量间呈微分关系的特点,本文提出仅取某些可测状态变量作为动态递归模糊神经网络(dynamic recurrent fuzzy neural network,DRFNN)的输入,而由DRFNN的反馈矩阵描述系统内部动态关系的直接自适应DRFNN控制算法,克服了将系统所有变量作为输入的传统模糊神经网络(traditioanl fuzzy neural network,TFNN)因某些不可测状态变量所导致的不可实现问题.在电液伺服系统中的应用结果表明:直接自适应DRFNN控制算法相对于TFNN控制算法对系统稳态特性的改善具有较大的优越性.

基于动态递归模糊神经网络的共振频率自适应反推控制

针对共振破碎机频率控制系统的非线性和参数不确定性问题,提出基于动态递归模糊神经网络的自适应反推控制策略.建立了破碎机频率控制系统的数学模型,在忽略个确定性项的前提下,设计了基于自适应反推方法控制律.其次将电液比例系统中影响频率控制性能的不确定性因素定义为待估计项,采用动态递归模糊冲经网络对其进行估计,给出了基于动态递归模糊神经网络的参数自适应律,并通过Lyapunov方法证明了输出跟踪的收敛性.仿真实验和车载测试结果表明,对于参数的不确定性和负载扰动,该方法具有较好的频率控制性能.

基于进化动态递归模糊神经网络的上肢康复机器人自适应阻抗控制

针对机器人辅助患肢进行康复训练时患肢病情的变化对系统运动平滑性和稳定性造成的影响,在传统阻抗控制方法的基础上,提出了一种基于进化动态递归模糊神经网络(EDRFNN)的新的自适应阻抗控制方法。该方法根据在线辨识得到的患肢机械阻抗参数,运用EDRFNN对目标阻抗控制参数进行动态调整。在调整过程中,首先采用混合进化算法离线优化目标阻抗控制参数,然后再利用基于Lyapunov函数稳定收敛性理论设计的动态BP算法对目标阻抗控制参数在线作进一步的调整。分析和仿真结果表明,这种新的方法较其它阻抗控制方法更能有效地适应患肢病情的变化,且具有较好的平滑性和稳定性。

间接自适应动态递归模糊神经网络控制器设计

针对仿射非线性系统,提出了一种新型的基于动态递归模糊神经网络(DRFNN)的间接自适应控制器。该控制器采用DRFNN对系统的动态非线性映射进行在线估计,并依据李亚普诺夫稳定性理论推导出DRFNN参数在线调整的自适应算法,同时运用投影算法确保参数向量处于约束集合内。应用自适应DRFNN对动态非线性映射进行在线估计时,仅采用被控系统的1个状态变量作为其输入,避免了因增加输入个数而导致网络结构膨胀的问题,从而加快了收敛速度。仿真结果表明:由自适应DRFNN构成的控制器可使系统具有满意的跟踪性能。

一种用于非线性动态辨识的新型神经网络

为提高非线性动态系统辨识(NDSI)的效果,在结合自建型模糊神经网络(SCFNN)和多层神经元神经网络(MLPNN)的基础上,提出一种自建递归型模糊神经网络(SCRFNN)。SCRFNN相较于前者,多了一个递归通道与抑制模糊规则产生机制;相较于后者,增加了模糊推论与一个递归通道。为验证SCRFNN在系统辨识中的有效性,设计一个新的NDSI在线学习模型与代码设计流程图,并以此作为在线学习架构,将以上3个神经网络模型对4个串-并型非线性动态系统进行辨识分析。经过仿真表明,新提出的SCRFNN通过存储内部状态,具备了映射动态特征的功能,从而使系统具有适应时变特性的能力,更适合于非线性动态系统的辩识。且在模糊规则数、学习收敛速度、学习与预测误差均方根值、预测精准度方面也取得了良好的效果。

