CN103399487A - 一种基于非线性多入多出mimo***的解耦控制方法及其装置 - Google Patents
一种基于非线性多入多出mimo***的解耦控制方法及其装置 Download PDFInfo
- Publication number
- CN103399487A CN103399487A CN2013103228424A CN201310322842A CN103399487A CN 103399487 A CN103399487 A CN 103399487A CN 2013103228424 A CN2013103228424 A CN 2013103228424A CN 201310322842 A CN201310322842 A CN 201310322842A CN 103399487 A CN103399487 A CN 103399487A
- Authority
- CN
- China
- Prior art keywords
- module
- output
- input
- neural network
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提出了一种基于非线性多入多出MIMO***的解耦控制方法和装置,其包括:输入模块、神经网络模块、神经网络逆模块、控制模块和延时模块。其中,将神经网络逆模块的输出信号输入控制模块和神经网络模块;所述控制模块与所述神经网络模块在相同的输入信号下,两者的输出信号输入到输出模块;输出模块根据所述控制模块与所述神经网络模块的输出信号生成扰动信号;所述扰动信号经过延时处理后输入神经网络逆模块,经过控制模块后,输入所述输出模块。通过本发明的方法和装置,提高了对非线性MIMO***的解耦控制的速度和稳定性。
Description
技术领域
本发明涉及电力***控制技术领域,尤其涉及一种基于非线性多入多出MIMO***的解耦控制方法及其装置。
发明背景
在实际的工业生产过程中,尤其是在电力***中,控制对象都是未知时变的,如果不能够得到适当的控制,无论是在经济效益上,还是在人身安全上都会造成巨大的隐性威胁。因此,随着控制理论的发展,多种控制手段和新型控制策略也蓬勃发展:有的是在经典的控制方法上进行改进;有的是在应用上不成熟的新方法;也有将一个或多个方法相结合,取其精华,将其缺点最小化的复合控制方案。
在对热工对象进行控制时,许多控制方案都有被尝试,如:PID控制及参数自整定,用神经网络优化PID参数的协调控制;非线性内模控制,预测控制,取得了满意的效果;特别是智能控制和逆***方法的提出对于控制理论的研究具有重大的意义,应用到协调控制的研究时,满足了对控制高精度的要求,以及对非线性***更加逼近的期望等。智能控制有很多分支,并不是单一的,如智能控制包含了模糊控制,神经网络控制,遗传算法,专家控制;而逆***也有神经网络逆等。这两种方法是近年来应用较为频繁的方法,智能控制的应用上,模糊控制和神经网络多被采用。此外,在实际的工业生产中,逆方法早已被多样化,各有特色。
随着控制研究的发展,单一的控制策略在对***控制时,不可避免会出现不足之处,已经无法满足对控制精度和控制效果的要求,因此,就产生了一种新的方法,即根据控制对象的特点和控制要求将几种满足要求的控制策略进行综合,组成复合的控制方法。该方法已经应用于实践,且取得了令人满意的效果。基于多种控制策略综合的控制方法在协调控制中的应用研究已成为专家学者关注的热点。仿真结果表明,复合控制方法的鲁棒性好,抗干扰能力强,自适应控制效果良好。
自适应控制方法的本质是在线识别模型参数,这在某种程度上解决了不确定性问题。神经网络具有自学习、自组织以及逼近任意非线性映射的能力,加上其自身的结构和多输入多输出的特点,使其与其他非线性函数逼近方法相比更为有效,成为了多变量非线性***识别的一个有力工具。如果能够将可实现***的线性化和解耦的逆***方法与具有对未知非线性***逼近能力的神经网络方法相结合,构造出适合于工程应用的神经网络***,则可发挥两者之长。
发明内容
因此,考虑到神经网络对非线性对象有较强的逼近能力和自适应控制的逆模型作为控制器的特点,本发明将神经网络***方法和自适应控制方法结合起来引入到控制对象的控制中,即MIMO***的解耦控制中。
