一种自学习策略及其在模糊控制与神经网络控制中的应用

提出一种新的自学习控制策略。模糊控制与神经网络控制的仿真研究证实该策略具有易于实现、在线学习、跟踪控制和一定通用性的优点，并具有满意的学习功能。     

神经网络自学习模糊控制器在直流蒸汽发生器控制中的应用

针对直流蒸发器的动态过程中，各段长度均发生变化，干扰因素多，具有不确定性和非线性等特性，利用神经网络具有并行处理，分布式信息存贮，自学习自适应特点等，设计了基于神经网络的自学习模糊控制器，仿真结果表明，所设计的控制器具有良好的控制效果。本文研究结果对直流蒸汽发生器的控制系统设计具有一定的指导意义。     

人工神经网络控制器在水下无人运载器导航中的应用

本文以水下无人运载器（AUV）绕平面圆周航行的速度、位置控制为例，推广到任何轨迹的控制问题。利用神经网络学习AUV运行的内在规律，预测未来一步的运行情况，并用改良的PID方式前馈与后馈相结合控制其执行机构。系统学习、预测及PID各增益量利用GESA（GuidedEvolutionarySimulatedAnnealing）全局优化方法求得。本方法具有自适应性、强非线性及前馈控制等特点，优于其它一般的控制器。     

人工神经网络控制器水下无人运载器导航中的应用

本文以水下无人运载器（ＡＵＶ）绕平面圆周航行速度、位置控制为例，推广到任何轨迹的控制问题。利用神经网络学习ＡＵＶ运动的内在规律，预测未来一步的运行情况，并用改良的ＰＩＤ方式前馈与后馈相结合的控制其执行机构。系统学习、预测及ＰＩＤ各增益量利用ＧＥＳＡ全局优化方法求得。本方法具有自适应性、强非线性及前馈控制等特点，优于其它一般的控制器。     

一种基于神经—模糊的船舶航向控制器研究

文中针对船舶航向这种非线性、时变、滞后控制对象，提出了一种基于人工精神网络的模糊控制器。利用人工精神网络的学习能力，将抽象的模糊控制规则转化为神经网络的学习样本，通过ＢＰ学习算法记忆这些规则样本，并以“联想记忆”的形式来使用非样本规则。仿真结果表明该控制器具有很好的控制精度，动态特性和鲁棒性。     

基于GA-FCMAC算法的船舶运动智能控制器

在研究模糊小脑模型神经网络控制器（FCMAC）的基础上，本文提出了基于遗传算法学习的模糊小脑模神经网络控制（GA－FCMAC）算法并应用于船舶运动。仿真结果表明该算法具有良好的控制性能。     

基于深度强化学习的地效翼船降落纵向控制研究

为了控制地效翼船水上降落的垂向速度，降低其入水砰击载荷，提出了一种基于深度强化学习的地效翼船降落纵向控制方法。在传统DQN算法的基础上，提出了基于终止状态评价的TSE-DQN算法。针对地效翼船降落入水垂向速度与俯仰角设计了奖励函数，并通过模拟试验将TSE-DQN算法和传统DQN算法进行了对比。试验结果表明，论文所提出的TSE-DQN算法在地效翼船的降落入水垂向速度优化方面有较大提升，且具有更好的稳定性。TSE-DQN算法对地效翼船降落时垂向速度的控制具有指导意义。     

基于BP神经网络整定的蒸汽发生器水位PID控制及仿真研究

将神经网络与PID控制结合起来,提出了基于BP神经网络整定的蒸汽发生器水位PID控制方法,采用BP学习算法调整控制器神经网络的连接权值,通过对系统性能的学习实现了控制器参数的在线整定,仿真结果表明,所设计的控制器具有良好的控制性能。     

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。     

基于DRNN神经网络的PD混合控制技术在船舶动力定位系统中的应用

船舶在海上运动是一种复杂的非线性运动，其水动力系数很难精确确定，而海洋环境的随机干扰因素也在不断地发生变化，因此需要研究具有鲁棒性和自适应能力的船舶动力定位控制技术。PID控制在优化参数的条件下，对于能够建立精确数学模型的确定性系统具有鲁棒性好和可靠性高的特点，但对于船舶运动这样复杂的非线性系统其控制效果不理想，而神经网络具有自学习和自适应能力，因此需要结合两者的特点，设计自适应能力强、鲁棒性好的控制技术。本文研究了基于DRNN神经网络的PD混合控制技术，并将其应用到船舶动力定位系统。仿真结果表明该方法有效，且具有较好的鲁棒性和自适应能力，提高了动力定位系统的精度和性能。     

