一、PID神经网络及其非线性动态系统辨识能力分析（论文文献综述）
廖金龙[1]（2020）在《大功率火电机组一次调频能力建模与优化》文中研究表明我国正处于能源结构转型关键时期,改善因大规模新能源接入电网带来的频率波动,提高特高压输电受端电网的低频事故风险应对能力,需提高火电机组一次调频有效性和稳定性。对火电机组功频电液调节系统（Digital Electro-Hydraulic Control System,DEH）和协调控制系统（Coordinated Control System,CCS）进行了精确性建模研究,在此基础上研究了机组一次调频能力的评估方法,进一步地对火电机组的一次调频进行了优化研究。DEH伺服系统建模精确与否直接影响阀门仿真精确性,进而影响大功率机组一次调频功率响应仿真。为了提高建模精确性,针对DEH中伺服系统在实际工作中存在的非线性,提出了一种包含限幅、死区和修正系数的非线性伺服系统新模型。将待辨识参数分成线性参数和非线性参数分别辨识,通过建立三层神经网络辨识线性参数,根据阀门流量特性曲线获得非线性参数。以某1000MW超超临界汽轮发电机组调节系统为建模对象,得出限幅参数为1.05,电液转换器时间常数为0.0203,油动机时间常数为0.294,迟缓率为0.00293,以及修正系数为1.093。基于该模型进行仿真验证,得出仿真曲线与实际曲线几乎一致,其中阀门曲线的拟合度达到98.445%,功率曲线的拟合度为96.986%,表明了参数辨识方法的正确性。采用不考虑非线性的伺服系统模型进行对比,发现仿真曲线存在一定偏差,稳定后阀门开度的误差为5%,功率的误差为1.58%,证明了非线性伺服系统模型具有更高精确性。一次调频功率响应不仅涉及汽轮机阀门开度,还需考虑锅炉能量供应的影响,因此不仅要提高DEH建模精确性,还需结合考虑锅炉和汽轮机进行建模。因而采用黑箱建模和机理建模相结合的方法建立CCS模型用于研究机组一次调频。其中,推导建立了制粉系统、管道压损和汽轮机的传递函数和差分方程模型,并采用遗传算法辨识模型参数。由于锅炉的复杂物态转换、换热过程及大惯性大延迟特性,采用神经网络对其建模。使用实际数据对每个模型进行了仿真验证,仿真曲线和实际曲线每个样本点的误差基本都在-3%3%。基于实际给煤、给水和阀门开度指令,对整体的CCS模型进行仿真验证,得出给煤量、过热器出口压力、主蒸汽压力以及功率的仿真曲线与实际曲线的拟合度均高于90%,验证了CCS模型的正确性。最后,基于该CCS模型仿真了机组的一次调频动态响应,过热器出口压力、主蒸汽压力和功率均与实际值吻合良好,表明模型可用于研究机组的一次调频。研究评估机组一次调频能力有利于掌握区域电力系统的一次调频能力,对于防范电网低频风险具有重要意义。基于上述DEH和CCS建模研究,提出机组一次调频能力评估方法。首先通过DEH和CCS的传递函数耦合模型仿真得出由CCS和DEH协同一次调频是最佳调频控制方式。然后在此基础上仿真分析了几种提升机组调频能力的运行方式如:提升滑压设定值、高加给水旁路、补汽阀补汽以及凝结水节流。进一步地,通过实际机组的一次调频能力试验研究了这些方式的调频效果,结果表明增大主蒸汽调节阀节流对提升机组一次调频能力最直接有效,给水旁路与主蒸汽调节阀结合的调频效果与其相当,且具有持续的负荷维持和提升能力。基于此结论,研究了机组阀门和高加给水旁路的一次调频能力评估方法。对于阀门一次调频能力,分别基于变工况分析和单元机组线性增量数学模型推导出关键映射公式,然后采用神经网络对其建模求解。采用实际运行数据和仿真数据分别进行了验证,预测的主蒸汽压力误差和一次调频能力误差均在合理范围内。针对某电厂超超临界1000MW机组建立EBSILON热力系统模型,研究高加旁路提升机组负荷的能力。分别对高加小旁路、高加混合旁路及高加大旁路等3种旁路方式进行仿真,结果表明旁路最前一级高加才能有效增加机组功率。基于此,仿真得到不同负荷率下功率增量与旁路流量之间的关系曲线,以及旁路前后热耗率与负荷率之间的关系曲线。对比分析机组通过阀门节流调节与高加混合旁路调节的热耗率,表明在保证一次调频能力的基础上,采用高加混合旁路调节能有效的提高机组调频能力和运行经济性。大功率机组一次调频参数是影响自身调频动态稳定与维持电网频率稳定的关键因素,基于一次调频能力的研究,建立以总煤耗量及NOx排放最低为目标函数、以电网一次调频稳定、机组一次调频稳定条件及电网要求的速度不等率范围为约束条件的优化模型,来优化各机组速度不等率设置。采用IEEE300节点模型进行仿真试验,仿真结果表明此算法可以保证机组快速完成一次调频任务,并且具有最佳经济性。将优化模型拓展至深度调峰机组,仿真结果表明需适当突破电网一次调频标准的约束来设置速度不等率。采用该优化方案,有利于提高电力系统一次调频快速性和稳定性。另外,考虑到机组调峰深度与调峰能力在一定程度上不可兼得,为了防范电网低频风险,且使电力系统运行经济的同时具备足够的调峰裕度,提出了考虑一次调频能力的机组负荷优化分配模型,并引入新型正弦余弦算法求解。以某电厂4台机组为例验证模型的有效性,分别采用SCA和遗传算法寻优计算并与自动发电控制指令对比,结果表明SCA的最优解比GA精度更高,而且新模型既能保证足够的一次调频备用容量又有更高经济性。通过仿真得出不同负荷率最优经济成本与一次调频备用容量的关系曲线,总结了此规律对负荷优化分配的指导意义。最后仿真研究低负荷率时的负荷分配,结果表明模型会优先选取经济性较好的机组进行深度调峰,以保证整体最佳经济性。本文对大功率机组一次调频进行纵向研究,首先研究提高了DEH和CCS建模的精确性,以保证一次调频建模的精确性。然后提出了基于神经网络的最大调频能力评估方法和基于EBSILON建模的高加旁路一次调频能力评估方法,可简捷高效的获得机组的一次调频能力。最后提出一种全新的优化策略,将一次调频能力纳入优化的约束条件,使机组在能保证电网足够一次调频能力的基础上,分别实现不同机组速度不等率以及负荷分配的联合优化。研究内容对增强电网消纳新能源发电的能力,提高大功率机组运行灵活性具有重要参考价值。
樊祥文[2]（2020）在《新型十速自动变速箱先导电磁阀建模和测控策略的研究与实现》文中认为近年来,随着国内汽车市场的迅速发展,我国已然成为汽车制造和消费大国。国家发改委在2017年发布的《汽车产业中长期发展规划》中明确提出了要突破汽车关键零部件技术瓶颈,建立安全可控的产业体系的要求。先导电磁阀作为自动变速箱内油路控制的核心元件,是汽车变速箱系统的关键零部件之一,其动态响应速度、压力控制准确性和重复性精度是决定汽车换挡、制动、润滑等性能的关键因素。高性能和高效率的电磁阀性能测控系统又是电磁阀研究开发及生产的关键装备。本文针对新型十速自动变速箱先导电磁阀,展开了包括电磁阀建模在内的一系列测控研究工作,并与企业联合开发了具有国际先进水平的高性能全自动电磁阀测控系统。本文主要研究工作如下:一、基于先导电磁阀的性能参数及其在自动变速箱内的工作原理,明确了测控系统需求,结合机电液控制技术、计算机辅助测试技术和虚拟仪器技术等先进技术,详细地论述了系统设计方案,最终开发了先导电磁阀性能测控系统。以电磁阀的驱动电流和控制压力为例,利用基于数理统计和图表的MSA测量系统分析方法对测控系统进行了测量能力分析,分析结果中测控系统的重复精度能力系数和准确精度能力系数、数据分级指标、测量数据均值及标准偏差均在允许范围内,证明该系统具有较高的测量准确性、稳定性、重复性和再现性精度。二、针对先导电磁阀内部机械、液压和电磁特性相互耦合的特点,提出了一种基于功率键合图的先导电磁阀建模分析方法。依据先导电磁阀内部工作原理,利用该方法绘制出相应的功率键合图,并进一步推导出先导电磁阀的状态方程。在不考虑电磁阀实际工作过程中存在的油液发热和能量耗散等伪功率流现象的情况下,利用20-sim软件对不同输入条件下的电磁阀压力控制特性进行仿真,仿真结果中电磁阀压力与电流及油液温度之间的变化关系和测控系统实验结果基本一致,证明了基于功率键合图的先导电磁阀建模方法的简便性和有效性。三、为了完善先导电磁阀模型,进一步对先导电磁阀的伪功率流部分进行建模,实现对基于功率键合图建立的电磁阀模型的有效补充。由于电磁阀伪功率流模型比较复杂,难以用传统方法对其精确建模,本文基于遗传算法提出了一种改进的多层神经网络来实现伪功率流的快速精确辨识。AMESim和MATLAB的联合仿真结果及测控系统的实验结果证明了所提出辨识方法的有效性,同时在2756)（6、12006）（6和21006）（6三种不同输入压力实验下均能够实现先导电磁阀伪功率流的快速辨识,且辨识误差均稳定在56）(6之内,证明了该辨识方法具有较快的辨识速度和较高的辨识精度。四、由于先导电磁阀模型具有复杂的非线性特征,同时测控系统供油回路中存在内部参数不确定性和外部干扰,给电磁阀供油压力的精确和稳定控制带来了很大困难。本文基于等效控制和切换控制原理设计了快速终端滑模控制器,同时为了削弱滑模变结构带来的控制信号颤动,设计了模糊逻辑控制实时调整其切换控制系数,最终构建了模糊型快速终端滑模控制器。利用Matlab/Simulink进行建模仿真,仿真和实验结果均表明该控制器具有较强的鲁棒自适应性,能够在削弱控制信号颤动的同时,实现先导电磁阀供油压力的快速、精确和稳定控制。本文的相关研究不仅为电磁阀建模和测控方法的研究提供了有力的理论依据和技术保障,而且对电磁阀的设计、开发和控制研究具有重要的意义。同时,对其他自动化测控领域、复杂非线性系统的建模和控制相关技术的理论研究及应用也具有一定的借鉴价值。
