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。     

仿蜘蛛救援机械臂结构设计与研究

针对非结构化环境下的救援任务,结合生物界蜘蛛腿部的运动特性,设计了一种仿蜘蛛式救援机械臂。基于机构学数学基础的拉格朗日方程求解救援机械臂的动力学模型。鉴于救援机器人的实时性、自适应等特性,分析径向基函数神经网络的控制策略,提出基于径向基函数神经网络救援机械臂的控制策略。采用径向基三层前向网络设计救援机器人的控制方案,重点探讨了救援机器人单关节的神经网络控制方法,并对其进行Matlab仿真。结果表明:所设计的控制方法可实现救援机械臂的自适应性和鲁棒性。     

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。     

采用神经网络滑模控制的齿隙摩擦补偿

基于滞环齿隙模型和集合摩擦模型,建立了齿轮传动系统动力学变结构模型。采用径向基函数(RBF)神经网络和滑模控制构成复合控制器,对系统齿隙、摩擦非线性因素进行了补偿。利用RBF神经网络调节滑模控制器的切换项增益,降低了滑模控制的抖振,提高了补偿效果,仿真结果验证了该方法的可行性。     

基于RBF神经网络的短期电力负荷预测

研究了天气和特殊事件对电力负荷的影响,建立了结合径向基函数神经网络来进行短期负荷预测的模型。将温度、降雨量运用于径向基函数神经网络中,提高了训练的可信度和可靠性。利用该模型编排的实用化软件投入到了实际应用中。结果表明:该方法具有较高的预测精度和较强的实用性。     

一种基于RBF网络的模糊规则的动态生成算法

根据径向基函数(RBF)神经网络与T-S模糊系统内在的函数等价性，提出一种利用RBF网络快速自动生成模糊规则的方法。仿真结果表明该方法可以构成紧凑、高可靠性的模糊控制规则库，且具有相当快的收敛速度。     

HHGA-RBFNN在DGS设计中的应用

将递阶遗传算法和最小二乘法相结合, 构成一种混合递阶遗传算法,用于优化径向基函数神经网络的结构和参数,通过MATLAB仿真实现该算法,并将该神经网络运用于微带缺陷接地结构的神经网络建模之中,实现对微带缺陷接地结构传输系数的仿真.实验结果表明,应用混合递阶遗传算法优化的径向基函数神经网络,具有很高的拟合精度和很好的泛化能力,可以与时域有限差分分析方法结合,辅助微带缺陷接地结构的设计.     

基于RBF神经网络的MEMS惯性传感器误差补偿方法

传统的微机电系统(MEMS)惯性传感器误差补偿技术通常采用多元线性回归误差模型,未考虑传感器误差的非线性特性,不能实现精确的误差补偿。针对以上问题,提出了一种基于径向基函数神经网络的微惯性测量单元误差补偿模型,将MEMS惯性传感器三轴测量值和真实值作为样本,对网络进行训练,利用训练好的网络对MEMS加速度计和陀螺仪进行误差补偿。实验结果表明:与多元线性回归误差模型相比,神经网络对惯性传感器具有更好的降噪滤波效果;且基于径向基函数神经网络的惯性传感器误差补偿精度较另外2种模型提升了1～2个数量级。所提方案能够有效地补偿MEMS惯性传感器误差。     

武器系统费用估算的参数法研究

提出了武器系统费用估算中参数法的形式化研究方法,对参数模型的建立、目标函数的建立以及优化参数的求取进行分析.考虑到模型对样本数据的适应能力,采用径向基神经网络建立参数模型;针对模型的拟合精度和推广能力之间的矛盾以及两者的要求,提出建立一种折中的目标函数;针对目标函数的参数较多、形式较为复杂的特点,采用粒子群优化算法计算得到模型的优化参数,最后通过实例加以分析验证.理论研究和计算分析表明,该方法从本质上解决了参数法的模型建立、参数优化等问题,既可以对新参数模型的建立在理论上提供指导,也可以在实践中推广应用,通用性较好.     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

基于粗糙集的T-S模糊神经网络在回转窑烧结过程中的应用

基于粗糙集理论的知识约简方法和T-S模糊神经网络的非线性映射理论,针对回转窑烧结过程被控对象复杂、各参数之间相互耦合及难以建立精确数学模型的特点,提出一种RS-FNN智能控制策略。采用基于一种新的聚类有效性准则函数的模糊C均值聚类算法对连续属性进行离散化;然后利用粗糙集理论由历史数据样本提取约简规则集,对应的T-S模型具有反映数据特征的良好拓扑结构;最后T-S模型参数由梯度下降混合最小二乘法进行精调。该方法应用于铁矿氧化球团回转窑生产过程控制取得了良好效果,增强了系统容错及抗干扰的能力。     

