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。     

基于标准可加性模型的模糊控制算法仿真

介绍了基于标准可加性模型（SAM）的模糊控制算法，将该算法及自学习SAM算法分别应用于控制领域，仿真结果表明可以取得较好的控制效果，且具有较强的鲁棒性，是一种理想的适合工业控制应用的模糊控制器。     

变压器油中故障气体的复合预测方法

为了提高对变压器故障的预测能力，提出了灰色粗预测、自学习神经网络在线修正的复合预测法．此法是利用GM（1，1）模型初步预测油中溶解气体的浓度及变化趋势，通过分析故障气体组分之间的影响及气体浓度时间序列之间的关系确定修正参数，将初步预测结果与修正参数作为自学习BP网络的输入，从而完成预测结果的在线修正．该方法已用于实际变压器油中溶解气体的预测，结果验证了其有效性．     

共轨喷油器在车喷油量控制自学习方法

为了精确控制喷油器老化后的在车喷油量,分析了共轨喷油器老化试验前后的小油量喷射特性,提出了小油量自学习修正的方法。当发动机处于倒拖工况时,在不同的轨压下,通过主动小脉宽喷射测得特定缸角加速度与其他几缸角加速度平均值的比值,研究得到发动机小油量燃烧后角加速度变化规律,并据此设计喷油量控制自学习算法。实车试验与台架试验表明,在无需增加额外传感器的情况下,小油量自学习修正算法能精确控制老化喷油器的小油量,明显改善老化喷油器小油量喷射的一致性和稳定性,满足发动机在全寿命期间的性能要求。     

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UEGO传感器的空燃比自学习控制策略研究

从传统的开关型氧传感器和宽域氧传感器的物理特性和基本工作原理出发,提出了基于宽域氧传感器的电控增压稀燃CNG发动机的空燃比自学习算法策略,并将所编写的控制代码用于试验发动机上。台架标定试验表明,所设计的算法能够有效补偿发动机出现的磨损、疲劳、老化等状态,可提高实际空燃比的控制精度。     

用户出行费用综合更新自学习模型的研究

主要研究了用户出行费用的自学习与更新过程,将整个过程分解为费用估计、权重调整、经验费用学习3个部分,并据此提出用户出行费用综合更新自学习模型,将用户出行前的费用估计、出行后经验更新以及权重调整几个过程为一体,形成比较完整的路径费用学习演变过程。     

铁路编组站阶段计划自动调整研究

铁路编组站作业复杂,异常情况多,而且编组站阶段计划在编制过程中根本不可能考虑所有的影响因素,所以计划在执行过程中会出现一些异常问题,这时就需要对计划实施调整,以提高计划的兑现率。据此,通过知识表达的形式建立了计划自身异常及计划问冲突的调整规则,设计了计划闻冲突的检测算法,并通过自学习算法不断完善调整规则集,提高计划调整效率,最终实现计划的自动调整。     

构建反思性学习模式,培养综合职业能力

近年来,综合职业能力的培养已成为高职院校关注的重要领域。公共英语教学涉及的学生多,影响大,是高职生综合职业能力培养的重要平台。本文旨在具体研究在公共英语听说自主学习课程中培养学生的反思性学习能力,并从自我计划、自我监控、自我评价和自我调整四个方面提出了英语自主学习课程中的反思性学习模式,从而更好的从自我管理能力、沟通能力、团队合作能力、组织协调能力、口头与书面表达能力、判断思维能力等方面培养高职生的综合职业能力。     

驾驶机器人车辆动态制动力矩补偿

为了减小长期自动驾驶过程中制动性能下降带来的影响,提出了一种驾驶机器人车辆动态制动力矩补偿方法。首先建立了以车速和制动踏板力为输入,制动力矩为输出的驾驶机器人车辆制动性能离线自学习模型。然后考虑到驾驶机器人车辆长期自动驾驶导致离线自学习模型可靠性下降,建立了以车速和制动踏板力为输入,制动力矩为输出的扩展自回归在线辨识模型,并采用模糊变遗忘因子递推最小二乘法进行参数辨识。模糊变遗忘因子递推最小二乘法通过引入遗忘因子的方式,对数据施加时变加权系数,以避免出现数据增长导致的数据饱和现象。模糊变遗忘因子控制器以制动力矩辨识误差为输入,经模糊规则推理实时输出合适的遗忘因子进行参数辨识,能够有效均衡驾驶机器人车辆制动性能参数辨识的稳定性与收敛速度。驾驶机器人车辆自动驾驶过程中,根据当前车速与目标车速的大小计算出所需的制动力矩,加上反馈回来的制动力矩误差,并结合当前时刻的车速,利用制动性能离线自学习模型与机械腿逆向运动学模型实时计算出制动电机输出位移量,实现对驾驶机器人车辆制动力矩的在线补偿。仿真与试验结果表明:利用所提出的方法对车辆动态制动力矩进行辨识时,通过调节遗忘因子,辨识结果能够快速收敛且辨识误差较小。在此基础上,控制驾驶机器人车辆进行纵向车速跟踪时,能够有效减小制动性能下降造成的影响,保证控制车速跟踪误差在±1km·h-1之内。