陈甫前[3]（2019）在《基于LSSVM方法的污水处理内模PID控制研究》文中指出淡水资源的紧缺和日趋严重的水污染情况,时刻提醒着我们污水处理的必要性。曝气生物滤池（Biological Aerated Filter,BAF）作为污水处理过程中的典型工艺,具有非线性、强耦合和大滞后等特点,这些特点导致了很难建立其精确数学模型,而且现场存在着很多的外部干扰,传统的控制方法很难对其出水指标进行有效的控制。本文以BAF作为研究对象,首先,选取重要的水质参数出水化学需氧量（Chemical Oxygen Demand,COD）和出水氨氮（Ammonia Nitrogen,NH3-N）浓度作为系统的输出,采用“统计产品与服务解决方案”（Statistical Product and Service Solutions,SPSS）软件基于主成分分析法（Principal Component Analysis,PCA）选取对选定输出影响最大的输入,作为本文研究对象的输入,最终选定进水COD和进水NH3-N浓度作为系统的输入,从而将BAF系统简化成一个双输入双输出系统。其次,在研究支持向量机（Support Vector Machine,SVM）理论的基础上,提出采用最小二乘支持向量机（Least Squares Support Vector Machines,LSSVM）来辨识简化后的BAF系统,并通过遗传算法（Genetic Algorithm,GA）来优化LSSVM,从而得到简化后的BAF系统的模型,经仿真实验验证,由GA-LSSVM辨识得到的模型可以作为简化后的BAF系统的模型。然后,因为BAF系统存在耦合特性,所以采用LSSVM直接逆模型方法构建了BAF系统的α阶逆系统（LSSVM同样采用遗传算法来优化）,并将α阶逆系统与原系统串联构成伪线性系统,从而解除了BAF系统的耦合特性。最后,引入内模PID控制来改善控制系统的抗干扰能力和鲁棒性,并做了相应的仿真实验,具体内容包括逆模型辨识实验、解耦实验和系统控制实验,由仿真结果可以看出,本文设计的控制策略跟踪性能好、抗干扰能力强,具有良好的适用性。本文的主要贡献在于:采用SPSS软件基于主成分分析法对BAF系统进行了简化,并通过遗传算法改进的LSSVM来对系统进行辨识和解耦,同时设计了内模PID控制方案,并仿真验证了此方案的可行性。
孙敏敏,秦品乐[4]（2014）在《基于多新息理论的PID神经网络改进算法》文中进行了进一步梳理为了提高非线性动态系统辨识精度,提出一种基于多新息理论的PID神经网络改进算法。对具有时间延迟非线性动态系统,由于采用多新息,充分利用了系统的当前数据和历史数据,较传统的BP算法,本文所提算法在辨识精度和收敛速度方面具有更好的效果。仿真结果表明该算法的有效性。
汪木兰[5]（2010）在《神经网络硬化实现的共性技术在电力传动中应用研究》文中研究说明在概述人工神经网络和神经网络控制发展历程和趋势的基础上,提出了基于专家控制、模糊控制和神经网络控制的电力传动控制系统,并总结出神经网络应用于电力传动控制的七种形式:利用神经网络担当电力传动控制系统中的一个环节或实现一个组成部分的功能;利用神经网络实现电力传动控制系统中的信号检测、参数估计或状态观测以用于实时补偿或闭环反馈控制;利用神经网络辨识电力传动控制系统模型以实现模型参考自适应控制;利用神经网络充当电力传动控制系统中的控制器;利用神经网络实现交流电力传动控制系统的神经网络逆控制;利用神经网络实现电力传动控制系统状态检测与故障诊断;利用神经网络实现电力传动控制系统的复合控制。基于控制观抽象出通用的神经元模型和神经网络连接权值修正的通用学习算法,并分析了Hebb、Perceptron、δ（Delta）、Widrow-Hoff、Correlation、Winner-Take-All、Outstar和Boltzmann等8种常用学习算法的主要特点和选用原则。然后,对Adaline神经元、BP、CMAC和BAM神经网络的拓扑结构及学习算法和应用进行设计和数字仿真。基于FPGA提出了硬化实现神经网络和可重构控制器拓扑结构的技术路线,特别对涉及到的共性核心技术开展了研究,包括:定点数乘/除法运算、浮点数加/减/乘/除法运算、Sigmoid转移函数、神经网络Hebb学习算法的硬化实现。明确定义了四种神经网络系统节点的标准模型:1-1型、n-1型、n-m型和1-m型。系统地阐述了神经网络设计和工程应用的基本步聚,在介绍了神经网络辨识的基础上,总结出六种常用的神经网络控制结构:直接型神经网络控制器（DNNC）、复合型神经网络控制器（CNNC）、自适应型神经网络控制器（ANNC）、逆系统型神经网络控制器（INNC）、监督型神经网络控制器（SNNC）和优化型神经网络控制器（ONNC）,并重点论述了其中的复合型、自适应型和逆系统型等三种形式。同时,对神经网络控制系统稳定性进行了分析和证明。分析了神经网络学习和自学习控制的基本特点,概括了学习控制规律和相应的通用拓扑结构,研究了自学习控制系统的一般性原理及基于规则的产生式自学习控制系统,基于对象模型信息灰色的客观事实引入耦合量的概念,借鉴复杂大系统采用的三级递阶智能控制结构,创新性地提出了基于定量模型和定性模型协同控制的三级递阶智能控制策略、前后台型神经网络自学习电力传动控制系统的基本架构。利用构建的神经网络控制理论和FPGA硬化实现的共性核心技术,实现了BP神经网络信号正向传播、CMAC神经网络控制和离散型BAM神经网络电力变流器故障诊断的具体硬化过程。基于DSP、FPGA和直线电动机自行研制出综合试验系统,通过直线电动机驱动的数控机床伺服系统性能测试结果来验证共性技术的可行性和有效性。
韩冰[6]（2009）在《基于延迟神经网络的非线性时滞系统控制研究》文中进行了进一步梳理本文针对工业过程中常见的时滞系统建模与控制方法进行研究。其目的是在动态神经网络理论的基础上,构建对未知时滞系统的参数辨识与建模方法,进而提出时滞系统的有效控制策略.本文提出两种包含可变延迟时间参数的动态神经网络算法分别用于实现对未知时滞系统的离线和在线辨识。在此基础上分别提出时滞系统控制器的设计方案,并进行相关的理论分析。主要研究内容和研究成果包括:（1）基于通用学习网络自适应算法的非线性时滞系统辨识研究。本文根据通用学习网络在对非线性时滞系统建模过程中表现出的特性,结合网络中延迟参数可以任意设定的特点,提出一种自适应选择延迟时间参数的通用学习网络学习算法。该算法利用通用学习网络的收敛速度对网络中与输出节点相连的分支上的延迟时间参数较为敏感的特性,通过误差评价函数对网络的延迟时间参数进行修正,在保证误差精度的同时加快网络的收敛速度。与此同时,通过该算法优化得到的网络延迟时间参数可以用于时滞系统延迟时间的辨识。此外,本文针对神经网络学习过程中延迟参数变化引起的网络状态扰动问题进行分析,给出网络在状态扰动情况下保持稳定的必要条件。仿真结果证明本文所提出的算法能够有效地实现对包含时滞环节的黑箱非线性系统的建模,并能对系统所包含的时滞环节进行辨识。（2）基于通用学习网络的时滞系统控制研究。