一种基于神经网络的直流传动控制系统

基于梯度学习算法,提出一种具有自适应功能的ＰＩＤ控制器。它采用一种改进型神经网络,在线学习相控整流直流传动系统的动力学特性,继而给控制器提供必要的灵敏度信息以实现自适应补偿控制。从而提高整个控制系统在参数变化及受到负载扰动时的鲁棒性,改进型神经网络由两个子神经网络综合构成;一个是应用递推最小二乘算法的线性神经网络;一个是应用动态ＢＰ算法的动态递归网络。对基于相控整流直流传动系统的自适应控制实现策略     

基于信息博弈的多源信息融合方法

针对多传感器信息融合系统中的信息冲突,结合博弈论的原理,在考虑信息冲突环境下局中人最优策略和最优支付的情况下,提出了求解信息冲突环境的信息博弈融合方法.首先通过信息熵的形式将多信息器表示成多源信息,并将多源信息的信息冲突过程抽象成为信息博弈过程,多传感器系统通过信息博弈的过程实现整个系统的信息收益最大化.通过对空调机调速器运行工况评价的实验分析,证实该方法在保持调节性能的同时,能从冗余的多源信息角度对系统的被控参数做出调整,各种动态品质特性优于传统的方法.     

LMGS吸引子混沌特征的定量观测

对孙海坚等人给出的Logistic映射图形集(theLogisticMapGraphSet,简称LMGS)的定义进行了扩展,并利用扩展的LMGS的定义构造出许多美丽的2DLMGS图形·这些美丽的图形根据其生成方式不同,可分成两类图形和吸引子·本文探讨了图形与吸引子之间的联系,发现图形的边缘与其对应的吸引子相似;并由一维可观察量计算系统混沌定量判据的方法,计算了吸引子的Lyapunov指数和关联维数,结果表明吸引子具有混沌动力学特征     

基于SFCM自适应矢量量化码本训练方法

自适应矢量量化在语音信号处理中有广泛地应用 ,提出一种基于ＳＦＣＭ算法的自适应矢量量化码本的训练方法 ,其特点是通过模糊聚类方法 ,重新调整训练样本与码字之间的隶属度 ,达到最小编码失真 ,使码本更适合新说话人 ,且计算简单·本方法的实验结果表明 ,可以使编码平均失真下降·基于SFCM自适应矢量量化码本训练方法@李晶皎 @夏晓东 @顾树生     

基于FNN自适应控制的HEV控制策略

非线性多变量控制系统是复杂控制系统,其原因是系统中包含有多个子系统,若使整个系统及子系统的性能最优,常规的控制方法难以实现·提出了采用基于模糊神经网络(FNN)的控制方案,并且为了对FNN的参数辨识及提高FNN的收敛速度,采用了免疫遗传算法(IGA)进行寻优·混合动力电动车辆(HEV)的多能源动力总成控制系统是一个典型的复杂系统,对其进行最优控制是一个难题,以此为对象进行了仿真研究,结果表明该种控制策略的有效性·     

基于一类GA-RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题.针对传统的控制方法控制效果差、精度不高,难以达到期望结果的问题,结合RBF神经网络的特点,提出用基于混合编码方式的混合遗传算法训练的RBF神经网络,同时优化网络的结构和参数,并利用RBF神经网络建立转炉炼钢静态模型.仿真结果表明,该模型具有在线调整和学习的功能,比传统模型具有更好的计算精度和适应能力,为提高转炉冶炼过程的控制精度给出了一个有效的方法.     

基于神经网络的永磁同步电机的鲁棒控制

提出一种基于神经网络的永磁同步电机的鲁棒控制策略·基于此策略设计了神经网络PID速度控制器,使速度控制器能实时在线调整,由一种混合型神经网络作为辨识器,利用神经网络的学习特性实现对永磁同步电机系统不确定性的鲁棒控制·为了加快响应速度,提高响应性能,采用多步预测性能指标函数下的反传算法·仿真和实验结果表明,所提出的控制方法明显优于一般永磁同步电机系统的控制方法,具有较强的鲁棒性·     

一种开关磁阻电机驱动系统

本系统引入斩波器实现降压控制,以改善相电流波形来降低电机的低速振动噪声·此外,系统采用了一种改进的测周法来保证在调速范围内转速估算的精度·以一台四相8/6结构的075kW开关磁阻电机为控制对象进行实验,结果表明,相电流波形得到了改善,有效地降低了电机的低速振动噪声,达到了预期效果·     

一种区间二型模糊隶属度函数的构造新方法

针对现有区间二型模糊隶属度函数的构造方法中,存在受试者需为模糊专家,易出现不确定迹(FOU)填满现象(下隶属度函数近似为0),或需预先确定不确定迹的形状的问题,设计受试者不为模糊专家也可正确回答的调查问题,提出一种构造区间二型模糊集隶属度函数的新方法.该法不需预先确定FOU的形状,受试者不必为模糊专家.该法的基本思想是从一组领域专家中收集类属词的上下隶属度区间数据,对所获数据进行数据预处理,最后获得类属词的隶属度函数和FOU.实验结果表明,所提出的新方法可有效构造区间二型模糊隶属度函数,避免出现填满现象.     

基于一类GA—RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题．针对传统的控制方法控制效果差、精度不高，难以达到期望结果的问题，结合RBF神经网络的特点，提出用基于混合编码方式的混合遗传算法训练的RBF神经网络，同时优化网络的结构和参数，并利用RBF神经网络建立转炉炼钢静态模型．仿真结果表明，该模型具有在线调整和学习的功能，比传统模型具有更好的计算精度和适应能力，为提高转炉冶炼过程的控制精度给出了一个有效的方法．