局部递归神经网络控制器及其应用

基于人工神经网络提出了一种局部递归神经网络控制器。在描述了带有输出反馈和激活反馈的网络控制器的结构组成并定义了作为设计目标的误差函数后,采用带有弹性的梯度下降法,获得适用于实时在线调整权值的修正公式,给出了所提的网络控制器的设计步骤及其控制策略。将所提出的网络控制器应用到典型的单级倒立摆的实验系统中,将实验所获得的结果与LQY方法的实验结果进行了对比。

基于FPGA的神经网络在非线性实时系统辨识中的应用

针对动态系统的辨识问题,设计一种采用现场可编程门阵列(FPGA)实现输出反馈递归模糊神经网络进行非线性动态系统辨识的方法。输出反馈递归模糊神经网络能够实现非线性动态系统的高精度快速辨识,但神经网络复杂的并行结构需要较长的运算时间,限制了它在实时控制和在线系统辨识中的应用。由于FPGA具有并行运算能力,使它在神经网络实现上具有本质的优势。因此,利用NI公司的高性能FPGA板卡以及LabVIEW图形化编程定义FPGA芯片上的逻辑功能,实现具有动态反向传播算法的输出反馈递归模糊神经网络以及舵机位置伺服系统的在线辨识。实验结果表明:基于FPGA的神经网络实现系统辨识周期在毫秒范围内,为非线性实时系统辨识的应用提供了一条新途径。

时滞离散智能系统的动态输出反馈镇定控制器综合的统一方法

提出标准神经网络模型(SNNM)来描述包含神经网络或T-S模糊模型的时滞(或非时滞)离散智能系统.SNNM由离散线性动力学系统和有界静态非线性算子连接而成.利用SNNM的全局渐近稳定性分析的结果,分别设计线性或非线性动态输出反馈控制器,使得SNNM的闭环系统稳定.控制方程可以表示为线性矩阵不等式(LMI)形式,便于利用各种凸优化算法求解以获得控制规律.大部分基于神经网络(或模糊模型)的时滞(或非时滞)离散智能系统都可以转化为SNNM,以便采用统一的方法来综合这些智能系统的控制器.SNNM的3个应用例子表明:SNNM不仅使得大多数基于神经网络(或模糊模型)的离散智能系统镇定控制器的综合简单易行,而且为其他类型的非线性系统的控制器综合提供新的思路.