基于RBF神经网络优化的无人驾驶车辆增量线性模型预测轨迹跟踪控制研究

研究了无人驾驶车辆的轨迹跟踪问题,基于RBF(径向基函数)神经网络的自适应补偿和鲁棒控制分别设计了2种优化后的ILTV-MPC(增量线性时变模型预测控制)轨迹跟踪控制系统。建立了ILTV-MPC轨迹跟踪控制器,利用RBF神经网络的局部逼近特性,设计了RBF自适应补偿控制器逼近模型的不精确部分;进而将逼近过程产生的误差作为外部干扰,设计了RBF鲁棒优化控制器,从而对逼近误差予以抑制。应用Lyapunov稳定性分析推导出隐含层网络权值训练规则,证明了控制系统的稳定性。当行驶在良好路面时,与传统ILTV-MPC相比,RBF补偿-ILTV-MPC最大误差减小约38.73%; RBF鲁棒-ILTV-MPC最大误差减小约68.42%。结果表明:RBF鲁棒控制较RBF补偿控制可进一步提高ILTV-MPC控制器的跟踪精度,减轻车辆侧滑程度,提高车辆行驶稳定性。     

一种模糊趋近律转台伺服系统滑模控制器设计

针对飞行模拟转台位置伺服系统中存在的非线性摩擦环节,设计了一种补偿摩擦的模糊趋近律滑模变结构控制器.在常规的滑模变结构控制中引入模糊控制,利用模糊控制器来调整滑模控制的趋近律参数.Matlab仿真结果表明,该控制器优于常规指数趋近律变结构控制器,有效地抑制了摩擦力矩的影响,保证了系统的快速性和鲁棒性,实现了高精度的位置跟踪.     

基于RBF神经网络的可重构机械臂控制研究

采用RBF神经网络控制算法来解决MIMO不确定非线性系统的自适应输出反馈控制问题,以系列模块化机械臂为研究对象,设计RBF神经网络控制器不断逼近可重构机械臂动力学模型,采用MATLAB软件基于RBF神经网络逼近设计的控制器对RR构型机械臂进行控制仿真.结果表明该控制器能有效地逼近机械臂动力学模型,并能较好地适应机械臂不同构型.     

基于模糊RBF神经网络的柴油机电液调速控制方法

介绍了电液调速执行器的动态特性,设计了电液调速控制回路,实现了模糊RBF神经网络对柴油机油门执行器位置的控制。将一种基于模糊RBF神经网络的PID控制器应用于柴油机调速控制中,详细说明了模糊RBF神经网络控制器的设计过程,它结合了传统PID以及神经网络和模糊控制的优点,可以在线调整得到一组最优的PID控制参数。仿真结果表明该系统比传统模糊控制的响应速度快、超调小,且适应性强,具有推广价值。     

轧机液压伺服系统滑模变结构控制

针对轧机液压伺服系统的非线性模型进行了研究,考虑板材的坑洼问题、黏滞摩擦力、系统参数不确定等非线性特性,设计了一种滑模变结构控制器,并分析了滑模中参数K的取值范围,以保证系统的稳定性。仿真实验结果表明:所设计的滑模变结构控制器可有效克服轧机液压系统的摩擦非线性以及板材坑洼等问题,对系统参数的不确定性有较好的鲁棒性,其响应速度、稳态误差、抗干扰特性均优于模糊PID控制。     

AOD精炼铁合金终点预测模型的建立

智能控制技术在冶金终点检测和终点控制中得到广泛应用,特别是神经网络技术,采用径向基函数神经网络(RBF)构成的神经网络控制方案可以有效地提高系统的精度、自适应性和鲁棒性。选用RBF神经网络建立冶炼终点温度和碳含量的预测模型,可以为后续的控制模型提供有价值的控制信息,通过终点控制模型计算所要补吹的氧气量以及补加的冷却剂量,以达到冶炼终点温度和碳含量的精确命中。仿真分析表明,RBF神经网络应用于冶炼终点温度和碳含量预测模型的建立,具有一定的预测精度。     

