RBF神经网络综合控制器在HAPC系统中的应用

基于液压APC系统的数学模型,针对液压自动位置控制系统(HAPC)本身的非线性,影响系统各方面因素的耦合性,同时要求系统的响应速度快、控制精度高、鲁棒性强等特点,设计了基于RBF神经网络的控制器,同时为了提高系统的响应速度,将其与传统PID控制器相结合,使用Matlab/Sinmulink工具对模型进行仿真,并分别与传统的PID控制器和RBFNN控制器相比较发现这种综合的控制器的控制效果要优于PID控制器和RBFNN控制器。

基于RBF神经网络的双馈风电机组最大功率追踪控制方法

双馈风电机组通过转子回路进行功率调节控制,当系统在最大功率点附近工作时,回路电流会出现高频振荡的问题。这种振荡会影响系统稳定性,最大功率追踪控制是解决该问题的核心手段。提出基于径向基函数(Radial Basis Function,RBF)神经网络的双馈风电机组最大功率追踪控制方法。分析双馈风电机组基本结构与运行原理,获取风电机组输出功率,并将其输入RBF神经网络输入层中,通过网络隐含层对其展开优化训练,再通过输出层输出最大功率。采用二阶滑模控制策略与比例-积分-微分(Proportion Integration Differentiation,PID)控制器相结合的方法对发电机转矩展开追踪控制,实现对双馈风电机组最大功率的追踪控制,使风电机组保持最大功率运行。实验结果表明,所提方法追踪效果好、追踪精度高、控制精度高。

基于动态FOA优化RBF神经网络的综合能源系统负荷预测

综合能源系统多元负荷预测是有效提升能源利用效率、降低用能成本的主要途径之一。针对综合能源系统数据繁杂、不易预测的问题,首先引入动态FOA算法优化RBF神经网络,帮助RBF神经网络寻优;其次运用Lasso原理对气象因素进行选择,将负荷数据及气象因素输入到动态FOA优化后的RBF神经网络;最后对北方某园区进行综合能源系统负荷预测,并与BP神经网络进行对比验证。预测结果表明,采用该方法进行负荷预测能有效改善预测效果,保障了区域综合能源系统的优化运行。

采用双RBF神经网络控制的机械手末端位姿研究

为了提高并联机械手末端位姿定位精度和数控机床加工精度,采用双径向基函数(RBF)神经网络控制器,并对机械手定位误差进行仿真验证。给出平面并联机械手运动装置简图,分析并联机械手末端运动位置,推导出执行器运动速度和加速度方程式。设计并联机械手双RBF神经网络控制器,采用Matlab软件对并联机械手运动位姿进行仿真,并与单RBF神经网络控制器进行对比。结果显示:在单RBF神经网络控制器作用下,并联机械手横向位移、纵向位移和平台角位移跟踪误差较大;在双RBF神经网络控制器作用下,并联机械手横向位移、纵向位移和平台角位移跟踪误差较小。采用双RBF神经网络控制器,可以提高并联机械手末端位姿定位精度,从而提高数控机床的加工精度。

基于仿生群智能优化RBF神经网络的气动机械手稳定运动控制方法

针对气动机械手动态特性强、特征状态难捕捉,导致稳定性控制误差较大的问题,提出一种基于仿生群智能优化径向基函数(Radial Basis Function Network,RBF)神经网络的气动机械手稳定运动控制方法。建立线性传递函数,计算气动回路中液压元件、气源装置、气压过滤装置、过滤器、调压阀以及压力计算器等元件间气动稳定关系,获取气动机械手回路状态。通过仿生群混合蛙跳算法智能优化RBF神经网络,根据机械手自由臂模型,建立坐标轴,计算机械臂各个关节角的自由度参数,根据机械手速度自由度、位移以及角度关系自由度设置比例-积分-微分(Proportion Integration Differentiation,PID)控制器,完成气动机械手稳定性控制输出。实验结果表明;该方法控制精准度高,在X轴、Y轴和Z轴方向上加速度曲线的波动性最小,具有良好的控制性能。

用模糊RBF神经网络简化模型设计多变量自适应模糊控制器

针对多变量系统实时性要求 ,提出模糊径向基 (RBF)神经网络结构的简化模型及相应算法 ,并对由此简化模型设计的多变量模糊控制器模糊规则的在线自学习算法进行分析 ,提出一种系统动态增益的处理方法和基于过程最优的改进方案 .仿真实验结果表明该控制器可实现实时自适应控制 ,改进算法是有效的 .

