多智能体系统的动态面渐近补偿算法

针对一类具有磁滞输入的多智能体系统协同控制问题,设计一种基于动态面的神经网络有限时间性能渐近控制补偿算法。首先,通过Funnel控制结合有限时间性能函数,确保一致性误差可以在有限时间内进入预定义范围。其次,使用径向基函数神经网络(RBFNN)和不等式变换消除系统内未知非线性函数和未知外部扰动带来的不利影响。此外,通过估计一些未知变量的上界,大幅减少设计过程中所需自适应律数;同时,提出一种具有双曲正切函数的非线性滤波器,避免传统反步控制中的“微分爆炸”问题,并消除滤波器误差。最后,基于所提非线性滤波器设计一种磁滞伪逆补偿信号,在不需要构建磁滞逆的情况下有效补偿未知磁滞。利用李雅普诺夫稳定性理论,验证了闭环系统内所有信号都有界,一致性误差渐近收敛至零。仿真实例也表明了所提算法的有效性。

传感器动态补偿的神经网络逆系统方法

给出一种基于神经网络逆系统的传感器动态补偿策略。无需传感器具体模型和参数 ,即可实现传感器系统的近似单位线性化 ,达到动态补偿的目的。仿真实验和动态标定试验结果表明 ,应用这种新型的易于工程实现的动态补偿方法可显著地提高传感器的动态特性 。

基于FLANN的传感器动态特性研究方法

将函数联接型神经网络引入传感器动态特性的研究，利用神经元网络良好的逼近能力，建立腕力传感器的动态数学模型，该方法所建模型阶次低，精度 数据个数和采样频率无特殊要求。

基于FLANN的腕力传感器动态补偿方法

根据“逆模型”的思想,利用神经元网络良好的逼近能力,提出了基于函数联接型神经网络的传感器动态补偿方法。该方法设计的动态补偿器实现简单,实时性好;不依赖于传感器的模型,鲁棒性强;可以优化补偿器的参数。该方法的补偿效果比零极点配置方法的好,是一种非常有效的新方法。

人工神经网络软测量仪表延迟时间处理及动态特性研究

采用BP和RBF网络,开发了人工神经网络软测量仪表软件,实现了不可测变量的在线观测。讨论并解决了延迟时间的确定与处理、动态特性的拟合等主要难点问题。利用三层BP网络辨识出非线性对象的延迟时间;采用将输出量引入到多层静态神经网络的入口和对输入数据进行衰减加权的方法,完成对系统动态特性的表征,使所开发的神经网络软测量仪表更真实地反映了系统的静态和动态性能,准确性高且有更好的适应性。

基于遗传神经网络的机器人腕力传感器动态建模与补偿方法

介绍用于MotomamV3X机器人上的新型多维腕力传感器,比较遗传算法与人工神经网络的特点,将遗传算法的交叉和变异操作进行改进,提出一种融合改进遗传算法(Genetic algorithm,GA)的函数连接型人工神经网络(Functional link artificial neural network FLANN),并将其用于所介绍的新型机器人腕力传感器动态建模与动态性能补偿中。介绍动态建模与动态补偿原理及改进遗传神经网络算法,给出该传感器的动态模型和动态补偿模型。该方法利用腕力传感器的动态标定数据,采用改进遗传神经网络搜索和优化模型参数,保留了遗传算法的全局搜索能力和FLANN结构简单,鲁棒性好,且具备自学习能力的特点,克服了FLANN容易陷入局部极小的缺陷,具有快的网络训练速度及高的动态建模精度。理论分析和试验结果都证实了所提出的动态建模与动态补偿方法的有效性。

基于FLANN的动态称重法

根据“逆模型”的思想 ,利用神经元网络良好的逼近能力 ,基于函数联接型神经网络 ( FLANN)的传感器动态补偿方法和最小二乘法 。

基于逆系统的青霉素发酵软测量

针对青霉素发酵过程中菌体浓度、基质浓度、产物浓度等关键参量难以直接测量的难题,将逆系统方法与动态递归模糊神经网络(DRFNN)相结合,提出一种基于动态递归模糊神经逆的青霉素发酵软测量方法。在证明了系统可逆的条件下,得到系统的逆模型;再应用DRFNN网络所具有的自学习,自适应能力以及对任意非线性的逼近能力,对该模型进行了辨识,并将辨识好的逆模型串联在发酵系统之后,能够实现发酵系统的"线性化"。仿真结果表明,该方法能够对青霉素发酵过程中不可在线测量的关键变量实现了预估,且达到了较高的测量精度。

可控串联补偿神经网络广义逆系统控制方法的数字仿真研究

本文介绍了提高电力系统暂态稳定性的可控串联补偿 (TCSC)神经网络广义逆系统控制方法 ,以及该方法在数字仿真软件 NETOMAC○R中的实现过程 ,并对含有 TCSC的实际多机电力系统进行了数字仿真。结果表明 ,这种方法具有良好的暂态稳定控制效果 ,而

一种动态非线性模型传感器的辨识和补偿方法

针对利用Wiener模型表达的具有动态非线性的传感器进行系统辨识和性能补偿。将系统分解为动态非线性环节和静态线性环节,利用函数链人工神经网络和遗传算法分别进行系统辨识,通过静态非线性补偿将系统简化为线性系统,再进行动态性能补偿。利用LabVIEW设计虚拟仪器,经过仿真表明该方法是有效的。

人工神经网络在机械手动力学辨识和位置控制中的应用

本文提出了用人工神经网络近似机械手的逆动力学模型,实现基于模型的非线性控制方案,并以实际的两臂液压机械手为对象给出了仿真结果,整个方案的实现不需要任何关于系统模型的知识.仿真结果表明所研究的位置控制系统具有良好的跟踪性能,并且展示了人工神经网络解决非线性系统辨识和控制问题的潜力.

