机械臂的CONN控制与CMAC控制的比较研究

由于正交神经网络算法简单,学习收敛速度快,具有线性、非线性逼近精度高等优异特性,取得了较好的应用效果,但在机器人动态建模与实时控制问题上研究较少。为此在机械臂的神经网络控制中,该文提出复合正交神经网络(CONN)与PID并行控制方法,并对小脑模型(CMAC)与PID并行控制作一比较研究。仿真结果表明,当阶跃输入与正弦输入时CONN与CMAC实现的前馈控制具有相同的控制效果,但CONN算法比CMAC算法更简单,这充分地体现了复合正交神经网络的特点。

基于BAS-BP神经网络结合熵权法多指标优化金蕾复方提取工艺

目的通过正交试验与天牛须搜索算法(BAS)-BP神经网络对金蕾复方的提取工艺参数进行多指标优化。方法在单因素考察得到最佳醇提浓度的基础上,以料液比、提取时间、提取次数作为正交试验考察因素,运用熵权法计算木犀草素、山柰酚、当药宁及干膏得率的综合得分,再建立BAS-BP神经网络模型,以BAS进行寻优,预测最佳提取工艺。结果BAS-BP神经网络优化得到金蕾复方醇提工艺为料液比1∶10、提取0.5 h、提取3次,综合得分为96.3526;正交设计所得最佳工艺参数为料液比1∶10、提取0.5 h、提取3次,综合得分为90.9880。前者略优于后者但差异较小,结合生产实际确定金蕾复方的最佳提取工艺为料液比1∶10,提取0.5 h,提取3次。结论基于BAS-BP神经网络优选所得工艺参数提取效率高、稳定性良好,可为后续开发及质量控制提供参考。

一种6-PRRS并联机器人的神经网络控制

针对6-PRRS并联机器人控制系统的非线性、耦合等特性,设计了神经网络控制器.此控制器采用分散控制策略,利用复合正交神经网络来消除并联机器人控制系统非线性、耦合的影响,学习系统的不确定信息作为前馈补偿使系统跟踪误差快速收敛,并采用PID作为反馈控制保证系统的稳定性,从而实现6-PRRS并联机器人的快速、稳定轨迹跟踪.该控制器以离散的形式进行设计,结构简单、易于工程实现.

伺服系统在摩擦条件下的模拟复合正交神经网络控制

在数字复合正交神经网络的基础上提出一种模拟复合正交神经网络,并用于非线性伺服系统控制中。在带有非线性摩擦力矩的直流电机飞行模拟转台伺服系统中,控制系统是基于PD控制加神经网络前馈控制的并行控制方法,使用神经网络是用来消除非线性摩擦力矩的影响。通过数字复合正交神经网络的连续化算法处理获得了一种模拟复合正交神经网络,并作为前馈控制器。用并行控制与单一的PD控制对带有非线性摩擦力矩的直流电机伺服控制作了仿真研究。仿真结果表明复合控制比单一的PD控制具有实时性好、响应速度快、跟踪精度高,位置与速度跟踪控制获得了满意的效果。该模拟神经控制器能用于不确定对象的控制,为不确定系统控制提供了一种新的途径。

基于正交试验和神经网络的复合固结土强度预测

以固化剂、石灰、水泥复合固结土为研究对象,采用正交试验的方法进行复合固结土7 d无侧限抗压强度试验的配合比设计,并完成正交试验。针对正交试验结果,采用人工神经网络的方法建立复合固结土强度试验结果的预测模型,通过控制强度试验的配合比指标,训练确定预测模型的模拟函数,从而实现对剩余部分试验结果的预测。研究结果表明,采用正交试验和神经网络相结合的方法,预测复合固结土强度,预测结果准确,误差不超过2.3%。

基于复合正交神经网络的自适应逆控制系统

目前,在自适应逆控制系统中常采用BP神经网络,而BP网络存在算法复杂、易陷入局部极小解等不足。而正交神经网络能克服BP网络的不足,但由于正交神经网络学习算法存在某些局限性,提出了一种复合正交神经网络,该正交网络结构与三层前向正交网络相同,不同的是正交网络的隐单元处理函数采用带参数的Sigmoid函数的复合正交函数,该神经网络算法简单,学习收敛速度快,并能对网络的函数参数进行优化,为非线性系统的动态建模提供了一种方法。仿真实验表明,网络在用于过程的自适应逆控制中具有很高的控制精度和自适应学习能力。该动态神经网络比其它神经网络具有更强的建模能力与学习适应性,有线性、非线性逼近精度高等优异特性,非常适合于实时控制系统。