基于在线RBF神经网络的BTT导弹控制器设计

针对BTT导弹飞行控制系统的自适应鲁棒控制问题,基于反馈线性化控制和自适应RBF(radical base function)神经网络控制系统设计方法,设计了高精度鲁棒飞行控制器。提出在线权值修正算法,使RBF神经网络能实现对飞行控制系统动态逆误差的在线逼近,进而实现对系统不确定性和外界扰动的实时补偿。通过数值仿真,对所设计的飞行控制器进行了有效性验证。仿真结果表明,相比仅采用反馈线性化控制的飞行控制器,文中提出的飞行控制器能较好地跟踪期望的指令角度信息,鲁棒性能更优。

基于RBF的模糊神经网络控制器设计与仿真分析

介绍一种基于RBF的模糊神经网络设计与仿真分析的实现方法。该方法利用MATLAB中的神经网络工具箱图形用户界面GUI结合模糊控制规则表给定的输入/输出样本数据设计、构建RBF模糊神经控制器,并在Simulink中建立系统仿真模型。通过对阶跃输入信号作用下系统动态性能的仿真分析,结果表明基于RBF的模糊神经控制器有良好的控制性能。

DVD光学头的RBF神经网络自适应PID控制器设计

为了使三维光存储技术的应用水平得到提高,以DVD伺服技术、双光子吸收技术为基础组建了一套信息存储系统。针对DVD光学读取头系统,采用RBF神经网络自适应PID控制器进行控制,充分利用RBF神经网络的自学习和全局非线性逼近能力,在线调整修正PID控制器的3个参数,使其达到一种最优控制,并通过MATLAB软件进行了计算机仿真。由仿真结果可以得出:通过应用RBF神经网络自适应PID控制算法,系统单位阶跃响应的调整时间为0.25s,并使系统的超调量降低到几乎为零。

基于RBF神经网络的免疫控制器结构

从T细胞介导的免疫过程出发,通过对其数学模型的简化,利用RBF神经网络构造了一种基于生物系统免疫反馈机理的控制器.该控制器以正反馈模拟免疫激励,提高了系统的快速性;以负反馈模拟免疫抑制,增强了系统的稳定性和鲁棒性.文中对于一类仿射非线性系统证明了其作为控制器时的系统闭环稳定性.仿真实验表明,该控制器对系统的噪声具有很好的抑制能力.

基于RBF神经网络整定的PID控制器在汽温控制中的应用

通过将RBF神经网络和常规PID控制器结合,提出了一种新的火电厂超临界机组过热汽温控制方案。将这种方法应用于主汽温控制,可以有效克服过热汽温对象的大滞后和大惯性,并能够克服对象在运行中参数变化的影响,获得良好的控制品质。仿真试验表明：所设计的系统在控制品质、鲁棒性方面明显优于常规PID控制系统。

基于模糊神经网络的模糊控制器综合优化设计──Ⅰ．设计方法

将人工神经网络和模糊控制相结合，提出了一种实用的模糊神经网络的构造方法，并利用优化技术，提出了基于模糊神经网络的模糊控制器综合优化设计方法。

基于RBF神经网络PID控制的SSSC控制器研究

在介绍静止同步串联补偿器（SSSC）的数学模型和控制结构的基础上,提出了一种基于RBF神经网络PID控制策略的SSSC新型潮流控制器,设计了控制器的结构。选择含SSSC的电力系统工作在有功功率控制模式下,利用PID控制器对系统进行闭环控制,而采用RBF神经网络的自学习能力可以改善传统PID控制器中参数固定不变的缺点,对PID控制器的3个参数进行实时在线调整,确保输电线路的有功功率能快速达到给定的参考值。最后,在MATLAB/Simulink仿真环境中对所设计的控制器进行了仿真验证。并同传统PID控制器和BP神经网络PID控制器分别进行比较,结果表明所提出控制策略具有较好的适应性和鲁棒性。