神经网络方法在船舶控制中的应用

进入90年代，人们对神经网络在自动控制中的潜力越来越感兴趣。这是因为神经网络是解决控制领域中某些难题的又一种有效方法，这些难题的产生是由于对象行为的不可预见性（通常是因为有不可预见的外部干扰，并且对象具有非线性），或者由于计算过程的复杂性，为了实现实时控制，必须在短时间内完成复杂的计算，因而提出了一种神经网络在线训练控制器的通用模式，其目的是利用神经网络的学习能力，得出一种不依赖于船舶精确数学模型的自主式神经控制算法。其神经网络控制器可以通过对性能参数准确性的直接评估来调整其在线参数，因此不需要“教师”和相应的离线训练。对在不同情况下三种不同的控制任务（即航向保持、航迹保持、自动泊位）进行了仿真，结果表明这种神经控制方法具有自适应性和耐用性。     

混合智能控制技术在船舶电站励磁控制中的应用

将混合智能控制技术应用于船舶电站同步发电机励磁控制，通过一种结合自组织学习和BP学习的混合学习算法，学习并调整控制器参数和结构，该算法比通常的BP算法收敛性好，速度快。仿真结果表明，该算法能很好地稳定机端电压。     

光电跟踪系统伺服控制算法研究

伺服控制直接决定了光电跟踪系统的性能,文章采用模糊神经网络控制算法,具有参数学习和结构学习功能,通过Matlab仿真对比发现无论是动态、静态性能还是鲁棒性方面都要优于传统的PID控制以及模糊控制,表现出很好的准确性和快速性,为光电跟踪系统伺服控制设计提供了一种可行的技术方案.     

光电跟踪系统伺服控制算法研究

伺服控制直接决定了光电跟踪系统的性能,文章采用模糊神经网络控制算法,具有参数学习和结构学习功能,通过Matlab仿真对比发现无论是动态、静态性能还是鲁棒性方面都要优于传统的PID控制以及模糊控制,表现出很好的准确性和快速性,为光电跟踪系统伺服控制设计提供了一种可行的技术方案。     

基于神经元自适应PID船舶电力推进电机控制系统研究

在船舶电力推进电机控制中,提出了一种基于神经元自适应PID控制的方法,控制算法采用有监督的Hebb学习规则。从仿真结果可知,采用神经元自适应PID控制具有较好的适应能力和抗干扰能力,满足船舶电力推进电机控制的要求。     

自学习模糊控制器在锅炉水位控制中的应用

本文针对船用锅炉水位控制问题，提出一种学习模糊控制器，介绍了自学习方法及变量的归一模糊化，针对某船主锅炉进行了仿真研究，并给出了仿真结果。     

变电所电容补偿控制方法的研究

为提高变电所电容补偿自动控制的可靠性、准确性和控制速度，在对以往电容控制方法进行深入研究的基础上，提出了一种具有智能特点的联合控制方案。使用证明，该方案具有良好的控制效果。     

一种基于BP神经网络的潜艇自动舵探讨

针对潜艇自动舵的控制特点和要求,利用BP神经网络的学习和逼近功能,设计了潜艇自动舵的多输入、多输出自动舵控制模型,并对其训练后加入到潜艇运动模型中进行了仿真测试。仿真结果表明,该控制器具有理想的控制效果。     

基于自适应PIDNN的船舶航向模型辨识与控制

在研究PID神经网络控制方案的基础上,提出一种基于自适应PID神经网络的船舶航向控制方案,以对其进行辨识和控制.将自适应PID神经网络引入船舶的航向控制系统中,既具有常规PID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力.仿真结果表明,该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪设定航向并进行有效控制,且具有自适应性和一定的鲁棒性,满足实时控制的要求.     

基于深度强化学习的智能船舶航迹跟踪控制

[目的]智能船舶的航迹跟踪控制问题往往面临着控制环境复杂、控制器稳定性不高以及大量的算法计算等问题。为实现对航迹跟踪的精准控制,提出一种引入深度强化学习技术的航向控制器。[方法]首先,结合视线(LOS)算法制导,以船舶的操纵特性和控制要求为基础,将航迹跟踪问题建模成马尔可夫决策过程,设计其状态空间、动作空间、奖励函数;然后,使用深度确定性策略梯度(DDPG)算法作为控制器的实现,采用离线学习方法对控制器进行训练;最后,将训练完成的控制器与BP-PID控制器进行对比研究,分析控制效果。[结果]仿真结果表明,设计的深度强化学习控制器可以从训练学习过程中快速收敛达到控制要求,训练后的网络与BP-PID控制器相比跟踪迅速,具有偏航误差小、舵角变化频率小等优点。[结论]研究成果可为智能船舶航迹跟踪控制提供参考。