孙玮[1]2008年在《智能算法在系统辨识中的研究应用》文中研究指明系统建模即系统辨识是控制理论中重要的组成部分。在热工系统中,大部分的系统辨识主要依赖对实际系统外加阶跃或脉冲扰动,提取系统响应的输入-输出数据,从而得到系统的传递函数模型。本文先从理论上对传统的辨识算法进行了分析,并应用于线性系统辨识中。而后,本文主要研究了当前流行的几种智能算法,利用编写的仿真程序,将这些算法与系统辨识相结合。这些智能方法不仅可以在线性系统辨识上取得很好效果;还可以用于非线性系统辨识,得到满意效果。
王旭[2]2011年在《基于神经网络的冷连轧机张力系统辨识与控制研究》文中研究说明钢铁工业是我国发展国民经济的支柱性产业,冷轧薄板是钢铁工业生产中最重要的产品,它属于高附加值钢材品种。目前,优质、高效地大规模批量生产冷轧薄板带钢产品主要还是依靠连续式冷连轧机。其特点是设备众多、控制过程复杂。张力轧制是冷连轧生产的一个重要特征,张力的控制精度对轧制稳定性和成品带钢质量有着极大影响。因此,深入研究冷连轧机张力的控制具有重大理论意义和实际价值。本文在对冷连轧机结构研究的基础上,分析了冷连轧生产中张力的理论计算模型,同时阐述了张力控制方式。在对冷连轧机张力系统各个环节进行详细分析的基础上,推导了张力系统各环节的数学模型,最后建立了辊缝式调张法张力控制系统数学模型。根据由机理方法推导出的张力系统控制数学模型,利用人工神经网络,结合系统辨识原理,对冷连轧机张力控制的数学模型进行了系统辨识,利用Matlab实验仿真,得出了较好的逼近模型,误差范围满足要求,可以用于张力系统的控制。利用神经网络辨识出的冷连轧机张力系统模型,在线地对张力进行控制。设计了冷连轧张力辨识与控制系统,利用BP神经网络作为辨识器,来逼近实际张力系统,利用线性神经网络对张力系统进行控制；由于神经网络的权值调整作用,辨识模型可以根据实际系统模型的变化,实时地进行自适应调整,同时控制网络也会根据辨识模型的变化,自适应地调整控制策略和控制参数,以使控制更为准确和及时。通过Matlab实验仿真,与传统对机理模型的控制进行比较,对辨识模型的控制适应性更强,控制效果更好,整个张力控制系统的抗干扰能力,以及对模型自身各环节参数变化的适应性都有所增强。针对神经网络辨识控制系统的缺点,利用模糊PID控制方法对系统进行了改进研究。将原系统中的神经控制器部分用模糊PID控制环节代替,以消除神经网络调节时间长,控制初期波动较大的缺点。通过Matlab实验仿真,验证了改进的有效性,在调节时间和动态波动上,改进系统都有较大进步。
黄睿[3]2002年在《基于神经网络的飞行器系统辨识方法研究》文中提出系统辨识技术是自动控制、信号处理等学科的主要分支之一，在航天、航空、工程控制、化学、金融等领域日益发挥出重要作用。当前，对各种非线性系统的建模、辨识己引起人们的广泛注意，但是，使用建立在线性或本质线性系统基础上的传统辨识方法难以获得理想结果。神经网络是一种高度非线性的模型，具有充分逼近任意复杂非线性关系的能力，因此近年来，基于神经网络的系统辨识技术成为辨识领域的研究热点之一。本文对神经网络理论及神经网络辨识方法进行了较深入研究，通过计算机仿真实例表明神经网络在对线性、非线性系统建模方面具有独特的优越性。 本文首先介绍了系统辨识的内容，步骤和分类，对传统的系统辨识方法作了总结，比较了几种方法的优缺点；并回顾了神经网络的发展历程，详细介绍了前馈型网络与递归网络的结构、功能和算法以及在实际应用中设计神经网络需考虑的问题。然后利用递归网络对动态非线性系统进行辨识，并与传统的预报误差方法作了比较。结果表明，在无噪和有噪情况下，神经网络模型的辨识精度和泛化能力都要优于传统方法。最后本文对一飞行器系统进行建模仿真，得到三个子系统的仿真数据。并在此基础上，利用多神经网络辨识模型分别对三个系统进行辨识，结果表明该辨识模型具有很高的精度，能很好地反映系统的特性。