基于拉盖尔模拟神经网络的过热汽温直接自适应控制系统

提出一种Laguerre(拉盖尔)模拟复合正交神经网络并应用于电厂过热汽温的直接自适应控制。模拟神经网络被作为直接自适应控制器,这种单隐层正交神经网络是基于Laguerre复合正交多项式函数,并具有在线连续学习的简单算法,且学习算法与被控对象模型无关。由于采用3层网络结构,输入层与隐层之间不用权值调整,在学习算法中只要在输出层与隐层之间寻找最佳权值,因此网络学习速度较快。网络隐层节点(处理元)是Laguerre多项式展开项,展开项的多少决定着网络的学习速度和精度。通过对具有严重参数不确定性、扰动以及大迟延的电厂过热汽温被控对象进行仿真研究,结果表明控制系统性能优于常规的PI控制系统。

复合正交神经网络与CMAC在PID并行控制中的比较研究

由于正交神经网络算法简单,学习收敛速度快,具有线性、非线性逼近精度高等优异特性,取得了较好的应用 效果,但在动态建模与实时控制问题上研究较少。为此,本文提出复合正交神经网络(CONN)与PID并行控制算法,并 对小脑模型(CMAC)与PID并行控制作一比较研究。仿真结果表明,当方波(阶跃)输入与正弦输入时CONN实现的前 馈控制效果比小脑模型实现的前馈控制效果更好,响应速度更快,这充分地体现了复合正交神经网络的特点,即输出误差 小、实时性好、鲁棒性强。

基于神经网络的通用模型自适应控制

应用复合正交神经网络来实现过程的自适应逆控制方法,和通用模型控制器策略相结合,提出了一种基于神经网络的通用模型自适应控制方法,将非线性过程模型应用逆系统的方法可以在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。另一方面,在自适应逆控制中采用复合正交神经网络具有算法简单、学习收敛速度快等优点,可以克服常用的BP和RBF神经网络一些缺点。基于神经网络的通用模型自适应控制方法中的参考轨迹是一条典型的二阶曲线,该控制器参数具有明显的物理意义,参数整定方便。仿真验证了该控制策略的有效性。

机器人的模拟复合正交神经网络学习控制

提出一种神经网络与PD并行控制的机器人学习控制系统。为了加快神经网络的学习算法,在数字复合正交神经网络的基础上给出一种模拟复合正交神经网络的学习算法,以两关节机器人为对象仿真结果表明,该控制方法使机器人跟踪期望轨迹,其系统响应、跟踪精度和鲁棒性优于常规的控制方法,位置跟踪获得了满意的控制效果。该模拟神经控制器为不确定系统的控制提供了一种新的途径。

基于复合正交神经网络的灰色PID控制

结合传统反馈控制方法和灰色预测控制的预测控制器已在控制系统中获得了成功的应用。由于复合正交神经网络具有学习算法简单、收敛速度快,有逼近线性或非线性函数的优良特性。与灰色预测方法相比,神经网络预测精度高,且误差可控,如果把神经网络作为灰色预测器,建立一种灰色预测控制,那么就会在控制系统中获得良好的控制性能。为此,提出一种结合传统的PID控制和神经网络灰色预测补偿的灰色PID控制器,可对系统进行在线灰色估计和控制,由复合正交神经网络对不确定部分建立的灰色预测模型,可根据系统的参数变化来自动调节预测补偿值,使系统响应具有适应性。仿真结果表明,与传统的PID控制方法相比,该控制器可获得更为优良的动态性能和鲁棒性。

复合正交柔性神经网络及其应用

针对目前神经网络所存在的不足 ,提出一种带参数的单极性Sigmoid函数的柔性复合正交神经网络 ,并给出相应的参数学习算法 ,这种柔性复合正交神经网络不仅扩大了网络辨识模型的能力与学习适应性 ,而且算法简单 ,学习收敛速度快 ,有线性、非线性逼近精度高等优异特性。以模型辨识作为应用实例 ,仿真结果表明 ,其算法是有效的 。

模拟复合正交神经网络控制器在机械臂控制中的应用

在数字复合正交神经网络的基础上提出一种模拟复合正交神经网络,并应用于机械臂的控制.控制器采用模拟复合正交神经网络与PD的并行控制方法,对机械臂的位置控制做了仿真实验.结果表明,相对于常规PD控制器,该神经网络控制器具有自学习、自适应功能,位置跟踪获得了满意的控制效果.该模拟神经控制器能应用于机器人控制系统中.

