基于BP神经网络的模型参考自适应控制

基于BP神经网络的误差反向传播机制,探讨了建立在BP神经网络基础上的模型参考自适应控制方法。该方法用2个BP神经网络分别作辨识器和控制器,其中辨识器兼作间接传递误差的通道,从而解决了控制器权值的修正问题。仿真结果表明, 经过学习控制结构具有较好的有效性。     

一种改进的模型参考自适应算法

针对一种模型跟随自适应算法（DS-AMFC），利用线性神经网络预测系统输出与模型输出之差为控制信号的计算提供较准确的偏差值，用该估计的偏差量进行控制。同时，把控制的误差引入控制信号，在输入信号频率较高时仍具有跟随模型的能力，鲁棒性大大提高。     

基于改进的BP神经网络模型参考自适应控制

针对传统BP算法的神经网络模型参考自适应控制实时性差、精度不高、收敛慢等不足,结合BP改进算法和非线性系统的可逆性,提出了基于改进的双向权值调整BP算法的神经网络模型参考自适应控制.基于此算法设计的系统辨识器和控制器的网络结构简单,精度高,仿真结果表明该算法的辨识和控制效果均很理想,可应用于工程实际.     

离散模型参考自适应控制的H^∞设计方法

本文基于H~∞控制理论,通过使被控对象与参考模型之间的误差传递函数的H~∞范数极小得到一种自适应控制器的设计方法。这种方法不论被控对象是否稳定或是否最小相位均适应,因此,它有较大的应用价值。文中论证了闭环系统的稳定性并给出了仿真例子。     

一种神经网络自适应PID控制器

采用神经网络与模糊逻辑相结合的方式，构造了一种自适应ＰＩＤ控制器。该控制器用具有改进学习算法的神经网络作ＰＩＤ参数调节器，用模糊神经网络对被控对象进行模型辨识，综合了神经网络，模糊控制和ＰＩＤ控制的优点。结构简单，易于实现，且适应环境能力强。     

电液伺服系统模型参考自适应控制器研究

对电液伺服系统进行了模型参考自适应控制研究 ,根据系统输入输出调整某一特定结构控制器的参数 ,从而补偿对象传递函数的变化 ,并给出了仿真结果。     

基于模型参考自适应的自学习悬浮控制策略

针对电磁悬浮列车悬浮控制器因轨道不平顺所引发的未知非线性力和传递函数不确定问题,提出一种基于模型参考自适应的自学习控制方案,控制算法中可调参数根据系统状态、误差和时间调整,使悬浮间隙稳定在恒定数值;学习率根据目标间隙误差大小动态调节,避免可调参数调节过慢,同时保证在稳定悬浮时间隙波动更小;通过李雅普诺夫稳定性判据证明了模型参考自适应控制系统的稳定性;通过MATLAB/Simulink对所提出的控制方案进行仿真.研究结果表明：自学习模型参考自适应控制算法间隙的均方根误差为0.12,设定合适的可调参数初始值并对其限幅能够提升控制器的鲁棒性;在单悬浮架测试时,控制器获取到加速度信号,所提出算法的上升时间和调节时间分别为1.21 s和2.04 s,该方法学习率可动态调节,提升了控制器的适应能力.     

基于神经网络的自适应跟踪控制

本文研究了一种用社会网络实现的自适应跟踪控制方法，仿真结果表明，该方法的控制效果是令人满意的。     

一种改进的模型跟随自适应控制算法

提出了一种改进的模型跟随自适应算法(DS-AMFC),即把系统输出的误差引入控制信号,同时,利用线性神经网络对系统(k+1)时刻输出误差预测,并利用该预测值对系统进行控制。仿真表明该改进算法较原算法有较强的跟随模型的能力。     