无人车辆轨迹跟踪与横摆稳定协调控制研究

针对无人车辆轨迹跟踪问题,为兼顾车辆轨迹跟踪和横摆稳定的双控制目标,提出了一种无人车辆轨迹跟踪与横摆稳定协调控制策略。根据车辆轨迹跟踪模型,基于快速幂次趋近律设计了车辆轨迹跟踪滑模控制器,旨在通过无人车辆自主转向控制跟踪参考轨迹。同时,利用滑模算法设计了车辆横摆稳定控制器,通过横摆力矩控制跟踪参考横摆角速度。考虑到横摆稳定控制器中横向车速未知的情况,设计了横向车速滑模观测器,从而为横摆稳定控制器提供信息输入。此外,利用横摆力矩控制量设计了前轮转向角补偿模块,通过轨迹跟踪和横摆稳定控制器的协调,进一步修正轨迹跟踪精度。利用CarSim和Simulink平台搭建了联合仿真模型。仿真结果表明:所提出的轨迹跟踪与横摆稳定协调控制策略能够实现轨迹跟踪,并兼顾车辆的横摆稳定性。     

基于粒子群RBF神经网络的双关节机械臂系统控制

针对RBF神经网络算法用于控制时难以求解网络隐含层参数中心向量c和标准化常数b的问题,提出基于粒子群参数优化的RBF神经网络(PSO-RBF神经网络)控制方法。建立旅客列车自动上水装置双关节机械臂动力学模型,将粒子群算法与RBF神经网络控制机械臂动力学特性结合,在连续空间快速搜索网络隐含层参数最优解,得到PSO-RBF神经网络控制方法;建立针对双关节机械臂的PSO-RBF神经网络控制系统并进行仿真,与基于遗传算法调节隐含层参数的RBF神经网络控制方法进行对比和分析。研究表明,采用PSO-RBF神经网络控制方法可以有效避免机械臂控制失效,能够使肩关节和肘关节响应时间缩短52%和47%,最大稳态误差减小49%和58%,平均稳态误差减小54%和55%。     

电动轮汽车差动助力转向稳定性控制策略

在建立驾驶员模型、差动转向系统及整车机电系统耦合动力学模型的基础上,考虑了系统存在的不确定因素,分析了驱动转矩和横摆力矩之间的耦合关系。以理想横摆角速度为控制目标,研究了融合模糊逻辑和滑模变结构控制的电动轮汽车差动转向稳定性控制策略。通过模糊逻辑确定滑模趋近律在不同状态下的控制量,以补偿被控系统的不确定性和非线性的影响。仿真结果表明:所设计的稳定性控制器不仅可以有效地解决滑模变结构控制在高频下的抖振问题,而且在不同路面附着系数、不同车速以及侧向风的干扰下均能保证系统具有良好的稳定性。     

电动助力转向系统滑模变控制技术研究

以电动助力转向系统中直流助力电机的控制器为研究对象，依据助力电机的数学模型，应用带观测器补偿的滑模变结构控制方法，设计了滑模变控制器，通过调节助力电机的电压，获得预期的输出电流。仿真结果表明，所设计的滑模变控制器使助力电机具有很好的动态性能，系统基本无抖动现象，实现了助力电机输出电流对目标电流的跟踪特性。     

电弧炉电极系统双模控制策略研究及应用

针对交流电弧炉电极控制系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,采用基于最近邻聚类方法的径向基函数(RBF)神经网络快速学习算法,通过实时在线辨识,建立电弧炉电极系统的精确逆模型并用于控制,实现了将具有强耦合特性的多变量输入/输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与比例微分(P/D)控制相结合的双模控制策略。应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性。     

基于PSO算法优化RBF神经网络的基金净值预测研究

为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型。利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析。仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义。     