本发明提出了一种基于非线性多入多出MIMO***的解耦控制方法,其包括以下步骤:
接收输入信号;
将所述输入信号以及经延时处理后的输出信号输入神经网络逆模块进行处理;
将神经网络逆模块的输出信号输入控制模块和神经网络模块;
所述控制模块与所述神经网络模块在相同的输入信号下,两者的输出信号输入到输出模块;
输出模块根据所述控制模块与所述神经网络模块的输出信号生成扰动信号;
所述扰动信号经过延时处理后输入神经网络逆模块,经过控制模块后,输入所述输出模块;
其中将所述***输入信号以及经延时处理后的输出信号输入神经网络逆模块进行处理包括以下步骤:
(1)确定神经网络逆模型的结构;
(2)获取神经网络的训练样本;
设fs为采样频率,τs为采样时间,N为采样的样本数,采样数据中能够覆盖的最大频率为ωmax=2π·fs/2=π/τs;采样数据中的频率分辨率为ωres=2π·(fs/2)/(N/2)=2π/Nτs;
(3)对训练样本进行归一化处理;
(4)神经网络逆建模,其包括以下步骤:
设第j个隐层神经元的输出为:
其中,Xk=(x1k,x2k,...,xnk)T∈Rn为第k个输入向量,n为输入层神经元个数;Rj(Xk)是隐层第j个神经元的输出,cj是为第j个高斯函数的神经元中心,即第j个隐层节点的中心,δj是中心基宽参数,m是隐层神经元的个数,||·||为欧氏范数,u为n维向量;G(·)为径向基函数,具有中心径向对称的特点,离中心点的距离越近输出的数值则越大,对称中心的输出值越大,第k个神经元的输出为yk,即
其中,wkj是连接隐层神经元j和输出神经元k的连接权值,
假设整个网络的输出为:
网络的期望输出值是ud,则输出层误差为
e=ud-u
取目标函数为
则,
输出层权值的更新表达式为:
wkj(k+1)=wkj(k)+Δwkj(k)=wkj(k)+η(ud-u)Rj(Xk);
隐层中心的表达式为:
式中,η,μ为常量,bk为第k个输出节点的阈值。
另外,本发明还提出了一种基于非线性多入多出MIMO***的解耦控制装置,其包括:
输入模块,用来接收输入信号;
神经网络模块,其用来构建神经网络模型;
神经网络逆模块,其用来构建神经网络逆模型;
控制模块,其用于产生控制信号,对被控对象进行解耦控制;
延时模块,用于对信号进行延时处理。
其中,将神经网络逆模块的输出信号输入控制模块和神经网络模块;
所述控制模块与所述神经网络模块在相同的输入信号下,两者的输出信号输入到输出模块;
输出模块根据所述控制模块与所述神经网络模块的输出信号生成扰动信号;
所述扰动信号经过延时处理后输入神经网络逆模块,经过控制模块后,输入所述输出模块。
本发明的方法和装置需要很少的先验知识,并不需要获知被控对象的数学模型,其对非线性***良好的跟踪性能,稳态精度高,抗干扰能力强,并具有良好的鲁棒性,提高了对非线性MIMO***的解耦控制的速度和稳定性。
附图说明
图1为与本发明一致的2输入2输出***原理图;
图2为与本发明一致的基于非线性多入多出MIMO***的解耦控制装置。
具体实施例
实施例一
对于2输入2输出***,如果非线性***Σ1可以用传递函数 输入为U=[u1 u2]T,输出为Y=[y1 y2]T,其耦合情况如图1所示,那么该***的逆*** 满足G(s)g(s)=I,其中I为单位阵,这样就实现了非线性二阶***的解耦控制。同理,对多阶***也能实现相应的解耦控制。
实施例二
在该实施例中,描述神经网络逆模型的实现。步骤如下:
(1)确定神经网络逆模型的结构;
(2)获取神经网络的训练样本;
确定合适的采样频率和采样数据量。设fs为采样频率,τs为采样时间,N为采样的样本数。采样数据中能够覆盖的最大频率为ωmax=2π·fs/2=π/τs;采样数据中的频率分辨率(最小频率)为ωmin=2π·(fs/2)/(N/2)=2π/Nτs。根据***的实际要求可以确定出ωmax和ωmin,从而确定出τs和N,对样本数据进行预处理,剔除不良数据。
(3)神经网络的训练样本集的构造;
将采样和经过预处理后的结果组合成神经网络训练样本,构成神经网络的输入样本集和期望输出样本集。对训练样本进行归一化处理。
(4)神经网络逆建模。