高萍[4]2007年在《基于神经网络的水下机器人广义预测控制技术研究》文中进行了进一步梳理自治水下机器人在海底侦查、大范围勘探和海底地形测绘等方面得到广泛应用，它代表了水下机器人技术的发展方向，受到了越来越多的关注。但是，自治水下机器人是一种高度非线性、参数时变的动态系统，当配备水下机械手时，又构成了一个高阶、冗余的组合结构，而且水动力系数不确定也会影响自治水下机器人的动态特性。因此，自治水下机器人的控制技术非常困难，迫切需要寻求一种合适的智能控制技术。针对自治水下机器人的上述特点，本文提出了一种基于改进Elman神经网络的水下机器人广义预测控制系统。针对自治水下机器人高阶、非线性的特点，分析了改进Elman神经网络系统辨识方法，采用动态反向传播算法来训练改进Elman神经网络。将改进Elman神经网络与多层前向神经网络系统辨识进行对比仿真实验，仿真结果证明了改进Elman神经网络系统辨识的优越性。针对自治水下机器人参数时变的特点，建立了神经网络在线辨识模型，考虑到水下机器人计算机控制系统对在线学习时间的限制，提出了滚动样本法和改进在线辨识模式相结合的在线辨识方法。本文同时提出了基于神经网络的水下机器人广义预测控制系统的结构，给出了基于神经网络的广义预测控制算法，推导了BP网络和改进Elman网络灵敏度导数公式，并建立了神经网络多步预测模型。在控制量被约束及受到噪声干扰的情况下，分别进行了基于BP神经网络的广义预测控制及基于改进Elman神经网络的广义预测控制的水下机器人运动控制仿真实验，仿真实验结果证明后者更适用于水下机器人控制。在自治水下机器人仿真实验的基础上，以哈尔滨工程大学水下运载器智能控制技术实验室自主开发的开架式“Beaver”水下机器人为实验载体，进行了纵向速度及艏向角速度的神经网络广义预测控制实验及其相应的闭环在线辨识实验、控制系统的鲁棒性等实验。实验结果证明，本文介绍的基于改进Elman神经网络的水下机器人广义预测控制系统在控制量被约束、受到随机干扰和控制对象动态特性变化的情况下，都能够很好地控制水下机器人纵向速度和艏向角速度，同时该系统具有较强的鲁棒性。
谢彩云[5]2007年在《基于神经网络的非线性时滞系统预测PID控制》文中指出在工业过程控制中，被控对象往往存在不同程度的时滞。时滞的存在往往会使控制效果变差，系统稳定性降低。解决时滞问题的关键是对输出的预测，故近年来预测控制成为时滞系统控制的主要方法之一。目前，线性系统的预测控制研究已较为成熟，对非线性系统预测控制的研究成果相对较少，而实际工业过程大多是非线性的，因此研究非线性系统的预测控制就显得尤为重要。然而，时滞系统很难靠单一的控制方法来完善解决，针对时滞系统的特点，研究和探索与智能理论相结合的控制方法就显得十分必要。由于神经网络具有并行机制、自学习和自适应能力，可以用来逼近任意复杂的非线性系统，使得神经网络与预测控制方法相结合成为研究热点之一。本文首先综述非线性预测控制研究进展，阐明预测控制的预测模型、滚动优化和反馈校正的思想，并对智能PID的研究现状进行概述，同时引入一种新的神经网络——极限学习机，尝试对其改进后应用于非线性系统的建模与辨识。在此基础上，针对工业过程中非线性时滞系统控制问题，本文提出一种基于极限学习机的新型预测PID控制。该方法将控制结构分为两层，上层采用极限学习机作为智能预测模型，下层采用改进型单神经元自适应预测PID控制算法，利用预测控制克服时滞，利用智能方法优化PID控制器参数。应用极限学习机作为预测模型不仅可以保证快速性，还可以保证控制精度。改进型单神经元PID控制中引入输出加权的广义预测性能函数作为控制器的目标函数，使控制更为精确、快速。这种方法具有非常快的学习速度，能够得到较小的训练误差和最小规模的权值矩阵，并获得较好的泛化性能。