针对模型未知的时滞系统控制问题,本文提出一种基于通用学习网络的模型预测控制方法。该方法利用本文提出的通用学习网络自适应算法对模型未知的时滞系统进行离线建模,得到该过程的输入输出模型以及系统的滞后时间,进而将辨识得到的神经网络模型作为模型预测器对时滞系统进行预报。在控制结构上,该方法将内模控制结构与神经网络Smith预估控制方法相结合,在神经网络控制器的作用下实现对模型未知时滞系统的控制。以工业生产过程中常见的pH中和过程为例,本文在对pH中和过程内在机理分析的基础上,对其进行系统建模与控制仿真实验,仿真结果表明本文所提出的控制方法对pH中和过程有较好的控制能力,并且控制系统具有良好的鲁棒性。（3）基于一种新型动态前向神经网络的时滞系统辨识与控制研究。针对动态递归神经网络不适用于在线建模的局限,本文提出一种动态前向神经网络用于时滞系统的在线辨识。根据动态前向神经网络的状态方程,本文给出该神经网络的稳定条件。该网络能够根据误差梯度对网络中的连接权值和延迟时间参数进行在线修正,从而能够在充分逼近时滞系统的同时,对时滞系统的延迟时间进行估计。此外,为改善该动态前向神经网络对模型未知时滞系统建模的泛化能力,本文提出一种改进的微粒群算法用于神经网络的在线训练。该算法通过引入白噪声和Logistic映射解决了一般微粒群算法提前收敛的问题,在改善网络泛化能力的同时能够提高网络的学习效率。在动态前向神经网络对时滞系统辨识的基础上,结合鲁棒容错控制结构,本文提出一种基于动态前向神经网络的非线性预测控制系统。仿真实例证明了本文所提出的控制系统具有较强的鲁棒性,能够对模型未知的非线性时滞系统进行有效的辨识和控制。
毕革新[7]（2009）在《递归神经网络的动态系统辨识及其在船舶运动控制中的应用研究》文中研究指明船舶正朝着大型化、高速化、智能化方向发展,同时船舶航行的密度越来越大,对船舶的操纵性能提出了更高的要求。因而有必要采用新的理论和技术,研究性能更好的船舶操纵控制策略。将神经网络辨识技术应用于船舶运动控制成为近年来研究的一个重要方向。本文对递归神经网络辨识技术进行研究,提出了两种新的递归神经网络学习算法,并对递归神经网络辨识技术在船舶操纵运动控制中的应用进行了探讨。Elman神经网络在系统辨识中得到了广泛的应用。本文对Elman神经网络进行改进,将径向基函数神经网络与Elman神经网络结合构成RBF-Elman神经网络,并将网络输出的延迟信息反馈加入到输入层,构造出基于输出反馈的RBF-Elman递归神经网络。该网络对于时变动态系统具有良好的辨识能力,并且通过对输入层和输出层进行线性连接提高了网络的学习速度。通过对时变系统的辨识验证了该网络的自适应性。根据控制系统对于神经网络在线应用的要求,提出了一种神经网络的序贯学习算法——动态跟踪模型选择算法,得到的径向基函数神经网络具有良好的泛化性能。通过将系统的输出信息进行反馈引入到输入层,构成的递归网络具有良好的动态辨识性能。通过对混沌时间序列的辨识算例验证了其动态适应性能。该算法同时具有调节参数少以及对参数变化鲁棒性好等特点。本文从工程实现控制的角度出发,针对船舶运动非线性和动态时变的特点,提出了基于递归神经网络在线辨识的控制方案。该方案利用递归神经网络学习算法建立的神经网络进行在线系统辨识,有效地跟踪船舶运动的动态特性,并通过辨识信息调整控制参数。本文最后将该控制方案应用于船舶航向跟踪控制,并取得了良好的仿真效果。
刘益剑[8]（2009）在《水轮发电机组BGNN模型辨识控制及控制器参数优化研究》文中研究指明水轮机调节系统是集电气、机械与水力为一体的复杂系统,具有很强的非线性特征,建模和控制及优化问题一直以来受到了研究者的关注。本文对贝叶斯-高斯神经网络、觅食优化算法进行了深入的理论研究和应用分析,提出了水轮发电机组模型辨识和控制以及控制器参数优化设计的新方法,主要研究内容如下：（1）介绍了本课题的研究背景及意义,就水轮机调速系统及控制策略的发展、水轮发电机组的模型辨识、贝叶斯建模技术和觅食优化算法进行了综述,给出了研究目的和章节的结构安排。（2）水轮机调节对象原型试验的方法不可能在研究中得到广泛采用,而借助于计算机对水轮发电机组进行仿真是一种有效手段。论文详细分析了水轮机调节对象的经典数学模型,并利用Matlab环境下的Simulink模块化软件构建了水轮发电机组线性和非线性仿真模型,为论文的算法验证和仿真分析提供了平台。（3）研究了贝叶斯-高斯神经网络的辨识理论,提出了利用群智能优化算法进行贝叶斯-高斯辨识网络的门槛矩阵的离线训练算法,同时提出了基于滑动数据窗口驱动的贝叶斯-高斯神经网络在线辨识算法。通过典型非线性系统的辨识仿真试验,验证了提出的贝叶斯-高斯神经网络的辨识效果。（4）将贝叶斯-高斯神经网络应用于水轮发电机组的模型辨识。通过分析水轮发电机组的辨识问题,进行了水轮发电机组的贝叶斯-高斯神经网络模型结构的设计。也介绍了水轮发电机组的BP神经网络和RBF神经网络的辨识方法,与贝叶斯-高斯神经网络辨识方法进行对比研究。通过仿真试验得出贝叶斯-高斯神经网络用于水轮发电机组的模型辨识,具有设计简单、调整参数少和辨识效果好等优点。（5）以贝叶斯-高斯神经网络模型为在线预测模型,进行水轮机调速系统非线性预测控制策略的设计,并对水轮发电机组进行了非线性预测控制仿真试验,结果验证了基于贝叶斯-高斯网络预估模型的非线性预测控制策略的有效性。（6）对觅食优化算法（Foraging Foraging Optimization, FOA）进行了理论分析,提出了一种改进的E.Coli觅食优化算法（IEFOA）,增加优值跟踪算子,提高了基本觅食优化算法的收敛性,用五个测试函数验证了算法改进的有效性。同时将改进的E.Coli觅食优化算法与水轮机调节系统的控制器参数优化设计相结合,进行了水轮机调节系统的控制器的参数优化设计及仿真试验,验证了改进E.Coli觅食优化算法应用于水轮机调节系统控制器参数优化设计问题的可行性。
赵俊[9]（2009）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。
李明[10]（2007）在《基于动态神经网络的非线性自适应逆控制研究》文中认为自适应逆控制用数字信号处理的理论和方法解决自适应控制的问题，为控制系统设计和研究开辟了一个新颖的途径。自适应滤波技术是自适应逆控制系统设计和实现的基础，现代神经网络技术的发展为非线性自适应逆控制的研究和实现创造了条件。探索和设计合适的动态神经网络结构和算法，构建更加丰富的系统结构等已成为非线性自适应逆控制研究的重点，尤其对动态神经网络的研究为非线性自适应逆控制研究和实现奠定了必要的基础。本文研究了动态神经网络的结构和算法，及基于动态神经网络的非线性自适应逆控制系统，主要研究内容如下：一、在分析研究生物神经元及人工神经元模型结构及功能的基础上，提出了一种新的动态人工神经元模型（DAF神经元），它是一类自适应IIR突触时空神经元模型，它在简化动态神经元模型结构的同时提高了神经元的动态性能和自适应能力。基于DAF神经元模型可以构建一种新的动态神经网络（DAFNN），DAFNN是一种局部反馈动态神经网络，其总体结构仍为前馈神经网络结构。与非线性自适应逆控制系统中常用的反馈神经网络相比，DAFNN的结构和算法都更加简单，而且具有可自适应调节的时间深度和时间分辨率。因此，DAFNN在非线性自适应逆控制中更具应用优势。二、通过对PSO算法结构、稳定性及收敛性的研究，提出了一种以概率1全局收敛PSO算法，并进一步推广为神经网络离线学习算法。该算法通过加强对微粒群最优位置的局部搜索能力，提高了收敛的速度和精度；同时缩小了粒子群规模，提高了运行效率。与传统的BPTT算法相比，该算法无论是收敛速度、精度还是泛化能力，都有明显提高。三、根据信号流图理论，设计并推导了一种神经网络的在线学习算法，并利用Lyapunov稳定性定理分析了算法的稳定性，提出了可以保证算法收敛的自适应学习速率。对于动态神经网络在线学习而言，该算法避免了传统梯度计算中复杂的链式求导过程，利用神经网络的信号流图及其线性的伴随流图，可以直接计算任何变量的梯度信息。并且，自适应的学习速率确保了动态神经网络稳定和算法的收敛。四、结合两种现有非线性自适应逆控制系统的结构特点，提出了一种改进的非线性自适应逆控制系统扰动消除结构，在自适应过程收敛后，该系统能迅速消除输出扰动，且不影响系统自适应过程。最后，提出了一种用于非线性对象控制的近似线性自适应逆控制系统，它利用一组线性自适应LMS滤波器构建系统辨识器、控制器及对象逆模型，从而简化了非线性自适应逆控制系统结构和算法。