使用径向基函数作为神经网络隐层单元的节点激活函数,构成隐含层函数空间,对隐单元输出的加权求和得到网络的输出。径向基函数是一种常见的前馈式神经网络,是最优非线性函数逼近器,具有三隐层,即输入层、隐层和输出层。输入节点到隐层节点之间的连接权值恒为1,隐层节点的函数一般选高斯函数。隐层与输出层之间通过权值相连。隐层激活函数是径向对称的核函数,通常采用高斯核函数。径向基函数神经网络主要分两步来实现其功能:第一步,确定各隐函数的中心向量及其宽度参数;第二步,确定隐含层到输出层的权值。
径向基函数网络的具体结构和函数描述如下:
设第j个隐层神经元的输出为:
其中,Xk=(x1k,x2k,...,xnk)T∈Rn为第k个输入向量,n为输入层神经元个数;Rj(Xk)是隐含层第j个神经元的输出,cj是为第j个高斯函数的神经元中心,δj是中心基宽参数,m是隐层神经元的个数,||·||为欧氏范数。第k个神经元的输出为yk,即
其中,wkj是连接隐层神经元j和输出神经元k的连接权值。
训练该神经网络是为了调节高斯函数的中心cj和基宽参数δj以及权值wkj得到最小均方误差。
通过最小化目标函数对各隐层节点的数据中心、基宽参数和输出权值进行训练和调节来对该神经网络进行梯度训练。设神经网络学习的目标函数为:
式中,误差信号ei定义为
式中,Φj(Xi)是高斯函数,N为样本数,yi表示第i个样本的期望输出。
网络学习的目标是为了得到网络的参数,包括径向基函数的数据中心cj和基宽参数δj以及输出权值wkj,通过学习训练使得误差函数达到极小。如果网络的激活函数是高斯基函数,求解上述问题,则表示为:
目标函数对权值的偏导数
(式5)
目标函数对径向基函数的数据中心的偏导数
(式6)
误差函数对基宽参数的偏导数
(式7)
径向基函数对中心的偏导数
(式8)
径向基函数对基宽参数的偏导数
(式9)
考虑所有训练样本的影响,径向基函数网络的隐层中心,基宽参数和输出层权值的调节量为
(式10)
(式11)
(式12)
式中,η1,η2,η3是学习率。
实施例三
如图2所示,为与本发明一致的基于非线性多入多出MIMO***的解耦控制装置,如图2中1为该解耦控制装置。
输入模块,用来接收输入信号,还用于产生对神经网络模块和神经网络逆模块的采样信号;
神经网络模块,其用来构建神经网络模型;
神经网络逆模块,其用来构建神经网络逆模型;
控制模块,其用于产生控制信号,对被控对象进行解耦控制;
延时模块,用于对信号进行延时处理。
其中,输入信号输入神经网络逆模块;
将神经网络逆模块的输出信号输入控制模块和神经网络模块;
所述控制模块与所述神经网络模块在相同的输入信号下,两者的输出信号输入到输出模块;
输出模块根据所述控制模块与所述神经网络模块的输出信号生成扰动信号;
所述扰动信号经过延时处理后经输入模块输入到神经网络逆模块,经过控制模块后,至所述输出模块。
其中,输入模块输出采样信号,到控制模块和神经网络模块,两者都输出至输出模块,从而形成神经网络建模闭环电路。
其中,输入模块输出采样信号到神经网络模块,经由延时模块和神经网络逆模块,并与输出模块形成神经网络逆建模闭环电路。
神经网络模块和控制模块在相同的输入激励下,两者的输入相减等于干扰n(k),这个干扰n(k)经过延时模块处理后,输入给神经网络逆模块,再经过控制模块后与干扰n(k)求和来消除干扰n(k)。
用神经网络进行对象逆模型的识别。网络的输入是对象的输出指令和对象的输入指令,网络的输出是隐层的输出加权和。网络的隐层的选取需要通过对网络的训练来完成。
径向基函数网络隐层第j个节点的输出为
Rj(Xk)=G(||u-cj||) (式13)
式中,u为n维向量;cj为第j个隐层节点的中心,j=1,2,...,m;||·||为欧氏范数;G(·)为径向基函数,具有中心径向对称的特点,离中心点的距离越近输出的数值则越大,对称中心的输出值越大。
在网络的输出层中,第k个节点的输出可以用数学式表示为:
(式14)
式中,wkj是隐层节点j与输出yk的连接权;bk为第k个输出节点的阈值。
径向基函数网络从隐层到输出层为非线性映射关系,因此整个网络的输出为:
假设网络的期望输出值是ud,则输出层误差为
e=ud-u (式16)
取目标函数为
可得
所以
最后得到输出层权值的更新表达式为:
wkj(k+1)=wkj(k)+Δwkj(k)=wkj(k)+η(ud-u)Rj(Xk)21)
网络隐层中心的学习算法,如下:
同上可推导得出
其中
由此可以得出隐层中心的学习方法为
(式26)
实施例四