基于S函数的RBF神经网络PID控制器Simulink仿真

以RBF神经网络PID控制器的Simulink仿真为例,介绍了复杂控制规律的S函数构造方法。给出了基于MATLAB语言的RBF神经网络PID控制器的S函数仿真模型,及该模型在一非线性对象的仿真结果。从而避免了复杂系统仿真时采用编程方法编写大量复杂而烦琐的源程序,使编程快速、简捷,调试方便,使系统仿真工作量会大大减少。采用S函数可以充分发挥Simulink的优势,扩充Simulink的仿真功能,不但仿真模型简单,而且大大降低了编程的难度,特别适合于复杂控制系统的仿真。

基于RBF神经网络的块控制器设计

针对一类非匹配不确定性的线性系统,基于块控原理,提出了一种结合块控制、神经网络控制和backstepping控制技术的设计方法。利用反演设计方法来处理系统中的非匹配不确定性,利用神经网络来估计系统中的不确定性,再利用鲁棒控制方法来改善系统的性能,利用Lyapunov稳定性定理证明了系统的渐近稳定性。最后,给出的仿真实例证明了所提出的方法的正确性和有效性。

在线学习RBF神经网络的模型参考自适应控制器

本文给出一种在线学习RBF神经网络的快速算法 ,并设计了在线学习RBF神经网络的MARAC。通过仿真表明 ,在线RBF神经网络的MRAC计算量小、在线学习、跟踪时间短。

免疫RBF神经网络PID控制器在矿井输送机中的应用

针对如今复杂被控对象大滞后、非线性和时变性的特点,研究把人工免疫算法和RBF神经网络相结合对PID控制器进行参数寻优,应用到矿井输送机上。利用人工免疫算法,无需事先确定隐层结点个数,设计了一种动态的RBF神经网络,并且分析基于免疫算法的RBF神经网络的PID控制器的算法结构。通过仿真实验得知:研究设计的免疫RBF神经网络的PID控制器在抗干扰性、跟随性和鲁棒性方面都表现出了良好的控制效果,非常适合用于控制模型不确定的情况。

基于RBF神经网络的PID控制器

传统的PID控制器参数难以整定,且依赖于对象的精确数学模型,适应性较差。针对传统PID控制效果不理想的问题,采用RBF神经网络对PID参数进行整定,并用MATLAB进行仿真,取得了令人满意的效果。

基于RBF神经网络的MMSE控制器优化设计

现代复杂产品制造过程的输出数据表现出高度自相关性,致使过程的输出偏离设计目标值或使得传统控制图监控过程时的假警报增加。研究一种基于径向基(Radial Basis Function,RBF)神经网络的MMSE控制器,用全面实验方法对径向基神经网络的径向基函数分布密度和网络训练精度两个参数进行优化设计,得到基于最优径向基神经网络预测的MMSE控制器。仿真实验结果表明,将基于优化径向基神经网络预测的MMSE控制器应用于自相关过程的过程调整,可提高RBF神经网络的预测精度,改善MMSE控制器的调整效果,有效地消除过程输出的自相关性。

改进型LM-RBF神经网络在自抗扰控制器上的应用

为解决自抗扰控制器(active disturbance rejection control,ADRC)中参数较多且难以整定的问题,提出一种基于LM算法且网络结构可在线优化的径向基函数(radial basis function,RBF)神经网络。利用滑动窗口的思想将在线输入的样本放入一个长度固定的队列,将LM-RBF网络应用于ADRC,在线整定控制器参数,并以永磁同步电机为对象在Matlab里进行仿真分析。结果表明:与基于RBF的常规自抗扰控制器相比,改进后LM-RBF使控制器有更快的响应速度及更优的抗干扰能力,能有效提高被控系统的稳定性,满足非线性时变系统对自抗扰控制器的性能要求。