基于单神经元自适应PID的矢量控制系统研究

转子磁场定向矢量控制中,转速PI调节器在控制对象参数变化时其鲁棒性能较差,而单神经元具有自学习、自适应能力,为了进一步改善矢量控制系统的性能,文章提出了用单神经元自适应PID控制器代替传统PI调节器。为了提高单神经元PID控制器的学习能力,将无监督的Hebb学习规则与有监督的Delta学习规则相结合,实现单神经元控制器的参数优化与在线自调。仿真结果表明,该系统不仅具有很好的静、动态性能,而且还具有很强的自适应性和鲁棒性。     

驼峰速度控制系统中神经网络方法的研究

现有的各种驼峰速度控制系统大多属开环系统，本文将神经网络学习算法引入速度控制系统达到系统闭环的效果。提出了一种直接控制的自适应神经元模型和神经网络结构，以及一种快速学习算法，并把该神经网络和算法用于驼峰速度控制系统。计算机模拟结果表明该算法是十分有效的。     

AAR列车内部通信规范S—4230与LONWORKS现场总线

简要介绍了美国铁路协会ＡＡＲ新制定的”列车内部通信规范”的基本情况，并对该规范所引用的ＬＯＮＷＯＲＫＳ现场总线技术的概念和ＬＯＮＷＯＲＫＳ现场总线的主要技术特点及其关键技术作了概述 。     

多巴胺抑制大鼠背角伤害性神经元初步观察

本实验用玻璃微电极细胞外记录方法,观察了脊髓局部应用DA对清醒大鼠背角伤害性神经元电活动的影响。发现DA对背角伤害性神经元的自发放电和RHS、TES诱发反应均有抑制作用;DA对TES诱发反应的抑制主要表现为后串放电脉冲数的减少,但在有些神经元还伴有后串放电的潜伏期延长、时程缩短或频率下降;DA的作用可被静脉注射DA能受体拮抗剂氟哌啶所翻转。本文在国内首次证实,DA对大鼠背角伤害性神经元具有抑制作用。     

重组人BDNF对Alzheimer病模型神经元作用的实验研究

目的　探讨重组人脑源性神经营养因子 (rhBDNF)对正常原代培养海马神经元及Alzheimer病 (AD)模型海马神经元的作用。方法　预先加入rhBDNF并将 2 0 μmol·L-1的Aβ2 5～ 3 5作用于培养的海马神经元 ,进行形态学观察、胆碱酯酶 (ACHE)组织化学染色、激光共聚焦显微镜及MTT自动比色微量分析。结果　实验对照组海马神经元存活率降至 5 9.5 % ,与空白对照组有显著性差异 (P <0 .0 1)。rhBDNF实验组海马神经元存活率达到 65 .7%～ 72 .6% ,各实验组与实验对照组有显著性差异 (P <0 .0 5 ) ,且 5 0ng·mL-1为rhBDNF最适浓度。实验组胆碱能神经元数量增多 ,胞体直径及突起长度较对照组明显增大 ,其 [Ca2 +]i 相对稳定。结论　rhBDNF对正常培养海马神经元有营养作用 ,能延长细胞生存时间 ;对AD模型海马神经元有保护作用 ,显著降低细胞死亡率 ,抑制了Aβ对神经元的毒性 ,有助于AD的防治     

基于单神经元自适应PID控制的共轨压力控制研究

对共轨系统油轨压力的控制方法进行了理论与实验研究.设计了单神经网络自适应PID控制器,相应的控制程序在Labview环境下进行了实现.在试验台上对单神经元自适应PID控制与常规PID控制进行了对比.试验结果表明:对共轨系统油轨压力采用单神经元自适应PID控制,其控制效果好于常规PID控制,并且其控制误差更小.     

基于CAN总线网络技术的分布式全自动可控顶控制系统

基于CAN总线网络技术的分布式全自动驼峰可控顶控制系统,是驼峰自动化的发展方向。本文主要介绍了分布式控制系统设计的软件、硬件要点,及控制对象和设计依据。     

一种基于神经元控制的自适应伺服器研究

伺服系统通常具有控制速度快、定位精度高的控制特点.提出一种可用于伺服控制系统的单神经元自适应控制器设计方法,并以某定位伺服控制系统为例,通过控制器的结构及参数对系统性能的影响作了仿真研究.结果表明,所设计的伺服控制器具有良好的快速响应能力、鲁棒性能和控制精度.     

Comparison of Three Control Methods in Penetration Control of Pulsed Gas Tungsten Arc Welding

An artificial neural network model for backside bead width was established and three control meth-ods——PID. fuzzy and neuron were designed, simulated and tested. The test results of bead-on-plate weld of GTAW indicate that the artificial neural network (ANN) modeling and learning control method have more advan-tages than the conventional method. They show that the ANN modeling and learning control method is an effective approach to real time control of welding dynamics and ideal quality.