径向基函数网络的库存预测方法与仿真实验比较分析

库存预测是企业编制物流系统存储、运输等各项业务活动计划的基础,是企业管理的一个重要环节。库存预测的精确与否,直接影响到企业计划的可行性,进而决定企业经营的成败。采用不规则需求预测法和本文提出的径向基函数网络需求预测法对不规则时间序列的需求预测问题进行了评价与分析。仿真实验表明,采用径向基函数网络需求预测法对不规则时间序列需求进行预测具有更强的针对性和有效性。该方法采用正交化方法和前向回归技术,计算量少,能够生成一个结构简单的神经网络预测模型。     

电动助力转向系统的智能控制研究

针对电动助力转向系统(electric power steering,EPS)的电机助力控制提出了一种智能控制方法,该方法包含利用助力电机特性曲线方式来计算助力电机目标电流的上层助力控制策略和利用径向基函数(radial basis function,RBF)神经网络与BP学习算法(back propagation)对电流设计的闭环控制器的下层电机控制两个部分。最后利用实验台架数据进行了仿真研究,与实验台架中采用的传统PID控制进行对比分析,结果表明:所提智能控制方法有较高的控制精度和平稳性,提高了助力转向系统的鲁棒性和自适应能力。     

统一电能质量调节器的新型控制策略研究

针对UPQC中传统PI控制器对模型依赖性大,且系统参数大范围变化时,难以保证良好的动静态性能等问题,提出了一种基于CGT(command generator tracker)的直接自适应控制策略。当输入为时变信号时,该控制器能够使被控对象输出高质量的跟踪参考模型输出,从而达到渐近跟踪效果。与传统的PI控制相比,基于CGT的直接自适应控制策略具有更好的鲁棒性、灵活性和适应性。完成了相应的UPQC仿真模型及实验平台的搭建,对UPQC的补偿性能进行了仿真分析与实验。实验验证了该控制策略的有效性和可行性。     

基于径向基神经网络的股价预测

借助径向基函数（Radial Basis Function)神经网络对非线性函数的逼近能力，对深能源A股价这个时间列作了连续若干天的一步预测，并与其他预测方法进行了比较。结果表明，用径向基神经网络预测股价是可行的和有效的。     

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。     

基于小波神经网络的信息系统综合评价模型

针对信息系统的特点和小波基具有很强的自适应性和函数变化能力,提出了一种基于小波神经网络的信息系统综合评价模型,并在最小均方能量准则下,采用相应的共轭梯度学习算法求解小波函数的尺度和时延参数,以及小波网络的权值。仿真实验表明该算法用于信息系统综合评价的有效性与准确性,为信息系统的评价研究提供一条新的途径。     

基于Hough变换的低分辨率雷达目标识别

针对低分辨率雷达目标的识别问题,提出了一种基于Hough变换的特征提取方法.通过对Hough变换后参数空间进行特征定义来描述参数空间灰度图像的纹理分布特点,进而描述图像空间目标的形状特征.文中利用该方法结合径向基函数神经网络对低分辨率雷达船只目标轮廓像进行特征提取并识别,取得了较高的识别率.     

基于模糊神经网络的可控串补控制策略

目前已运行的可控串补(TCSC)工程都是采用常规的控制策略,采用各种先进控制策略比如非线性控制策略、智能控制策略能使TCSC的作用得到最大限度的利用.设计的TCSC模糊神经网络控制系统采用TCSC当地测量的频率增量及功率增量作为模糊控制的输入,用一种神经网络模拟模糊推理机的知识模型和推理模型,采取误差反传的方法依据输入量的值和系统当前的状态来设计调整神经网络的连接权值以及隶属度函数的参数,从而调整模糊控制规则和量化因子.通过对系统处于不同运行点受到不同干扰下的仿真,表明所设计的TCSC模糊神经网络控制系统具有良好的鲁棒性.     

基于ARM与多模型实现的试运线列车超速防护系统

针对试运线列车运行的安全性与停车准确度的要求,提出一种基于ARM与多模型实现的列车超速防护系统。通过车载设备传感器采样时间序列数据,并将其进行小波去噪,从而得到基于傅里叶模型的目标跟踪运行曲线。设计以模糊神经网络为动态预测模型的速度控制器,利用预测控制的滚动优化与误差矫正特性增加速度控制器在不同运行环境下的鲁棒性。为加快模糊神经网络的训练速度,将改进型粒子群模糊聚类算法的聚类结果作为模糊神经网络的前件规则构建参数。以中车试运线数据为例对其进行仿真,并通过基于曲线面积误差的评价指标对全局速度下的停车精确度进行分析。仿真结果表明:所提出的以傅里叶模型作为目标函数实现的基于模糊网络的预测控制策略具有明显的优势。