二、PID神经网络及其非线性动态系统辨识能力分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、PID神经网络及其非线性动态系统辨识能力分析（论文提纲范文）
（1）大功率火电机组一次调频能力建模与优化（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 主要符号表 |
| 1 绪论 |
| 1.1 课题背景和研究意义 |
| 1.1.1 可再生能源系统接入对电网的冲击 |
| 1.1.2 特高压输电对汽轮机一次调频的影响 |
| 1.1.3 火电机组的一次调频能力降低 |
| 1.2 国内外研究现状 |
| 1.2.1 机组灵活性运行研究现状 |
| 1.2.2 功频电液调节系统研究现状 |
| 1.2.3 协调控制系统研究现状 |
| 1.2.4 火电机组一次调频能力研究现状 |
| 1.2.4.1 阀门一次调频研究 |
| 1.2.4.2 高压加热器调节负荷相关研究 |
| 1.2.4.3 低压加热器调节负荷相关研究 |
| 1.2.4.4 凝结水节流调节负荷研究 |
| 1.2.5 火电机组一次调频优化研究现状 |
| 1.3 本文研究主要内容 |
| 1.3.1 课题来源 |
| 1.3.2 研究内容 |
| 1.4 本章小结 |
| 2 功频电液调节系统和协调控制系统建模及参数辨识 |
| 2.1 功频电液调节系统建模及参数辨识 |
| 2.1.1 非线性伺服系统模型 |
| 2.1.2 连续传递函数的离散化 |
| 2.1.3 基于神经网络的参数辨识 |
| 2.1.4 数据预处理 |
| 2.1.5 参数辨识 |
| 2.1.6 参数辨识结果 |
| 2.1.7 结果验证 |
| 2.1.8 DEH建模和参数辨识方法应用说明 |
| 2.1.9 结论 |
| 2.2 协调控制系统建模及参数辨识 |
| 2.2.1 协调控制系统原理 |
| 2.2.2 制粉系统模型 |
| 2.2.3 锅炉模型 |
| 2.2.4 管道压损模型 |
| 2.2.5 汽轮机模型 |
| 2.2.6 参数辨识和模型仿真 |
| 2.2.6.1 制粉系统参数辨识和验证 |
| 2.2.6.2 锅炉模型求解和验证 |
| 2.2.6.3 管道压损模型参数辨识和验证 |
| 2.2.6.4 汽轮机模型参数辨识和验证 |
| 2.2.6.5 协调控制系统模型整体验证 |
| 2.2.7 CCS建模和参数辨识方法应用说明 |
| 2.2.8 结论 |
| 2.3 本章小结 |
| 3 火电机组一次调频能力分析与评估 |
| 3.1 大功率机组一次调频能力仿真与试验分析 |
| 3.1.1 火电机组一次调频分析 |
| 3.1.1.1 一次调频相关概念 |
| 3.1.1.2 DEH和 CCS一次调频模型 |
| 3.1.1.3 DEH和 CCS单独一次调频 |
| 3.1.1.4 DEH和 CCS协同一次调频 |
| 3.1.1.5 灵活改变机组运行方式 |
| 3.1.2 一次调频能力试验研究 |
| 3.1.2.1 调节阀最大调频能力分析 |
| 3.1.2.2 给水小旁路的一次调频 |
| 3.1.2.3 混合一次调频 |
| 3.1.2.4 试验结果分析 |
| 3.1.3 结论 |
| 3.2 基于神经网络的阀门一次调频能力评估 |
| 3.2.1 调门动态特性分析 |
| 3.2.2 一次调频能力评估方法 |
| 3.2.2.1 一次调频过程变工况分析 |
| 3.2.2.2 基于变工况分析的阀门一次调频能力评估方法 |
| 3.2.2.3 基于单元机组线性增量数学模型的阀门一次调频能力评估方法 |
| 3.2.2.4 阀门一次调频能力评估流程 |
| 3.2.3 一次调频能力仿真结果和验证 |
| 3.2.4 阀门一次调频能力评估方法应用说明 |
| 3.2.5 结论 |
| 3.3 基于EBSILON的高加给水旁路提升负荷能力分析 |
| 3.3.1 基于EBSILON的热力系统建模 |
| 3.3.1.1 EBSILON简介 |
| 3.3.1.2 1000 MW机组EBSILON建模 |
| 3.3.1.3 变工况模型验证 |
| 3.3.2 高加给水旁路仿真分析 |
| 3.3.2.1 高加小旁路仿真分析 |
| 3.3.2.2 高加混合旁路分析 |
| 3.3.2.3 高加大旁路分析 |
| 3.3.2.4 最优高加旁路方式分析 |
| 3.3.3 高加给水旁路提升负荷能力方法应用说明 |
| 3.3.4 结论 |
| 3.4 本章小结 |
| 4 火电机组一次调频优化分析 |
| 4.1 大功率机组一次调频参数优化研究 |
| 4.1.1 一次调频参数分析 |
| 4.1.1.1 一次调频死区的分析及仿真 |
| 4.1.1.2 一次调频响应时间的分析及仿真 |
| 4.1.1.3 速度不等率的分析及仿真 |
| 4.1.2 系统各机组最优速度不等率研究分析 |
| 4.1.2.1 调差系数 |
| 4.1.2.2 电力系统的负荷频率静态特性 |
| 4.1.2.3 机组一次调频能力 |
| 4.1.2.4 各机组最优速度不等率研究 |
| 4.1.3 算例仿真分析 |
| 4.1.4 结论 |
| 4.2 考虑一次调频能力的火电机组负荷优化分配 |
| 4.2.1 火电机组经济性和一次调频能力分析 |
| 4.2.1.1 机组运行经济性分析 |
| 4.2.1.2 机组一次调频能力分析 |
| 4.2.2 考虑一次调频能力的机组负荷优化分配 |
| 4.2.2.1 优化目标 |
| 4.2.2.2 约束条件 |
| 4.2.3 正弦余弦算法 |
| 4.2.4 算例仿真分析 |
| 4.2.5 结论 |
| 4.3 本章小结 |
| 5 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
（2）新型十速自动变速箱先导电磁阀建模和测控策略的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究的目的和意义 |
| 1.3 课题研究现状与分析 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 电磁阀建模和控制方法研究 |
| 1.4.1 建模方法研究 |
| 1.4.2 控制方法研究 |
| 1.5 本文的组织结构及主要研究内容 |
| 第二章 先导电磁阀测控系统的设计与实现 |
| 2.1 引言 |
| 2.2 先导电磁阀工作原理和性能参数 |
| 2.2.1 先导电磁阀的工作原理 |
| 2.2.2 先导电磁阀的性能参数 |
| 2.3 测控系统总体方案设计 |
| 2.3.1 总体结构设计及功能分析 |
| 2.3.2 液压方案设计及功能分析 |
| 2.3.3 电气方案设计及功能分析 |
| 2.4 测控系统的实现及测量能力分析 |
| 2.4.1 MSA测量系统分析方法 |
| 2.4.2 系统实现及测量能力分析 |
| 2.5 本章小结 |
| 第三章 基于功率键合图的先导电磁阀建模研究 |
| 3.1 引言 |
| 3.2 基于功率键合图的建模方法概述 |
| 3.3 先导电磁阀的建模 |
| 3.3.1 功率键合图绘制一般方法 |
| 3.3.2 先导电磁阀的功率键合图 |
| 3.3.3 先导电磁阀状态方程的建立 |
| 3.4 仿真与实验分析 |
| 3.4.1 仿真与分析 |
| 3.4.2 实验与分析 |
| 3.5 本章小结 |
| 第四章 基于伪功率流辨识的先导电磁阀模型补充 |
| 4.1 引言 |
| 4.2 先导电磁阀伪功率流模型的辨识方法选择 |
| 4.2.1 系统辨识方法概述 |
| 4.2.2 基于改进多层神经网络的系统辨识方法 |
| 4.3 基于遗传算法改进多层神经网络的辨识器设计 |
| 4.3.1 多层神经网络设计 |
| 4.3.2 基于遗传算法的改进方法 |
| 4.3.3 辨识器的构建 |