基于FLANN的称重传感器动态补偿方法

为满足快速称重的要求,结合遗传算法寻优速度快和函数联接型神经网络(FLANN)有较强的函数逼近能力的优点,设计了一种基于遗传算法优化的FLANN补偿器,实现对称重传感器的动态特性补偿。采用遗传算法优化FLANN的连接权值。仿真表明:阶跃响应时间快,且超调量小,有效地提高了称重传感器的动态响应过程,且方法简单,易于工程实现,具有实用价值。

LS-SVM构造FLANN逆系统的传感器动态补偿方法

提出一种用最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)逆系统的传感器动态补偿新方法。介绍了相关原理和具体算法,并给出了传感器动态逆系统的数学模型。在该方法中,通过在传感器后串接逆系统模型来修正动态测试误差、提高传感器的动态特性。通过典型的传感器动态标定实验数据,该逆系统模型的传递函数可用LS-SVM-FLANN方法辨识得到。实验结果表明,LS-SVM-FLANN辨识逆系统模型的速度是BP-FLANN方法的两倍,而且该逆系统动态补偿误差仅为后者的10%。用LS-SVM构造FLANN的逆系统补偿器精度高、鲁棒性好、实现简单。

基于函数链神经网络的传感器建模

现代测控系统对传感器的精度和工作条件提出了很高的要求.为此,人们不得不采取一些中间补偿和修正措施,实现抗干扰、线性化,以提高传感器和系统的性能.讨论基于函数链神经网络(FLNN)的传感器建模新方法,其精度提高,结构简单、使用灵活、建模容易,易于实时硬件实现.两个算例说明网络的训练和非线性逼近方法,显示出网络的自适应能力、学习能力,基于FLNN的传感器模型可同时实现温度补偿和非线性校正.实际上,利用这种模型可以跟踪补偿环境改变引起的传感器特性的各种变化,在测控系统中具有良好的应用前景.

基于LS-SVM-FLANN的虚拟仪器系统非线性动态补偿

针对虚拟仪器系统存在的非线性动态测量误差,提出了一种新的补偿方法.该方法依据虚拟仪器系统的静态和动态标定数据,采用最小二乘支持向量机(LS-SVM)构造的函数链接型神经网络(FLANN)辨识得到静态补偿环节及动态补偿环节模型,再将其串接到原虚拟仪器系统的后面来修正其非线性特性,改善其动态特性,从而获得系统理想的输入输出特性.实验结果表明该方法用于虚拟仪器系统动态非线性误差补偿的有效性及优越性.

基于RBF神经网络的虚拟仪器测试系统动态补偿方法

测试系统存在着动态测试误差,为了准确地复现出被测量的原始信号,提出了基于RBF神经网络的虚拟仪器测试系统动态补偿方法.该方法不依赖于测试系统的数学模型,而是根据测试系统的输入和响应数据,利用神经网络的强非线性逼近能力获得补偿系统的模型参数,通过LabVIEW构造出测试系统的动态补偿系统.实验结果表明,将RBF神经网络和虚拟仪器相结合,对测试系统进行动态补偿具有良好的效果.

二维力传感器动态补偿器设计

为改善扁环式二维力传感器动态特性以及消除其维间耦合现象严重的问题,提出了用神经网络逆系统方法去构造该二维传感器的动态补偿器,并由此设计了由微分器和静态神经网络构成的神经网络逆动态补偿器.通过对原传感器的数据采集和数据处理得到了静态神经网络的训练样本,用所得到的训练样本对静态神经网络进行了训练,训练后的静态神经网络即可用来和微分器构成所期望的动态补偿器.将该动态补偿器串接在扁环式二维力传感器之后,进而构成复合的测量系统.进一步地仿真实验表明,经过动态补偿器的信号远好于未补偿的原传感器输出信号.由此可见,利用该方法设计的动态补偿器所组成的复合测量系统在消除维间耦合现象的同时、也大大改善了系统的动态特性.

生物发酵过程的自适应补偿控制方法

针对多变量的生物发酵系统,为提高神经网络逆解耦控制性能,提出一种基于神经网络逆解耦的自适应补偿控制方法。首先,基于逆系统理论构造神经网络近似被控系统的逆系统,并将神经网络逆系统与被控系统串联构成伪线性复合系统;然后,对解耦后的伪线性复合系统设计自适应补偿控制器,实现系统的跟踪控制;最后,基于Lyapunov稳定性理论设计控制器参数的自适应律,保证了控制系统的稳定性。将提出的控制方法应用于生物发酵过程的菌丝浓度、基质浓度的解耦控制,数值仿真结果表明,所提出的控制方法较能有效提高普通的神经网络逆系统解耦控制性能。