韩超远[6]2011年在《基于神经网络的内模控制在温度控制系统的研究》文中研究说明温度控制系统是现代大多数工业中一个重要的组成部分,这种系统具有典型的大滞后性、大惯性、非线性等特点。由于滞后的存在严重影响了系统的稳定性和控制性能,而基于精确数学模型的常规控制方法通常难以获得满意的动、静态控制性能,并且系统在运行中参数的时变和外界环境的不确定因素的影响下,使这种系统更加难以控制。因此,研究更为先进的控制算法具有重要的理论意义和现实意义。本文以电加热炉为研究对象,对其特性进行系统分析基础上抽象出该系统的数学模型。基于该模型,着重研究了具有大滞后控制系统的优化算法。主要内容如下:1、基于一些有效时滞控制算法分析的基础上,对Smith预估控制算法和内模控制算法进行重点仿真验证。仿真结果表明,内模控制在时滞控制系统中具有更好的抗干扰性和鲁棒性;由于径向基(RBF)神经网络具有快速学习并能逼近任意非线性函数的优点,本文用径向基网络分别设计内模控制算法中的内部模型和内模控制器,提出基于神经网络的内模控制算法应用在时滞工业控制中;2、本文针对以下两方面进行了改进:首先,模型逆模型的设计方面,本文深入研究了各种辨识的结构并对它们进行了详细的分析,在此基础上提出了改进型逆模型辨识结构并对其进行了仿真验证;其次,RBF网络隐层中心点的确定和权值修正方面,使用了改进的次胜者受罚的自竞争学习算法对中心进行自适应学习,提高了网络的学习速度;针对权值修正使用带有遗忘因子的最小二乘算法,有效防止饱和现象的发生。通过仿真实验表明,改进后的算法应用神经网络内模控制中具有上升时间快、鲁棒性好、抗干扰能力强、无超调等很好的控制效果,并有在线自调整的能力。
张浩[7]2016年在《基于神经网络的惯性平台系统自适应温度控制方法研究》文中认为惯性平台系统中的陀螺等惯性器件的精度受温度影响很大,惯性平台温控系统直接影响着惯性导航系统的精度,因此对惯性平台系统实行精密的温度控制对于提高整个惯性导航的精度有重要意义。本文通过对某型高精度惯性平台系统内部的传热过程进行分析,针对惯性平台温控系统结构复杂、多耦合的情况,采用基于伪随机数的相关分析法建立了系统的数学仿真模型,针对温控回路中存在非线性环节和负载扰动的情况,采用遗传寻优神经网络系统辨识的方法建立系统的在线预测模型,结合单神经元自适应PSD控制器构成单神经元自适应智能控制器,通过仿真和试验验证该控制方法增强了温控系统的抗干扰能力和鲁棒性。本文的主要研究内容包括以下几个方面:首先分析某型高精度惯性平台系统内部台体和惯性仪表的传热过程,推导出惯性平台温控系统内台体和惯性仪表的加热功率和其温度之间的关系矩阵的结构,为了简化计算和方便仿真分析,通过进一步分析简化关系矩阵的结构形式,通过设计伪随机数,获取了辨识的输入输出数据,采用基于伪随机数的相关分析法辨识关系矩阵的参数,建立了惯性平台温控对象的数学模型。其次从解决温控回路中的非线性、模型复杂度和在线获取过程参数的角度出发,采用神经网络系统辨识的方法建立带有神经网络结构的系统的在线预测模型,为了提高神经网络模型的辨识精度,采用遗传算法优化神经网络初始参数,建立了惯性平台温控系统的在线预测模型,为自适应智能控制方法的应用奠定的基础。最后在传统控制器的基础上,为了提高系统的抗干扰能力和鲁棒性,设计了基于二次型性能指标的单神经元自适应PSD智能控制器,结合前向神经网络在线预测模型构成单神经元自适应智能控制器,通过仿真和试验结果表明,该控制方法提高了惯性平台温控系统的抗干扰能力,改善了平台的温控效果。
赵俊[8]2008年在《基于若干智能方法的先进控制系统综合设计研究》文中研究说明现实事物中绝大多数对象都是包含噪声干扰的非线性系统,基于经典控制理论、现代控制理论的传统控制方法往往是针对线性系统设计的,对包含噪声干扰的强非线性、复杂时变系统的应用具有较大的限制。随着人工智能技术的不断发展,以模糊系统、神经网络为代表的智能产物显示出对复杂非线性系统强大的处理能力,一系列基于智能控制理论及方法的控制系统被不断提出和改进,在对复杂对象的控制问题上取得了重大的突破和丰硕的成果。然而,由于各种智能产物的基础理论发展仍不成熟,在应用各种智能控制方法时存在许多值得改进的地方。本论文拟针对基于智能方法的先进控制系统设计提出若干新的参考方法和改进应用方法,具体工作包括以下内容:1.对智能控制理论的背景及发展状况进行了综述,评述了智能控制领域的主要研究方法和获得的成果,阐述了基于智能方法的控制系统综合设计研究的意义和工程实用价值。2.提出一类以模糊神经网络和PID神经网络组成的模糊神经PID网络;提出一种基于混沌优化机制的粒子群优化算法,设计了混沌优化与粒子群结合的两步方案。