与本发明一致的基于非线性多入多出MIMO***的解耦控制方法,其包括以下步骤:
接收输入信号;
将所述输入信号以及经延时处理后的输出信号输入神经网络逆模块进行处理;
将神经网络逆模块的输出信号输入控制模块和神经网络模块;
所述控制模块与所述神经网络模块在相同的输入信号下,两者的输出信号输入到输出模块;
输出模块根据所述控制模块与所述神经网络模块的输出信号生成扰动信号;
所述扰动信号经过延时处理后输入神经网络逆模块,经过控制模块后,输入所述输出模块;
其中将所述***输入信号以及经延时处理后的输出信号输入神经网络逆模块进行处理包括以下步骤:
(1)确定神经网络逆模型的结构;
(2)获取神经网络的训练样本;
设fs为采样频率,τs为采样时间,N为采样的样本数,采样数据中能够覆盖的最大频率为ωmax=2π·fs/2=π/τs。采样数据中的频率分辨率(最小频率)为ωmin=2π·(fs/2)/(N/2)=2π/Nτs;
(3)对训练样本进行归一化处理;
(4)神经网络逆建模,其包括以下步骤:
设第j个隐层神经元的输出为:
其中,Xk=(x1k,x2k,...,xnk)T∈Rn为第k个输入向量,n为输入层神经元个数;Rj(Xk)是隐层第j个神经元的输出,cj是为第j个高斯函数的神经元中心,即第j个隐层节点的中心,δj是中心基宽参数,m是隐层神经元的个数,||·||为欧氏范数,u为n维向量;G(·)为径向基函数,具有中心径向对称的特点,离中心点的距离越近输出的数值则越大,对称中心的输出值越大,第k个神经元的输出为yk,即
其中,wkj是连接隐层神经元j和输出神经元k的连接权值,
假设整个网络的输出为:
网络的期望输出值是ud,则输出层误差为
e=ud-u
取目标函数为
则,
输出层权值的更新表达式为:
wkj(k+1)=wkj(k)+Δwkj(k)=wkj(k)+η(ud-u)Rj(Xk);
隐层中心的表达式为:
式中,η,μ为常量,bk为第k个输出节点的阈值。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于非线性多入多出MIMO***的解耦控制方法,其包括以下步骤:
接收输入信号;
将所述输入信号以及经延时处理后的输出信号输入神经网络逆模块进行处理;
将神经网络逆模块的输出信号输入控制模块和神经网络模块;
所述控制模块与所述神经网络模块在相同的输入信号下,两者的输出信号输入到输出模块;
输出模块根据所述控制模块与所述神经网络模块的输出信号生成扰动信号;
所述扰动信号经过延时处理后经输入模块输入到神经网络逆模块,经过控制模块后,至所述输出模块;
其中将所述输入信号以及经延时处理后的输出信号输入神经网络逆模块进行处理包括以下步骤:
(1)确定神经网络逆模型的结构;
(2)获取神经网络的训练样本;
设fs为采样频率,τs为采样时间,N为采样的样本数,采样数据中能够覆盖的最大频率为ωmax=2π·fs/2=π/τs;采样数据中的频率分辨率为ωres=2π·(fs/2)/(N/2)=2π/Nτs;
(3)对训练样本进行归一化处理;
(4)神经网络逆建模,其包括以下步骤:
设第j个隐层神经元的输出为:
其中,Xk=(x1k,x2k,...,xnk)T∈Rn为第k个输入向量,n为输入层神经元个数;Rj(Xk)是隐层第j个神经元的输出,cj是为第j个高斯函数的神经元中心,即第j个隐层节点的中心,δj是中心基宽参数,m是隐层神经元的个数,||·||为欧氏范数,u为n维向量;G(·)为径向基函数,具有中心径向对称的特点,离中心点的距离越近输出的数值则越大,对称中心的输出值越大,第k个神经元的输出为yk,即
其中,wkj是连接隐层神经元j和输出神经元k的连接权值,
假设整个网络的输出为:
网络的期望输出值是ud,则输出层误差为
e=ud-u
取目标函数为
则,
输出层权值的更新表达式为:
wkj(k+1)=wkj(k)+Δwkj(k)=wkj(k)+η(ud-u)Rj(Xk);
隐层中心的表达式为:
式中,η,μ为常量,bk为第k个输出节点的阈值。
2.一种基于非线性多入多出MIMO***的解耦控制装置,其包括:
输入模块,用来接收输入信号;
神经网络模型模块,其用来构建神经网络模型;
神经网络逆模块,其用来构建神经网络逆模型;
控制模块,其用于产生控制信号,对被控对象进行解耦控制;
其特征在于:
将神经网络逆模块的输出信号输入控制模块和神经网络模块;
所述控制模块与所述神经网络模块在相同的输入信号下,两者的输出信号输入到输出模块;
输出模块根据所述控制模块与所述神经网络模块的输出信号生成扰动信号;
所述扰动信号经过延时处理后经输入模块输入到神经网络逆模块,经过控制模块后,至所述输出模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310322842.4A CN103399487B (zh) | 2013-07-30 | 2013-07-30 | 一种基于非线性多入多出mimo***的解耦控制方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310322842.4A CN103399487B (zh) | 2013-07-30 | 2013-07-30 | 一种基于非线性多入多出mimo***的解耦控制方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103399487A true CN103399487A (zh) | 2013-11-20 |
CN103399487B CN103399487B (zh) | 2015-10-21 |
Family
ID=49563130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310322842.4A Expired - Fee Related CN103399487B (zh) | 2013-07-30 | 2013-07-30 | 一种基于非线性多入多出mimo***的解耦控制方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103399487B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105301961A (zh) * | 2015-10-29 | 2016-02-03 | 中国科学院长春光学精密机械与物理研究所 | 一种基于rbf神经网络的大口径转台***模型辨识方法 |
CN105867125A (zh) * | 2016-04-07 | 2016-08-17 | 中国中化股份有限公司 | 炼化装置耦合单元的优化控制方法及装置 |
CN105958824A (zh) * | 2016-05-03 | 2016-09-21 | 广西大学 | boost变换器的大信号分解解耦控制方法以及装置 |
CN107729998A (zh) * | 2017-10-31 | 2018-02-23 | 中国科学院计算技术研究所 | 一种用于神经网络处理器的方法 |
CN107832840A (zh) * | 2017-10-31 | 2018-03-23 | 中国科学院计算技术研究所 | 一种用于神经网络处理器的方法 |
CN107844051A (zh) * | 2017-12-12 | 2018-03-27 | 浙江大学 | Siso全格式无模型控制器基于***误差的参数自整定方法 |
CN107942674A (zh) * | 2017-12-12 | 2018-04-20 | 浙江大学 | Mimo基于siso全格式无模型控制器与***误差的解耦控制方法 |
CN107942656A (zh) * | 2017-11-06 | 2018-04-20 | 浙江大学 | Siso偏格式无模型控制器基于***误差的参数自整定方法 |
CN107942655A (zh) * | 2017-11-06 | 2018-04-20 | 浙江大学 | Siso紧格式无模型控制器基于***误差的参数自整定方法 |
CN107942654A (zh) * | 2017-11-06 | 2018-04-20 | 浙江大学 | Siso偏格式无模型控制器基于偏导信息的参数自整定方法 |
CN107991865A (zh) * | 2017-11-24 | 2018-05-04 | 浙江大学 | Mimo基于siso紧格式无模型控制器与***误差的解耦控制方法 |
CN107991866A (zh) * | 2017-11-24 | 2018-05-04 | 浙江大学 | Mimo基于siso紧格式无模型控制器与偏导信息的解耦控制方法 |