基于多重模糊神经网络的PID温度控制算法

传统PID算法在控制具有大滞后、非线性、时变性等动态特性复杂的温度对象时,存在超调量大、参数无法自调节、模型自适应能力差、系统稳定性低等问题。为此,文章提出一种多重T-S型模糊神经网络PID温度控制算法。该算法根据PID算法的结构特点,利用T-S型模糊神经网络的单输出特性,建立能分别输出PID 3个参数的3重网络模型。MATLAB仿真实验结果表明,该算法与传统PID、BP神经网络PID,以及常规模糊神经网络PID等相比,超调量低,稳定性好,模型自适应性强,抗干扰能力强,综合性能指标好。

基于递归模糊神经网络的移动机器人滑模控制

针对非完整移动机器人轨迹跟踪控制问题,提出了一种Backstepping运动学控制器与自适应动态递归模糊神经滑模控制器相结合的控制结构。采用遗传算法对运动学控制器的参数进行了优化选取,有效地抑制了因初始位姿过大而引起的初始速度及输出力矩过大的问题;采用动态递归模糊神经网络(Adaptive dynamic recurrent fuzzy neural network,AD-RFNN)对动态非线性不确定部分进行在线估计,使不确定性估计误差大大减小;通过与自适应鲁棒控制器结合应用,不但解决了移动机器人的参数与非参数不确定性问题,同时也消除了在滑模控制中的输入抖振现象;基于Lyapunov方法的设计过程,保证了控制系统的稳定与收敛;仿真结果表明了该方法的有效性。

模糊惯性中立型Cohen-Grossberg神经网络有限时间同步

研究了具有混合时滞的模糊惯性中立型Cohen-Grossberg神经网络有限时间同步问题。通过设计Lyapunov函数和自适应控制器,拟采用非降阶法和最大值法来实现模糊惯性中立型Cohen-Grossberg神经网络有限时间同步。对于惯性项和有限时间同步的讨论不同于现有文献中使用的降阶法和有限时间稳定性理论。最后,通过数值示例验证了结果的正确性。

基于递归模糊神经网络的感应电机无速度传感器矢量控制

该文提出了一种控制性能较好的递归模糊神经网络(RFNN)无速度传感器感应电机矢量控制方法,该方法使用模型参考自适应方法辨识转子磁场位置和转速,采用递归模糊神经网络控制器作为转矩控制器来近似系统最优控制器输出。仿真实验表明,当系统参数动态变化或受到外部不确定性因素的影响时,利用神经网络来在线动态的调整网络的隶属函数参数以及神经网络递归权值,使系统仍将具有很好的动静态性能。

基于自适应模糊神经网络的机器人路径规划方法

为了解决传统反应式导航中的复杂陷阱问题,优化导航控制,减少计算复杂度,提出了基于自适应模糊神经网络的机器人导航控制及改进型虚目标路径规划方法.首先根据移动机器人运动学模型,融合神经网络的自主学习功能与模糊控制的模糊推理能力,提出了基于自适应模糊神经网络的机器人导航控制器,将生成的Takagi-Sugeno型模糊推理系统作为机器人局部反应控制的参考模型.该自适应模糊神经网络控制器实时输出扰动角度,在线调整移动机器人的预瞄准方向,使移动机器人能够无碰撞趋向目标.然后,提出了一种改进型虚目标方法,优先选择机器人可能逃脱陷阱状态的路径,简化了设计难度,改变了虚目标切换方式,避免了大量复杂计算.实验结果表明,提出的方法可以帮助机器人在全局信息未知的复杂环境中导航,在趋近目标点的过程中能有效避障,无冗余路径产生,且轨迹平滑.

基于模糊RBF神经网络改进VSM的EV充放电控制策略研究

为解决电动汽车(EV)大规模接入电网导致的电网频率、电压等指标稳定性下降的问题,提出将虚拟同步机(VSM)控制策略应用于EV充放电系统的前级双向AC/DC变换器中。针对VSM控制中虚拟惯量和虚拟阻尼参数整定难的问题,提出一种基于模糊RBF神经网络改进VSM的控制策略。首先,建立EV前级变换器VSM闭环传递函数,根据二阶系统稳定性分析虚拟参数对系统性能的影响;然后,融合模糊算法启发式搜索的优点和RBF神经网络优良的非线性函数逼近能力,设计模糊RBF神经网络自适应控制器,对VSM虚拟参数进行在线调整;最后,通过Matlab/Simulink仿真验证所提策略的有效性。