将上述方法用于控制系统设计,具体构成为:模糊神经PID网络用作控制器,优化策略为带混沌机制的粒子群算法离线优化和误差反传算法在线调整相结合的方法;被控对象为确定性典型非线性和惯性时滞对象。3.提出一种基于最小二乘支持向量机建模的自适应智能PID控制系统。控制系统具体构成:控制器及其优化算法采用模糊神经PID网络和改进粒子群算法的方案;引入最小二乘支持向量机用于离线建模,将控制系统拓展到能处理具有未知特性的不确定对象的控制问题。4.提出一种基于改进蚁群算法优化的大时滞对象神经网络控制系统。控制系统具体构成:控制器采用模糊神经PID网络,其离线优化采用一种改进的蚁群优化算法,在线时采用误差反传算法调整;利用最小二乘支持向量机辨识来获取系统下一离散时间步的预估值,对不确定大时滞对象进行离线辨识和在线辨识来处理时滞和不确定性问题。对空调房间对象进行了控制仿真。同时,设计了基于径向基函数神经网络的空调系统模型参考自适应控制系统,给出了前向型神经网络控制系统设计的一般性方案。5.针对航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID控制各自优点的控制系统。控制系统具体构成:模糊神经PID网络用作控制器,其参数优化策略采用改进蚁群算法离线优化和误差反传在线调整的方法;最小二乘支持向量机用于系统的离线和在线辨识,其参数优化选取采用交叉验证的方法。对某型航空发动机设计点处的线性和非线性模型进行了控制仿真。6.针对航空发动机加速过程的控制问题,通过结合多种智能方法,提出了一种基于分类转换策略的控制系统。控制系统具体构成:模糊神经PID网络用作控制器,提出一种改进的量子粒子群算法离线优化其参数;利用标称模型将加速过程中发动机大范围不确定模型划分为若干小偏差不确定模型,作为未知控制对象;离线时利用最小二乘支持向量机结合主成分分析方法对小偏差模型进行分类和辨识训练,在线时根据系统实时数据利用分类器自动选择相应的小偏差模型,同时利用误差反传算法实时调整控制器参数跟踪期望信号;分类器和辨识器参数分别采用交叉验证和量子粒子群算法优化选取。基于模式识别思想和智能神经网络控制实现了一种新颖的依据系统信息实时选择对象模型的非线性PID控制策略。对某型航空发动机的加速过程进行了控制仿真。7.研究一类系统参数在很大范围内变化的不确定对象,为克服传统鲁棒控制方法的保守设计缺陷并进一步改善系统的性能,提出一种分类转换控制策略:在已知系统参数变化上下界前提下,基于类似分段线性化的思想,将系统进行分割;对于分割后的多个小偏差范围模型,利用最小二乘支持向量机结合主成分分析方法进行分类;对每类模型分别设计滑模控制器,并利用一种改进量子粒子群优化算法离线优化构造近似最佳切换函数,同时利用径向基函数神经网络结合误差反传算法在线调整切换项增益的方法降低系统的抖振;在线时根据系统实时数据利用分类器自动选择相应的小偏差模型和滑模控制器,完成相应的控制作用;为提高最小二乘支持向量机的分类及泛化性能,利用改进量子粒子群算法优化其惩罚因子和核参数。基于以上策略和优化配置,对控制系统进行了设计与仿真。8.针对以模糊神经自适应方法为核心的未知非线性系统控制问题,以常规静态模糊神经网络控制结构为基础,分别就控制器、辨识器、优化算法三个方面展开研究。以模糊神经PID网络作为控制器,最小二乘支持向量机为辨识器,利用改进量子粒子群算法离线优化控制器参数和改进粒子群算法优化辨识器的相关参数,最后通过对系统的稳定性分析将控制系统逐步完善,完成对基于模糊神经网络方法的自适应控制系统中各个环节的改进。对某热交换非线性对象进行了控制仿真。最后对论文的主要工作进行了概括性的总结,阐述了所获得的一般性结论。列出了论文工作的主要创新之处,对后续的研究工作进行了展望。