CN108037034A (zh) * | 2017-12-21 | 2018-05-15 | 山东大学 | 砂轮磨削性能的多传感器在线检测及数据处理*** |
CN108052006A (zh) * | 2017-12-12 | 2018-05-18 | 浙江大学 | Mimo基于siso全格式无模型控制器与偏导信息的解耦控制方法 |
CN108062021A (zh) * | 2017-12-12 | 2018-05-22 | 浙江大学 | Siso全格式无模型控制器基于偏导信息的参数自整定方法 |
CN108073072A (zh) * | 2017-11-06 | 2018-05-25 | 浙江大学 | Siso紧格式无模型控制器基于偏导信息的参数自整定方法 |
CN108107722A (zh) * | 2017-11-24 | 2018-06-01 | 浙江大学 | Mimo基于siso偏格式无模型控制器与***误差的解耦控制方法 |
CN108107721A (zh) * | 2017-11-24 | 2018-06-01 | 浙江大学 | Mimo基于siso偏格式无模型控制器与偏导信息的解耦控制方法 |
CN108132600A (zh) * | 2017-12-04 | 2018-06-08 | 浙江大学 | Mimo紧格式无模型控制器基于偏导信息的参数自整定方法 |
CN108153151A (zh) * | 2017-12-12 | 2018-06-12 | 浙江大学 | Mimo全格式无模型控制器基于***误差的参数自整定方法 |
CN108170029A (zh) * | 2017-12-12 | 2018-06-15 | 浙江大学 | Mimo全格式无模型控制器基于偏导信息的参数自整定方法 |
CN108287471A (zh) * | 2017-12-04 | 2018-07-17 | 浙江大学 | Mimo偏格式无模型控制器基于***误差的参数自整定方法 |
CN108287470A (zh) * | 2017-12-04 | 2018-07-17 | 浙江大学 | Mimo偏格式无模型控制器基于偏导信息的参数自整定方法 |
CN108345213A (zh) * | 2017-12-04 | 2018-07-31 | 浙江大学 | Mimo紧格式无模型控制器基于***误差的参数自整定方法 |
CN108536016A (zh) * | 2018-04-19 | 2018-09-14 | 北京联合大学 | 一种基于模糊逆模型的网络化控制方法 |
CN108672025A (zh) * | 2018-06-28 | 2018-10-19 | 东北大学 | 一种钢球磨煤制粉***的多工况最优解耦控制方法 |
CN110112571A (zh) * | 2019-04-10 | 2019-08-09 | 电子科技大学 | 一种基于神经网络逆建模的天线设计方法 |
CN110378467A (zh) * | 2019-06-17 | 2019-10-25 | 浙江大学 | 一种针对深度学习网络参数的量化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6078857A (en) * | 1995-10-19 | 2000-06-20 | Hyundai Motor Company | Apparatus for deciding a shift pattern suitable for a driver's driving habit using neural network operation and fuzzy inference and a control method thereof |
WO2005013019A2 (en) * | 2003-07-25 | 2005-02-10 | Yamaha Motor Co., Ltd | Soft computing optimizer of intelligent control system structures |
CN102354104A (zh) * | 2005-09-19 | 2012-02-15 | 克利夫兰州立大学 | 控制器、观测器及其应用 |