| 4.4 仿真和实验分析 |
| 4.4.1 仿真与分析 |
| 4.4.2 实验与分析 |
| 4.5 本章小结 |
| 第五章 基于模糊滑模的先导电磁阀供油压力鲁棒自适应控制 |
| 5.1 引言 |
| 5.2 模糊滑模控制器概述 |
| 5.3 模糊型快速终端滑模控制器设计 |
| 5.3.1 问题描述 |
| 5.3.2 快速终端滑模控制器设计 |
| 5.3.3 模糊逻辑控制设计 |
| 5.4 仿真与实验分析 |
| 5.4.1 仿真与分析 |
| 5.4.2 实验与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 本文的贡献 |
| 6.3 工作展望 |
| 参考文献 |
| 作者在攻读博士学位期间公开发表的论文 |
| 作者在攻读博士学位期间所参与的项目 |
| 致谢 |
（3）基于LSSVM方法的污水处理内模PID控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及研究现状 |
| 1.1.1 我国水污染现状 |
| 1.1.2 污水处理国内外研究现状 |
| 1.2 研究目的及意义 |
| 1.3 论文的主要内容与任务安排 |
| 第二章 曝气生物滤池工艺及数据预处理 |
| 2.1 污水处理技术简介 |
| 2.2 污水处理排放标准及进出水水质指标 |
| 2.3 曝气生物滤池工艺简介 |
| 2.3.1 曝气生物滤池简介 |
| 2.3.2 曝气生物滤池工艺 |
| 2.3.3 曝气生物滤池的影响因素 |
| 2.4 数据预处理及系统简化 |
| 2.4.1 污水水质参数 |
| 2.4.2 数据预处理 |
| 2.4.3 曝气生物滤池系统的简化 |
| 2.5 本章小结 |
| 第三章 曝气生物滤池系统的辨识建模 |
| 3.1 系统辨识建模概述 |
| 3.1.1 系统辨识的定义及原理 |
| 3.1.2 传统系统辨识建模方法 |
| 3.1.3 系统辨识的分类 |
| 3.1.4 传统系统辨识方法的缺陷 |
| 3.2 支持向量机 |
| 3.2.1 线性可分支持向量机 |
| 3.2.2 非线性支持向量机 |
| 3.2.3 线性回归支持向量机 |
| 3.2.4 非线性回归支持向量机 |
| 3.3 基于遗传算法改进最小二乘支持向量机方法的辨识建模 |
| 3.3.1 最小二乘支持向量机理论 |
| 3.3.2 基于遗传算法改进最小二乘支持向量机方法的辨识建模 |
| 3.4 基于GA-LSSVM方法的污水处理系统模型仿真研究 |
| 3.4.1 BAF系统的GA-LSSVM模型结构 |
| 3.4.2 BAF系统的GA-LSSVM模型仿真实验 |
| 3.5 本章小结 |
| 第四章 曝气生物滤池系统的内模PID控制研究 |
| 4.1 逆系统方法 |
| 4.1.1 逆系统方法基本原理 |
| 4.1.2 逆系统方法的正则性 |
| 4.2 LSSVM直接逆模型控制理论 |
| 4.2.1 LSSVMa阶逆系统的辨识建模 |
| 4.2.2 基于LSSVM的直接逆模型控制 |
| 4.3 内模PID控制理论 |
| 4.3.1 内模控制方法 |
| 4.3.2 内模控制方法的性质 |
| 4.3.3 内模PID控制方法 |
| 4.4 曝气生物滤池系统的内模PID控制研究 |
| 4.4.1 BAF系统的解耦控制研究 |
| 4.4.2 BAF系统的内模PID控制研究 |
| 4.5 本章小结 |
| 第五章 曝气生物滤池控制系统的仿真研究 |
| 5.1 BAF系统的逆系统辨识 |
| 5.2 BAF系统的解耦控制 |
| 5.3 BAF系统的IMC-PID控制 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录A 插图清单 |
| 附录B 表格清单 |
| 附录C 仿真数据 |
| 在校研究成果及参与项目 |
（4）基于多新息理论的PID神经网络改进算法（论文提纲范文）
| 0 引言 |
| 1 PID 神经网络多新息学习算法 |
| 2 仿真实例 |
| 3 结语 |
（5）神经网络硬化实现的共性技术在电力传动中应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 致谢 |
| 插图清单 |
| 表格清单 |
| 第一章 绪论 |
| 1.1 人工神经网络的发展 |
| 1.1.1 1943～1969 年为初创期 |
| 1.1.2 1970～1981 年为过渡期 |
| 1.1.3 1982～1986 年为复兴期 |
| 1.1.4 1987 年至今为发展期 |
| 1.1.5 国内人工神经网络发展状况 |
| 1.2 神经网络控制及其在电力传动中的应用 |
| 1.2.1 神经网络控制 |
| 1.2.2 电力传动智能化发展 |
| 1.2.3 神经网络控制在电力传动中的应用 |
| 1.3 神经网络的实现技术 |
| 1.3.1 神经网络的软件实现 |
| 1.3.2 神经网络的高级开发工具 |
| 1.3.3 神经网络的硬件实现 |
| 1.3.4 神经网络的软件硬化实现 |
| 1.4 选题背景及研究技术路线 |
| 1.4.1 论文选题背景 |
| 1.4.2 论文研究技术路线 |
| 1.5 论文主要工作及论文结构 |
| 1.5.1 论文主要工作 |
| 1.5.2 论文结构 |
| 第二章 神经网络控制典型拓扑结构及算法 |
| 2.1 神经元通用数学模型 |
| 2.1.1 神经元特性 |
| 2.1.2 神经元建模 |
| 2.1.3 神经元数学模型 |
| 2.1.4 神经元转移函数 |
| 2.1.5 基于控制观的通用神经元模型 |
| 2.2 神经网络学习算法 |
| 2.2.1 Hebb 学习算法 |
| 2.2.2 Perceptron(感知器)学习算法 |
| 2.2.3 δ(Delta)学习算法 |
| 2.2.4 Widrow-Hoff 学习算法 |
| 2.2.5 Correlation(相关)学习算法 |
| 2.2.6 Winner-Take-All(胜者为王)学习算法 |
| 2.2.7 Outstar(外星)学习算法 |
| 2.2.8 Boltzmann(概率型)学习算法 |
| 2.2.9 各种学习算法比较与选用 |
| 2.3 Adaline 神经元拓扑结构及学习算法 |
| 2.3.1 Adaline 拓扑结构 |
| 2.3.2 Adaline 学习算法 |
| 2.3.3 Adaline 应用 |
| 2.4 BP 神经网络拓扑结构及学习算法 |
| 2.4.1 BP 神经网络拓扑结构 |
| 2.4.2 BP 神经网络学习算法 |
| 2.4.3 BP 神经网络应用 |
| 2.5 CMAC 神经网络拓扑结构及学习算法 |
| 2.5.1 CMAC 神经网络拓扑结构 |
| 2.5.2 CMAC 神经网络学习算法 |
| 2.5.3 CMAC 神经网络应用 |
| 2.6 BAM 神经网络拓扑结构及学习算法 |
| 2.6.1 BAM 神经网络拓扑结构 |
| 2.6.2 BAM 神网络学习算法 |
| 2.6.3 BAM 神经网络应用 |
| 2.7 本章小结 |
| 第三章 人工神经网络硬化实现共性技术 |
| 3.1 引言 |
| 3.2 ASIC 硬化实现技术路线 |
| 3.2.1 ASIC 实现方式的特点 |
| 3.2.2 ASIC 实现神经网络系统的结构 |
| 3.3 神经网络硬化实现技术路线 |
| 3.3.1 FPGA 实现方式的特点 |
| 3.3.2 FPGA 实现神经元的结构 |
| 3.3.3 FPGA 实现神经元的基本思路 |
| 3.3.4 FPGA 实现过程中需要注意的问题 |
| 3.4 硬化实现中数学运算处理 |
| 3.4.1 定点数乘法运算的实现 |
| 3.4.2 定点数除法运算的实现 |
| 3.4.3 浮点数加减法运算的实现 |
| 3.4.4 浮点数乘法运算的实现 |
| 3.4.5 浮点数除法运算的实现 |
| 3.5 神经网络中Sigmoid 转移函数的硬化实现 |
| 3.5.1 硬件查找表实现方法 |
| 3.5.2 分段近似折线实现方法 |