神经网络在车辆半主动控制中的应用

针对车辆半主动悬挂模型的非线性特性，研究了采用神经网络的自适应控制在车辆悬挂半主动控制中的应用，设计了采用前馈神经网络的辩识器和控制器，对控制器网络采用的学习规则进行了分析。仿真计算表明，采用神经网络自适应控制方法能有效改善车辆的平稳性，采用的神经网络辩识器和控制器的改进BP算法是有效的。     

An Adaptive Sliding Mode Tracking Controller Using BP Neural Networks for a Class of Large-scale Nonlinear Systems

A new type controller, BP neural-networks-based sliding mode controller is developed for a class of large-scale nonlinear systems with unknown bounds of high-order interconnections in this paper. It is shown that decentralized BP neural networks are used to adaptively learn the uncertainty bounds of interconnected subsystems in the Lyapunov sense, and the outputs of the decentralized BP neural networks are then used as the parameters of the sliding mode controller to compensate for the effects of subsystems uncertainties. Using this scheme, not only strong robustness with respect to uncertainty dynamics and nonlinearities can be obtained, but also the output tracking error between the actual output of each subsystem and the corresponding desired reference output can asymptotically converge to zero. A simulation example is presented to support the validity of the proposed BP neural-networks-based sliding mode controller.     

两自由度并联机器人的RBF神经网络辨识自适应控制

针对平面两自由度五杆并联机器人的轨迹跟踪问题,提出了一种基于RBF神经网络的自适应PID控制方法.该控制方案利用RBF神经网络自适应学习辨识并联机器人系统的未知非线性动态,可以在线调整PID控制参数以实现高精度控制.仿真结果显示该控制策略可以精确实现对于并联五杆机器人的轨迹跟踪控制,该方法的自适应性和跟踪性能均优于传统的PID控制.     

基于自适应控制理论的汽车多策略交叉控制

由于各种智能控制策略各有其优缺点,因此有机地结合这些控制策略,构成多策略交叉控制器,取长补短,发挥其各自的优势,是提高系统控制性能的有效途径。     

基于改进BP算法神经网络的路况评价模型研究

通过利用在BP神经网络中增加反馈信号及偏差单元的网络模型,生成内部回归网络,对BP神经网络进行改进,据此得出改进的BP神经网络的具体步骤.在此基础上,结合陕西省高速公路沥青路面的实际情况建立了路况评价模型,并对该模型的具体应用做了研究.研究结果表明:网络的收敛速度很好,训练结果与实际路况结果相差很小,利用改进BP算法神经网络建立的路况评价模型不仅方便易用,而且精度很高.     

主动磁轴承的神经网络辨识研究

简述了主动磁轴承的工作原理及数学模型,在传统系统辨识的基础上提出了基于BP神经网络的非线性辨识方案.通过闭环控制使转子稳定悬浮,并在控制器的输出信号中加入随机噪声,以使系统被充分激励.按照10 kHz的采样频率对磁轴承的I/O数据进行采样,以用于磁轴承特性的辨识.对某单自由度磁轴承的仿真表明,神经网络模型能够以很高的精度逼近磁轴承的输入输出数据,且对不同的输入信号有较好的泛化能力,验证了所提方案的有效性.     

����ģ��������� �źŽ���ڷ���ˮƽģ��

回顾了现有信号交叉口机动车服务水平确定方法,提出了基于模糊神经网络的信号交叉口服务水平模型,设计了基于可视化仿真的驾驶员感受量化调查方法。该模型首先将评价指标输入模糊化,以便利用模糊理论模拟驾驶员的感受形成过程,然后利用人工神经网络驱动模糊推理,从而预测驾驶员对交叉口运行状况的感受,以及交叉口服务水平。本文以混合交通条件下信号交叉口转向车流为例,利用调查数据标定、验证模型。实验结果表明,该模型能够有效预测驾驶员对交叉口运行状况的感受和交叉口服务水平。通行能力、饱和度与驾驶员感受打分值之间的相关性较弱,但方差分析表明这两项指标是感受打分值及服务水平的显著影响因素。延误与感受打分值显著相关。