基于粗糙集和RBF神经网络的分类模型研究

分类是数据挖掘中一个重要的研究领域。针对原始决策表中往往存在大量冗余信息,从而影响决策分类综合性能这一问题,提出了一种基于粗糙集和RBF神经网络的分类模型。该模型在保持训练样本分类质量的情况下,运用属性约简方法对决策表进行约简,得到维数较小的训练样本空间。通过这样确定RBF神经网络输入层变量,优化了网络结构。实例结果表明了该方法的有效性和实用性。     

基于RBF神经网络的色彩空间转换研究

针对可变数字印刷中色彩空间转换的要求,文章提出一种基于RBF神经网络的RGB(Red,Green,Blue)→CMYK（Cyan,Magenta,Yellow,Black）色彩空间转换方法,解决了Lab色彩空间到CMYK色彩空间的非线性关系。通过研究分析RBF神经网络的原理,建立了基于RBF神经网络色彩空间转换数学模型,并在该模型下进行数据的预测与精度分析。实验结果表明,该方法实现的转换精度非常高,转换后的色偏明显减小,转换速度也很快。     

基于神经网络和决策树相结合的信用风险评估模型研究

文章提出了一种将神经网络和决策树相结合的信用风险评估模型NN-DT。该方法依据属性重要性将贷款企业的财务指标进行排序,然后通过RBF神经网络进行属性裁减生成决策树,从而得出企业是否违约的分类。最后以判别分析以及C4.5 算法为参照方法进行了实证研究,结果表明,NN-DT模型显著地提高了预测精度。     

基于灰色径向基函数网络的铁路投资规模组合预测

铁路固定资产投资是铁路建设不断发展的有力保证,为准确地预测铁路固定资产投资规模大小及其变化趋势,将GM（1,1）预测模型与径向基函数神经网络有效地结合起来,充分发挥灰色系统的贫乏数据建模和神经网络特有的高度非线性映射能力的双重优势,构建了一种新型的串联非线性组合预测模型。然后,以我国铁路1998—2007年的投资规模实际数据为基础,对“十一五”后半期的铁路固定资产投资规模进行了预测,并分析了预测结果的合理性。研究表明,该组合模型优于任何单一灰色预测模型,能很好地反映铁路固定资产投资规模的变化规律,在小样本、贫信息的奈件下,仍然能得到较合理精准的预测结果。     

流量试验装置介质油变黏度人工神经网络控制

设计了基于误差反向传播(BP)人工神经网络原理的自适应比例微分积分(PID)智能控制器.采用组件对象模型(COM)的调用技术,建立了MATLAB语言的底层控制算法与Lab VIEW虚拟仪器平台的无缝接口.将此控制器应用于流量试验装置的介质油变黏度控制,在变工作点的控制实验中,表明此方法是可行的.     

基于matlab的网民数量预测模型研究

研究网民数量可以为研究居民消费水平以及社会经济发展和信息化水平、科技发展水平提供参考。预测网民数量可以为信息通信业部门辅助决策,同时为研究经济发展提供基础。利用matlab 软件强大的计算功能和高度可扩展性,采集样本数据并进行数据划分。由于研究对象的非线性特征,利用人工神经网络理论中的径向基函数RBF神经网络建立预测模型,并基于matlab验证了模型,预测取得了较好的效果。可以为其他领域的预测模型提供参考。     

含间隙系统的约束时间最优预测控制

为了解决含间隙机械系统最优控制的计算复杂度问题,设计了基于分段仿射(PWA)模型的约束时间最优预测控制器。为了降低在线控制的计算复杂度,利用动态规划方法在模型的状态和参考跟踪速度的范围内提前计算出了离线的控制律。在跟踪参考速度的实验中,约束时间最优预测控制器具有较好的跟踪控制性能,与约束有限时间最优控制器相比,计算时间降低了十几倍,因此,适合于小采样时间系统的实时跟踪控制。