| 3.5.3 基于 CORDIC 算法的实现方法 |
| 3.5.4 基于 Taylor 级数展开的实现方法 |
| 3.6 神经网络可重构拓扑技术 |
| 3.6.1 神经网络中节点模型分类 |
| 3.6.2 神经网络拓扑结构可重构技术思想 |
| 3.6.3 n-1 型神经网络节点硬化实现 |
| 3.6.4 n-m 型神经网络节点硬化实现 |
| 3.6.5 1-m 型神经网络节点硬化实现 |
| 3.7 神经网络 Hebb 学习算法硬化实现 |
| 3.7.1 Hebb 学习算法硬化实现思路 |
| 3.7.2 Hebb 学习算法硬化实现状态机逻辑图 |
| 3.7.3 Hebb 学习算法硬化实现仿真波形 |
| 3.8 本章小结 |
| 第四章 神经网络控制设计及应用 |
| 4.1 引言 |
| 4.2 基于神经网络的系统辨识 |
| 4.2.1 神经网络系统辨识基本原理 |
| 4.2.2 神经网络系统辨识算法 |
| 4.2.3 神经网络系统辨识逼近能力分析 |
| 4.2.4 神经网络辨识用非线性模型 |
| 4.2.5 神经网络逆系统辨识与建模方法 |
| 4.2.6 神经网络辨识双闭环PWM 调速系统 |
| 4.3 神经网络控制分类及其特点 |
| 4.3.1 直接型神经网络控制器(DNNC) |
| 4.3.2 复合型神经网络控制器(CNNC) |
| 4.3.3 自适应型神经网络控制器(ANNC) |
| 4.3.4 逆系统型神经网络控制器(INNC) |
| 4.3.5 监督型神经网络控制器(SNNC) |
| 4.3.6 优化型神经网络控制器(ONNC) |
| 4.4 复合型神经网络控制器设计与实现 |
| 4.4.1 前馈复合型神经网络控制器(FCNNC) |
| 4.4.2 预测复合型神经网络控制器(PCNNC) |
| 4.4.3 内模复合型神经网络控制器(ICNNC) |
| 4.5 自适应型神经网络控制器设计与实现 |
| 4.5.1 神经网络模型参考自适应控制(NNMRAC) |
| 4.5.2 神经网络自校正控制(NNSTC) |
| 4.6 逆系统型神经网络控制器设计与实现 |
| 4.6.1 逆系统型神经网络控制原理结构 |
| 4.6.2 逆系统型神经网络控制多变量非线性系统实现方法 |
| 4.6.3 逆系统型神经网络控制交流电动机实现方法 |
| 4.7 神经网络控制系统稳定性分析 |
| 4.7.1 神经网络控制系统数学模型构建 |
| 4.7.2 神经网络控制系统稳定性分析 |
| 4.7.3 进一步探讨的工作 |
| 4.8 神经网络控制设计方法及仿真 |
| 4.8.1 神经网络控制设计步聚 |
| 4.8.2 神经网络控制方法选择 |
| 4.8.3 神经网络控制系统数字仿真 |
| 4.9 本章小结 |
| 第五章 基于神经网络控制的学习与自学习策略 |
| 5.1 引言 |
| 5.2 基于神经网络的学习控制 |
| 5.2.1 学习控制及其基本特点 |
| 5.2.2 学习控制规律 |
| 5.2.3 学习控制通用拓扑结构 |
| 5.2.4 神经网络学习控制拓扑结构 |
| 5.3 自学习控制系统及工作机理 |
| 5.3.1 自学习控制系统及其基本特点 |
| 5.3.2 自学习控制系统一般结构 |
| 5.3.3 基于规则的自学习控制系统 |
| 5.4 基于神经网络的自学习控制系统 |
| 5.4.1 复杂大系统特点及其多级多目标控制结构 |
| 5.4.2 三级递阶智能控制结构 |
| 5.4.3 基于定量模型和定性模型协同控制的三级递阶智能控制策略 |
| 5.4.4 前后台型神经网络自学习电力传动控制系统 |
| 5.4.5 探索与深入思考 |
| 5.5 本章小结 |
| 第六章 硬化神经网络在电力传动系统中应用 |
| 6.1 BP 神经网络硬化实现及芯片封装 |
| 6.1.1 BP 神经网络正向传播的硬化实现 |
| 6.1.2 BP 神经网络节点的硬化实现 |
| 6.1.3 BP 神经网络连接权值传输功能实现 |
| 6.1.4 BP 神经网络信号前向传播 FPGA 硬化实现波形 |
| 6.1.5 BP 神经网络 FPGA 硬化实现的芯片封装 |
| 6.2 CMAC 神经网络硬化实现及芯片封装 |
| 6.2.1 CMAC 神经网络硬化实现 |
| 6.2.2 CMAC 神经网络等级量化模块的硬化实现及其波形 |
| 6.2.3 CMAC 神经网络概念映射算法的硬化实现及其波形 |
| 6.2.4 CMAC 神经网络物理映射算法的硬化实现及其波形 |
| 6.2.5 CMAC 神经网络激活单元连接权值读取实现及其波形 |
| 6.2.6 CMAC 神经网络 FPGA 硬化实现波形 |
| 6.2.7 CMAC 神经网络 FPGA 硬化实现的芯片封装 |
| 6.3 BAM 神经网络硬化实现及芯片封装 |
| 6.3.1 BAM 神经网络硬化实现 |
| 6.3.2 BAM 神经网络权值矩阵存储与读取硬化实现及其波形 |
| 6.3.3 BAM 神经网络中 HADAMARD 预处理的硬化实现及其波形 |
| 6.3.4 BAM 神经网络联想回忆功能的硬化实现及其波形 |
| 6.3.5 BAM 神经网络的 FPGA 硬化实现波形 |
| 6.3.6 BAM 神经网络 FPGA 硬化实现的芯片封装 |
| 6.4 神经网络硬化技术和直线伺服系统试验平台构建 |
| 6.4.1 神经网络FPGA 硬化技术开发试验平台 |
| 6.4.2 直线电动机驱动伺服控制试验系统 |
| 6.5 神经网络硬化技术在直线伺服系统中应用研究 |
| 6.5.1 数控机床用直线电动机驱动伺服系统建模 |
| 6.5.2 直线电机伺服系统极点配置控制法 |
| 6.5.3 直线电动机驱动高性能伺服系统试验研究与分析 |
| 6.6 本章小结 |
| 第七章 论文总结及展望 |
| 7.1 论文工作总结 |
| 7.2 论文的主要创新点 |
| 7.3 今后工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的有关学术论文和申请知识产权 |
| 攻读博士学位期间主要参加的有关科研项目 |
（6）基于延迟神经网络的非线性时滞系统控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 时滞系统及其在控制领域的研究历史及现状 |
| 1.1.1 时滞系统的传统控制方法 |
| 1.1.2 时滞系统的现代控制方法 |
| 1.2 模型预测控制建模方法研究概述 |
| 1.2.1 预测控制中常用的建模方法 |
| 1.2.2 模型未知时滞系统延迟时间的辨识研究 |
| 1.3 神经网络在非线性动态系统建模中的应用研究 |
| 1.4 本文主要研究内容和结构安排 |
| 2 通用学习网络自适应算法及其在时滞系统辨识中的应用 |
| 2.1 引言 |
| 2.2 通用学习网络的基本结构和算法 |
| 2.2.1 沿时间反向传播算法 |
| 2.2.2 通用学习网络的基本结构 |
| 2.2.3 通用学习网络的基本算法 |
| 2.2.4 基于通用学习网络的动态系统辨识仿真研究 |
| 2.3 改进的通用学习网络自适应学习算法 |
| 2.3.1 自适应选择延迟时间算法 |
| 2.3.2 递归神经网络的稳定性 |
| 2.3.3 通用学习网络的稳定性分析 |
| 2.3.4 基于通用学习网络自适应学习算法的时滞系统辨识仿真 |
| 2.4 本章小结 |
| 3 基于通用学习网络的非线性时滞系统控制 |
| 3.1 引言 |
| 3.2 基于通用学习网络的非线性时滞系统控制器设计 |
| 3.2.1 基于通用学习网络预测模型的控制系统设计 |
| 3.2.2 基于神经网络的控制器设计 |
| 3.2.3 基于神经网络预测模型的控制系统的稳定性分析 |
| 3.3 基于通用学习网络自适应学习算法的pH中和控制 |
| 3.3.1 pH中和过程控制的研究现状 |
| 3.3.2 pH中和过程 |
| 3.3.3 pH中和过程辨识仿真 |
| 3.3.4 pH中和过程预测控制系统仿真实验 |
| 3.4 本章小结 |
| 4 基于一种动态前向神经网络的时滞系统预测控制 |