CN103064292A (zh) * | 2013-01-15 | 2013-04-24 | 镇江市江大科技有限责任公司 | 基于神经网络逆的生物发酵自适应控制***及控制方法 |
-
2013
- 2013-07-30 CN CN201310322842.4A patent/CN103399487B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6078857A (en) * | 1995-10-19 | 2000-06-20 | Hyundai Motor Company | Apparatus for deciding a shift pattern suitable for a driver's driving habit using neural network operation and fuzzy inference and a control method thereof |
WO2005013019A2 (en) * | 2003-07-25 | 2005-02-10 | Yamaha Motor Co., Ltd | Soft computing optimizer of intelligent control system structures |
CN102354104A (zh) * | 2005-09-19 | 2012-02-15 | 克利夫兰州立大学 | 控制器、观测器及其应用 |
CN103064292A (zh) * | 2013-01-15 | 2013-04-24 | 镇江市江大科技有限责任公司 | 基于神经网络逆的生物发酵自适应控制***及控制方法 |
Non-Patent Citations (1)
Title |
---|
段玉波等: "带优选聚类算法的RBF网络辨识器及应用", 《控制与决策》, vol. 18, no. 2, 31 March 2003 (2003-03-31) * |
Cited By (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105301961A (zh) * | 2015-10-29 | 2016-02-03 | 中国科学院长春光学精密机械与物理研究所 | 一种基于rbf神经网络的大口径转台***模型辨识方法 |
CN105867125B (zh) * | 2016-04-07 | 2019-01-01 | 中国中化股份有限公司 | 炼化装置耦合单元的优化控制方法及装置 |
CN105867125A (zh) * | 2016-04-07 | 2016-08-17 | 中国中化股份有限公司 | 炼化装置耦合单元的优化控制方法及装置 |
CN105958824A (zh) * | 2016-05-03 | 2016-09-21 | 广西大学 | boost变换器的大信号分解解耦控制方法以及装置 |
CN107832840A (zh) * | 2017-10-31 | 2018-03-23 | 中国科学院计算技术研究所 | 一种用于神经网络处理器的方法 |
CN107729998A (zh) * | 2017-10-31 | 2018-02-23 | 中国科学院计算技术研究所 | 一种用于神经网络处理器的方法 |
CN107729998B (zh) * | 2017-10-31 | 2020-06-05 | 中国科学院计算技术研究所 | 一种用于神经网络处理器的方法 |
CN107832840B (zh) * | 2017-10-31 | 2020-05-22 | 中国科学院计算技术研究所 | 一种用于神经网络处理器的方法 |
CN108073072B (zh) * | 2017-11-06 | 2020-06-09 | 浙江大学 | Siso紧格式无模型控制器基于偏导信息的参数自整定方法 |
CN107942656B (zh) * | 2017-11-06 | 2020-06-09 | 浙江大学 | Siso偏格式无模型控制器基于***误差的参数自整定方法 |
CN107942656A (zh) * | 2017-11-06 | 2018-04-20 | 浙江大学 | Siso偏格式无模型控制器基于***误差的参数自整定方法 |