一种复合控制器在直流调速系统中的应用

提出一种复合正交神经网络控制与传统PID控制相结合的复合控制器，仿真结果表明，相对于常规PID控制器，该复合控制器具有自学习和自适应功能，速度跟踪获得了满意的控制效果．

非线性系统的复合正交神经网络自适应控制

提出非线性系统的复合正交神经网络自适应控制方法.在非线性系统控制中,这种网络自适应控制不需要辨识系统模型与Jacobian矩阵信息,网络学习算法与被控对象模型无关.仿真结果表明,复合正交神经网络实现的非线性系统控制具有较强的自适应控制能力,证明了控制系统具有良好的跟踪控制性能,为解决非线性系统的控制问题提供了一种方法.

基于模拟复合正交神经网络的曲线重建方法

在数字复合正交神经网络的基础上提出一种模拟复合正交神经网络,并用于曲线重建。由于模拟神经网络采用连续学习算法,故网络学习收敛速度快。仿真结果表明,在单变量和多变量复杂函数曲线重建中,用模拟复合正交神经网络方法重建的曲线具有很高的逼近精度。本文提出的曲线重建方法是一种快速有效的方法。由于该模拟神经网络可望用模拟电路实现硬件化,因此在图象图形实时处理中具有很好的工程应用前景。

模拟复合正交神经网络在轴向磁轴承中的控制研究

在数字复合正交神经网络(NN)的基础上提出一种模拟复合正交神经网络,并用于轴向磁轴承的控制中.控制器采用模拟复合正交神经网络与PID的并行控制方法,对带有负载干扰的轴向磁轴承控制系统作了PID控制与NN+PID控制的仿真实验.仿真结果表明,相对于常规PID控制器,该并行控制法具有非常好的抗干扰与自适应能力,获得了满意的控制效果.

模拟复合正交神经网络控制器在直流调速系统中的应用

在数字复合正交神经网络的基础上提出一种模拟复合正交神经网络,并用于直流双闭环调速系统中。控制器采用模拟复合正交神经网络的直接自适应控制方法,并对带有负载干扰的直流双闭环调速系统作了PI控制与神经网络控制的仿真实验。仿真结果表明,相对于常规PI控制器,该神经网络控制器具有自学习,自适应功能,速度跟踪获得了满意的控制效果。该模拟神经控制器能用于直流与交流调速系统中。

复合激发矿渣胶凝材料配比优选试验研究

以矿渣微粉为胶凝材料主要成分,采用正交试验结合神经网络预测的方法研究得到新型复合激发矿渣胶凝材料最优配比,盐基复合激发胶凝材料中激发剂A(盐)、激发剂B(碱)、激发剂C与矿渣微粉4种成分最优质量配比为18.3%︰3.4%︰0.8%︰77.5%;碱基复合激发胶凝材料中激发剂A(盐)、激发剂B(碱)、激发剂C与矿渣微粉4种成分最优质量配比为4%︰14.8%︰0.4%︰80.8%;掺有盐基复合激发胶凝材料的胶结充填体对抵抗收缩的贡献度最大,在收缩性能方面能达到稳定良好的效果;掺有碱基复合激发胶凝材料的胶结充填体早期和后期强度均大于盐基复合激发胶凝材料和水泥的胶结充填体早期、后期强度。

基于复合正交神经网络的广义通用模型自适应控制

在自适应逆控制中应用复合正交神经网络具有算法简单、学习收敛速度快等优点,将复合正交神经网络与广义通用模型控制器策略相结合,提出了一种基于神经网络的广义通用模型自适应控制方法。该控制方法中的参考轨迹为一条典型的二阶曲线,控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。