| 4.1 引言 |
| 4.2 一种包含动态神经元的动态前向神经网络 |
| 4.2.1 带有动态神经元的动态前向神经网络结构 |
| 4.2.2 基于误差梯度的动态前向神经网络学习算法 |
| 4.2.3 动态前向神经网络的稳定性分析 |
| 4.2.4 基于动态前向神经网络的系统辨识仿真研究 |
| 4.3 基于改进微粒群算法的动态前向神经网络学习算法 |
| 4.3.1 基于Logistic映射的改进微粒群算法 |
| 4.3.2 基于Logistic映射微粒群算法的动态前向神经网络设计 |
| 4.3.3 基于Logistic映射微粒群算法的动态前向神经网络辨识仿真 |
| 4.4 基于动态前向神经网络的预测控制系统设计 |
| 4.4.1 基于动态前向神经网络的误差补偿预测控制系统 |
| 4.4.2 基于神经网络的误差补偿控制系统稳定性分析 |
| 4.5 基于神经网络的误差补偿预测控制系统仿真 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表学术论文情况 |
| 在学期间参加的基金项目 |
| 创新点摘要 |
| 致谢 |
| 作者简介 |
（7）递归神经网络的动态系统辨识及其在船舶运动控制中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 国内外相关领域的研究现状 |
| 1.2.1 系统辨识理论研究现状 |
| 1.2.2 神经网络非线性辨识的研究现状 |
| 1.2.3 船舶运动智能控制的研究现状 |
| 1.3 论文的主要工作和贡献 |
| 1.4 论文内容及结构安排 |
| 第2章 神经网络系统辨识 |
| 2.1 系统辨识简介 |
| 2.1.1 系统辨识的用途 |
| 2.1.2 系统辨识的定义 |
| 2.1.3 系统辨识的基本原理 |
| 2.1.4 系统辨识的基本方法 |
| 2.2 人工神经网络简介 |
| 2.2.1 人工神经网络的基本原理 |
| 2.2.2 人工神经网络的研究现状 |
| 2.3 神经网络系统辨识 |
| 2.3.1 神经网络系统辨识的步骤 |
| 2.3.2 神经网络系统辨识的特点 |
| 2.3.3 神经网络辨识模型结构 |
| 2.3.4 递归神经网络与前向神经网络比较 |
| 第3章 带输出反馈的RBF-Elman神经网络 |
| 3.1 递归神经网络的类型与结构 |
| 3.2 一种基于输出反馈的RBF-Elman网络 |
| 3.2.1 Elman网络原理 |
| 3.2.2 OFRBF-Elman神经网络 |
| 3.3 混沌序列辨识算例研究 |
| 3.4 本章小结 |
| 第4章 动态跟踪模型选择算法 |
| 4.1 径向基函数神经网络简介 |
| 4.1.1 径向基函数神经网络的结构 |
| 4.1.2 RBF神经网络常用学习算法 |
| 4.2 动态跟踪模型选择算法 |
| 4.2.1 算法原理 |
| 4.2.2 算法特点 |
| 4.3 混沌序列辨识算例讨论 |
| 4.4 本章小结 |
| 第5章 基于递归神经网络辨识的船舶运动PID控制 |
| 5.1 船舶运动及干扰的数学模型 |
| 5.1.1 船舶操纵运动方程 |
| 5.1.2 干扰的数学模型 |
| 5.2 基于神经网络辨识的PID控制 |
| 5.2.1 基于神经网络辨识的PID控制综述 |
| 5.2.2 基于神经网络辨识的PID控制器 |
| 5.3 基于递归神经网络辨识的船舶航向跟踪PID控制仿真 |
| 5.4 本章小结 |
| 第6章 结束语 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间公开发表论文 |
| 致谢 |
（8）水轮发电机组BGNN模型辨识控制及控制器参数优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 水轮机调速器及控制策略综述 |
| 1.2.1 水轮机调速器的发展过程 |
| 1.2.2 水轮机控制策略的研究 |
| 1.3 水轮发电机组的系统辨识综述 |
| 1.3.1 系统辨识理论发展和现状 |
| 1.3.2 水轮发电机组的模型辨识 |
| 1.4 贝叶斯网和觅食优化算法综述 |
| 1.4.1 贝叶斯网的发展与现状 |
| 1.4.2 觅食优化算法的发展 |
| 1.5 本文工作介绍 |
| 1.5.1 研究目的 |
| 1.5.2 研究内容 |
| 1.5.3 本文组织结构 |
| 2 水轮机调节对象的数学模型 |
| 2.1 引言 |
| 2.2 水轮机调节对象的数学模型 |
| 2.2.1 水轮机数学模型 |
| 2.2.3 压力引水系统 |
| 2.2.4 电液随动系统 |
| 2.2.5 发电机及电网负荷数学模型 |
| 2.3 水轮发电机组Simulink仿真模型 |
| 2.3.1 水轮发电机组线性仿真模型 |
| 2.3.2 水轮发电机组非线性仿真模型 |
| 2.4 本章小结 |
| 3 贝叶斯-高斯神经网络辨识理论 |
| 3.1 引言 |
| 3.2 贝叶斯-高斯神经网络模型的基本结构 |
| 3.2.1 贝叶斯-高斯推理模型 |
| 3.2.2 贝叶斯-高斯神经网络模型 |
| 3.3 贝叶斯-高斯神经网络训练算法 |
| 3.3.1 群智能优化算法 |
| 3.3.2 门槛矩阵的群智能优化 |
| 3.4 贝叶斯-高斯神经网络在线应用 |
| 3.4.1 贝叶斯-高斯神经网络自适应调整策略 |
| 3.4.2 滑动窗口数据驱动的贝叶斯-高斯神经网络 |
| 3.5 实例仿真 |
| 3.6 本章小结 |
| 4 水轮发电机组模型的贝叶斯-高斯神经网络辨识 |
| 4.1 引言 |
| 4.2 水轮发电机组辨识问题描述 |
| 4.3 基于BGNN的水轮发电机组段建模和辨识 |
| 4.3.1 水轮发电机组段的贝叶斯-高斯辨识网络 |
| 4.3.2 贝叶斯-高斯水轮发电机组段辨识网络结构 |
| 4.4 基于BP神经网络的建模和辨识方法 |
| 4.4.1 BP网络结构及数学描述 |
| 4.4.2 BP网络权值调整 |
| 4.5 基于RBF神经网络的建模和辨识方法 |
| 4.5.1 RBF神经网络结构 |
| 4.5.2 RBF网络参数训练和学习过程 |
| 4.6 水轮发电机组段模型的神经网络辨识 |
| 4.6.1 BP网络辨识 |
| 4.6.2 RBF网络辨识 |
| 4.6.3 贝叶斯-高斯神经网络辨识 |
| 4.6.4 水轮发电机组辨识对比分析 |
| 4.7 本章小结 |
| 5 水轮机调速系统的预测控制策略设计 |
| 5.1 引言 |
| 5.2 预测控制原理 |
| 5.3 基于BGNN预测模型的水轮发电机组预测控制策略 |
| 5.3.1 水轮发电机组预测控制结构 |
| 5.3.2 贝叶斯-高斯神经网络预测模型 |
| 5.3.3 滚动优化 |
| 5.3.4 反馈校正 |
| 5.3.5 预测控制算法流程 |
| 5.3.6 预测控制鲁棒性分析 |
| 5.4 水轮发电机组预测控制仿真 |
| 5.4.1 输入输出贝叶斯-高斯神经网络预测模型 |
| 5.4.2 水轮机调节系统预测控制 |
| 5.5 本章小结 |
| 6 水轮发电机组控制器参数的IEFOA优化设计 |
| 6.1 引言 |
| 6.2 改进E.Coli觅食优化算法(IEFOA) |
| 6.2.1 E.Coli觅食过程 |
| 6.2.2 E.Coli觅食模型和算法 |
| 6.2.3 改进的E.Coli觅食优化策略 |
| 6.2.5 改进E.Coli觅食优化算法流程 |
| 6.3 IEFOA的优化性能分析 |
| 6.3.1 测试基准函数 |
| 6.3.2 算法参数设置 |
| 6.3.3 试验结果及分析 |
| 6.4 IEFOA在水轮发电机组控制器参数优化设计中的应用 |
| 6.4.1 水轮机控制器参数优化问题描述 |
| 6.4.2 基于IEFOA的水轮机PID控制器参数设计 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 进一步工作展望 |
| 参考文献 |
