在线优化参数的无模型预测神经网络自抗扰控制

关于难以建模的非线性系统的控制问题,提出具有辅助变量的全格式动态线性化方法逼近非线性系统模型,基于其构建系统的预测模型,给出采用直接极小化指标函数自适应优化算法的参数估计算法,在扩张状态观测器中引入控制输入的微分项,并将控制输入和其微分的系数改进为关于观测状态的函数,因其未知,使用RBF神经网络逼近,利用非线性递推最小二乘法同时优化RBF神经网络参数和自抗扰控制器参数,综上研究提出在线优化参数的无模型预测神经网络自抗扰控制算法。仿真研究验证了上述研究的合理性和有效性,系统响应精度高。

实用NARMAX-L2模型的神经网络自校正控制器

针对实用随机非线性NARMAX模型,参照改进的NARMA-L2模型,提出实用随机NARMAX-L2模型,采用BP神经网络逼近该模型,依据直接极小化指标函数自适应优化算法估计随机干扰模型的参数,并对BP神经网络的连接权进行学习,根据广义控制目标函数提出神经网络显式自校正控制器,仿真研究验证了上述研究的有效性,系统具有理想的控制效果。

多变量无模型预测神经网络线性自抗扰控制

对难以建模的多变量非线性系统的控制难题,提出改进的具有辅助向量的多变量全格式动态线性化方法,采用其逼近非线性系统,用其构成预测模型,将其转化为具有耦合的若干个子系统,利用直接极小化指标函数自适应优化算法辨识其参数,将多变量线性扩张观测器的线性控制输入项改进为关于观测状态和控制输入向量及其微分的向量函数,并由该向量函数的逆向量函数构建当前控制输入向量,因其未知,使用对角回归神经网络逼近控制输入向量函数,采用多变量非线性递推最小二乘法优化对角回归神经网络连接权及多变量线性自抗扰控制参数,综上研究提出在线优化参数的多变量无模型预测神经网络线性自抗扰控制算法。仿真研究表明系统响应精度高,性能好,优于传统的线性自抗扰控制算法。

动态模糊神经网络及其快速自调整学习算法

针对非线性动态系统辨识和控制的特点,对4层模糊神经网络进行了优化和改进.形成了动态模糊神经网络,提高了网络的稳定性和对动态系统的辨识能力,同时给出了基于Lyapunov函数稳定收敛定理的各权向量以及权矩阵学习速率的自适应调整算法.应用于非线性动态系统的辨识和控制仿真试验表明,改进后的动态模糊神经网络与模糊神经网络相比,可取得更好的辨识精度和跟踪控制效果.

基于改进BP的神经网络模型参考自适应控制

由于传统BP算法存在收敛速度慢,容易陷入局部极小值等弊端,目前的BP优化算法又使得控制过程变得复杂,继而基于BP神经网络的模型参考自适应控制过程也存在实时性差,收敛性慢,精度不高等不足。现针对改进的BP算法和非线性系统的可逆性,分析设计了一种基于激励函数自寻优的BP网络模型参考自适应控制,并通过Matlab仿真结果表明,在满足控制精度的情况下控制系统中的辨识器和控制器效果都很理想。因此,对工程应用有很大的实际参考利用价值。

采用模糊小波基函数神经网络的控制系统及混合优化算法

提出了一种采用模糊小波基函数神经网络的控制器,该控制器采用小波基函数作为模糊隶属函数,利用神经网络实现模糊推理,并可对隶属函数进行实时调整,从而使控制器具备更强的学习和自适应能力。还提出了控制器参数的混合学习算法,即先采用混沌算法离线优化,再采用BP梯度算法在线调整。对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性。

多层神经网络自适应控制训练算法及仿真实验

该文提出了一种用神经网络学习非线性函数时的自适应控制BP训练算法, 该算法根据当前收敛误差及收敛误差变化率自适应确定学习控制值。并针对某些学习应用提出了一种两阶段自适应控制逐一训练算法。通过仿真实验证明, 这种方法比传统方法收敛快, 学习精度高。最后, 给出了这一算法的仿真实例。