杨明辉[9]2000年在《基于神经网络的系统辨识方法研究》文中研究表明基于神经网络的系统辨识是当前研究的热点之一，非线性系统的辨识一直是困扰人们辨识工作的一个问题，而神经网络为此提供了一个新的、一般化的、有力的工具。 本文基于BP网络，RBF网络和Hopfield网络，对于系统辨识作了系统的探讨，主要工作如下： BP网络的改进算法，进行系统辨识取得较好的效果；如何选取辨识输入信号以得到尽可能充分的系统响应作了仿真验证；关于网络结构的选取：针对实际问题选取辨识网络输入、隐层节点的个数，本文作了探讨；并且总结使用周期函数作为激活函数进行系统辨识的效果。本文对低阶、高阶、线性、非线性系统都作了辨识仿真，其泛化能力也作了仿真。证明了BP网络具有较全面的系统辨识能力，功能强大，适用面广，泛化能力优良。但它的计算时间长，易陷入局部极小一直是它不易克服的缺点。 RBF网络以其最佳逼近特性，快速，克服了局部极小，并且不用设定隐层节点数的优点受到人们的青睐。本文用RBF网进行系统辨识验证了其快速性，优秀的逼近能力，但它的泛化能力差强人意，本文对此作了探讨与解释。 Hopfield网络是典型的动态网络，目前的系统辨识都是以其用作为状态空间参数的辨识。本文用它进行输入-输出模型辨识，看它是否能应用于此类模型辨识，并对仿真结果作了分析和解释，得到结论。 本文是关于基于神经网络的系统辨识的系统探讨。系统辨识以其在控制、预测、分析、设计和计算机仿真中的重要作用，必有其广阔的发展前景，具有很强的实际意义。
姚巍[10]2008年在《自行车机器人系统辨识及MATLAB仿真》文中提出作为设计各种控制系统的基础,建立高精度的受控对象动力学模型具有重要意义。由于受控对象往往具有时延,非惯性等特点,用传统的方式建立受控对象动力学模型时,往往出现模型精度不高甚至难以建立系统模型的问题,这极大地限制了各种控制理论的应用和控制性能的提高。在自行车机器人控制系统设计这一课题中,为了建立高精度的系统动力学模型以提高控制系统的性能,我们引入系统辨识理论对自行车机器人展开系统辨识。实验仿真结果证明该理论是可行的,并且取得了很高的辨识精度,具有一定的推广价值。本文主要介绍基于ARX模型结构和模糊神经网络模型结构的自行车机器人动力学系统辨识原理及基于MATLAB的仿真实现。文章首先对系统辨识理论的基本原理、经典方法进行介绍,并有针对性地介绍了神经网络系统辨识和模糊模型系统辨识原理;接着对模糊理论及神经网络理论的基本概念、算法结构进行了系统的介绍;在此基础之上,又详细介绍了模糊模型系统辨识具体方法;最后应用前面所述理论及MATLAB系统辨识工具箱,完成了基于ARX模型结构和模糊神经网络模型结构的自行车机器人系统辨识,同时对两种辨识结果进行比较分析,判断不同辨识方法应用于自行车机器人系统辨识时的优缺点。文章的最后还对论文的主要内容进行了总结,并对下一步工作方向进行展望。
参考文献：
[1]. 智能算法在系统辨识中的研究应用[D]. 孙玮. 华北电力大学（河北）. 2008
[2]. 基于神经网络的冷连轧机张力系统辨识与控制研究[D]. 王旭. 东北大学. 2011
[3]. 基于神经网络的飞行器系统辨识方法研究[D]. 黄睿. 西北工业大学. 2002
[4]. 基于神经网络的水下机器人广义预测控制技术研究[D]. 高萍. 哈尔滨工程大学. 2007
[5]. 基于神经网络的非线性时滞系统预测PID控制[D]. 谢彩云. 大连理工大学. 2007
[6]. 基于神经网络的内模控制在温度控制系统的研究[D]. 韩超远. 西华大学. 2011
[7]. 基于神经网络的惯性平台系统自适应温度控制方法研究[D]. 张浩. 中国航天科技集团公司第一研究院. 2016
[8]. 基于若干智能方法的先进控制系统综合设计研究[D]. 赵俊. 西安电子科技大学. 2008
[9]. 基于神经网络的系统辨识方法研究[D]. 杨明辉. 北京工业大学. 2000
[10]. 自行车机器人系统辨识及MATLAB仿真[D]. 姚巍. 北京邮电大学. 2008
标签：自动化技术论文; 自适应论文; 系统辨识论文; 模型预测控制论文; 模糊神经网络论文; 预测模型论文; 网络模型论文; 线性系统论文; 模糊理论论文; 智能算法论文; 系统仿真论文; 模糊算法论文; 网络结构论文; 人工智能论文; 非线性论文; 机器人论文; 张力论文; bp神经网络算法论文;