| 攻读博士期间的主要研究成果 |
| 致谢 |
（9）基于若干智能方法的先进控制系统综合设计研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 课题的研究背景 |
| 1.2.1 智能控制的产生和发展 |
| 1.2.2 智能控制的主要特点 |
| 1.3 智能控制系统设计研究的主要内容 |
| 1.3.1 模糊数学 |
| 1.3.2 模糊控制 |
| 1.3.3 人工神经网络 |
| 1.3.4 神经网络控制 |
| 1.3.5 模糊神经控制技术 |
| 1.3.6 控制系统中不确定对象的辨识 |
| 1.3.7 神经网络系统辨识 |
| 1.3.8 控制系统中的优化问题 |
| 1.4 支持向量机 |
| 1.4.1 支持向量机的发展背景和研究现状 |
| 1.4.2 支持向量机在控制领域中的应用研究现状 |
| 1.4.3 支持向量机训练算法的研究现状 |
| 1.5 本文的研究目的、意义和主要工作 |
| 第二章 控制器设计与系统优化算法配置的改进方案 |
| 2.1 引言 |
| 2.2 PID、模糊、模糊PID 控制原理 |
| 2.2.1 PID 控制基本原理 |
| 2.2.2 模糊控制基本原理 |
| 2.2.3 模糊PID 控制基本原理 |
| 2.3 模糊神经PID 控制器设计 |
| 2.4 控制系统的优化算法配置 |
| 2.5 仿真实验 |
| 2.6 小结 |
| 第三章 基于辨识器设计的控制系统拓展方案 |
| 3.1 引言 |
| 3.2 自适应智能PID 控制系统设计 |
| 3.2.1 控制系统框架 |
| 3.2.2 控制器及其优化算法 |
| 3.2.3 辨识器LS_SVM 原理和方法 |
| 3.2.4 数值仿真与结果分析 |
| 3.3 基于PID 神经网络的控制系统设计 |
| 3.3.1 控制系统框架 |
| 3.3.2 控制器及其优化算法 |
| 3.3.3 辨识器设计 |
| 3.3.4 数值仿真与结果分析 |
| 3.4 小结 |
| 第四章 新的优化算法设计与辨识器学习的改进方案 |
| 4.1 引言 |
| 4.2 基于改进ACO 算法的控制系统设计 |
| 4.2.1 控制系统框架 |
| 4.2.2 控制器及其优化算法 |
| 4.2.3 LS_SVM 辨识器设计 |
| 4.2.4 数值仿真与结果分析 |
| 4.3 基于RBF 神经网络的模型参考自适应控制系统设计 |
| 4.3.1 控制系统框架 |
| 4.3.2 控制器及其优化算法 |
| 4.3.3 空调模型的神经网络辨识 |
| 4.3.4 数值仿真与结果分析 |
| 4.4 小结 |
| 第五章 基于各改进环节的控制系统综合应用 |
| 5.1 引言 |
| 5.2 智能神经网络自适应控制系统设计 |
| 5.2.1 控制系统框架 |
| 5.2.2 控制器及其优化算法 |
| 5.2.3 LS_SVM 辨识器设计 |
| 5.2.4 数值仿真与结果分析 |
| 5.3 小结 |
| 第六章 控制策略设计与辨识器参数优选的改进方案 |
| 6.1 引言 |
| 6.2 控制系统综合设计 |
| 6.2.1 控制系统框架 |
| 6.2.2 控制器及其优化算法 |
| 6.2.3 LS_SVM 辨识器设计及其优化配置 |
| 6.2.4 数值仿真与结果分析 |
| 6.2.4.1 系统描述 |
| 6.2.4.2 模型划分和LS_SVM 分类 |
| 6.2.4.3 仿真参数及结果 |
| 6.3 小结 |
| 第七章 控制策略设计与成熟控制理论的综合应用 |
| 7.1 引言 |
| 7.2 控制系统综合设计 |
| 7.2.1 控制系统框架 |
| 7.2.2 控制器和系统优化算法配置 |
| 7.2.2.1 滑模控制器设计 |
| 7.2.2.2 优化算法配置 |
| 7.3 系统仿真 |
| 7.3.1 模型划分 |
| 7.3.2 数值仿真与结果分析 |
| 7.4 小结 |
| 第八章 控制系统各环节的分析、设计、完善与综合应用 |
| 8.1 引言 |
| 8.2 控制器的结构改进策略研究 |
| 8.3 控制器的优化策略分析与设计 |
| 8.4 动态系统辨识方法研究与优化设计 |
| 8.5 控制系统仿真 |
| 8.6 小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士期间发表的论文和参加的科研项目 |
（10）基于动态神经网络的非线性自适应逆控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 相关领域研究概述 |
| 1.3 自适应逆控制概述 |
| 1.4 本文的研究内容和研究工作 |
| 第2章 动态神经网络 |
| 2.1 神经网络基本概念 |
| 2.2 动态神经元 |
| 2.3 DAF神经元 |
| 2.4 动态神经网络 |
| 2.5 DAFNN神经网络 |
| 2.6 动态神经网络的短时记忆 |
| 2.7 动态神经网络学习算法 |
| 2.8 本章小结 |
| 第3章 动态神经网络离线PSO算法 |
| 3.1 基本PSO算法 |
| 3.2 PSO算法稳定性分析 |
| 3.3 改进的全局收敛PSO算法 |
| 3.4 仿真实验 |
| 3.5 神经网络PSO算法 |
| 3.6 仿真研究 |
| 3.7 本章小结 |
| 第4章 动态神经网络在线学习算法 |
| 4.1 信号流图理论 |
| 4.2 动态神经网络基于信号流图的在线学习算法 |
| 4.3 在线算法稳定性分析 |
| 4.4 仿真实例 |
| 4.5 本章小结 |
| 第5章 非线性系统神经网络建模与逆建模 |
| 5.1 非线性系统建模 |
| 5.2 NARX神经网络非线性系统建模 |
| 5.3 PID神经网络非线性系统建模 |
| 5.4 DAFNN神经网络非线性系统建模 |
| 5.5 非线性对象在线辨识仿真研究 |
| 5.6 非线性系统逆建模 |
| 5.7 非线性系统在线逆建模算法 |
| 5.8 非线性系统在线逆建模仿真研究 |
| 5.9 本章小结 |
| 第6章 非线性自适应逆控制系统 |
| 6.1 非线性自适应逆控制概述 |
| 6.2 对象扰动消除 |
| 6.3 非线性自适应逆控制系统基本结构 |
| 6.4 基于传递函数可调NARX神经网络的非线性自适应逆控制系统 |
| 6.5 基于PID神经网络的非线性自适应逆控制系统 |
| 6.6 基于DAFNN神经网络的非线性自适应逆控制系统 |
| 6.7 一种改进的非线性自适应逆控制系统 |
| 6.8 基于自适应LMS滤波器的非线性自适应逆控制系统 |
| 6.9 本章小结 |
| 第7章 结束语 |
| 致谢 |
| 参考文献 |
| 作者在攻读博士学位期间撰写与发表的论文 |
四、PID神经网络及其非线性动态系统辨识能力分析（论文参考文献）
- [1]大功率火电机组一次调频能力建模与优化[D]. 廖金龙. 浙江大学, 2020(07)
- [2]新型十速自动变速箱先导电磁阀建模和测控策略的研究与实现[D]. 樊祥文. 上海大学, 2020(02)
- [3]基于LSSVM方法的污水处理内模PID控制研究[D]. 陈甫前. 安徽工业大学, 2019(02)
- [4]基于多新息理论的PID神经网络改进算法[J]. 孙敏敏,秦品乐. 网络安全技术与应用, 2014(02)
- [5]神经网络硬化实现的共性技术在电力传动中应用研究[D]. 汪木兰. 合肥工业大学, 2010(06)
- [6]基于延迟神经网络的非线性时滞系统控制研究[D]. 韩冰. 大连理工大学, 2009(09)
- [7]递归神经网络的动态系统辨识及其在船舶运动控制中的应用研究[D]. 毕革新. 大连海事大学, 2009(09)
- [8]水轮发电机组BGNN模型辨识控制及控制器参数优化研究[D]. 刘益剑. 武汉大学, 2009(09)
- [9]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, 2009(08)
- [10]基于动态神经网络的非线性自适应逆控制研究[D]. 李明. 南京理工大学, 2007(06)