CN107942655A (zh) * | 2017-11-06 | 2018-04-20 | 浙江大学 | Siso紧格式无模型控制器基于***误差的参数自整定方法 |
CN107942654A (zh) * | 2017-11-06 | 2018-04-20 | 浙江大学 | Siso偏格式无模型控制器基于偏导信息的参数自整定方法 |
CN107942654B (zh) * | 2017-11-06 | 2020-06-09 | 浙江大学 | Siso偏格式无模型控制器基于偏导信息的参数自整定方法 |
CN107942655B (zh) * | 2017-11-06 | 2020-06-09 | 浙江大学 | Siso紧格式无模型控制器基于***误差的参数自整定方法 |
CN108073072A (zh) * | 2017-11-06 | 2018-05-25 | 浙江大学 | Siso紧格式无模型控制器基于偏导信息的参数自整定方法 |
CN107991865A (zh) * | 2017-11-24 | 2018-05-04 | 浙江大学 | Mimo基于siso紧格式无模型控制器与***误差的解耦控制方法 |
CN108107722B (zh) * | 2017-11-24 | 2020-10-09 | 浙江大学 | Mimo基于siso偏格式无模型控制器与***误差的解耦控制方法 |
CN107991866B (zh) * | 2017-11-24 | 2020-08-21 | 浙江大学 | Mimo基于siso紧格式无模型控制器与偏导信息的解耦控制方法 |
CN107991866A (zh) * | 2017-11-24 | 2018-05-04 | 浙江大学 | Mimo基于siso紧格式无模型控制器与偏导信息的解耦控制方法 |
CN108107722A (zh) * | 2017-11-24 | 2018-06-01 | 浙江大学 | Mimo基于siso偏格式无模型控制器与***误差的解耦控制方法 |
CN107991865B (zh) * | 2017-11-24 | 2020-10-09 | 浙江大学 | Mimo基于siso紧格式无模型控制器与***误差的解耦控制方法 |
CN108107721A (zh) * | 2017-11-24 | 2018-06-01 | 浙江大学 | Mimo基于siso偏格式无模型控制器与偏导信息的解耦控制方法 |
CN108287470A (zh) * | 2017-12-04 | 2018-07-17 | 浙江大学 | Mimo偏格式无模型控制器基于偏导信息的参数自整定方法 |
CN108345213A (zh) * | 2017-12-04 | 2018-07-31 | 浙江大学 | Mimo紧格式无模型控制器基于***误差的参数自整定方法 |
CN108287471A (zh) * | 2017-12-04 | 2018-07-17 | 浙江大学 | Mimo偏格式无模型控制器基于***误差的参数自整定方法 |
CN108132600B (zh) * | 2017-12-04 | 2020-08-21 | 浙江大学 | Mimo紧格式无模型控制器基于偏导信息的参数自整定方法 |
CN108345213B (zh) * | 2017-12-04 | 2020-08-21 | 浙江大学 | Mimo紧格式无模型控制器基于***误差的参数自整定方法 |
CN108287470B (zh) * | 2017-12-04 | 2020-10-09 | 浙江大学 | Mimo偏格式无模型控制器基于偏导信息的参数自整定方法 |
CN108132600A (zh) * | 2017-12-04 | 2018-06-08 | 浙江大学 | Mimo紧格式无模型控制器基于偏导信息的参数自整定方法 |
CN108153151A (zh) * | 2017-12-12 | 2018-06-12 | 浙江大学 | Mimo全格式无模型控制器基于***误差的参数自整定方法 |
CN108052006A (zh) * | 2017-12-12 | 2018-05-18 | 浙江大学 | Mimo基于siso全格式无模型控制器与偏导信息的解耦控制方法 |
CN108062021A (zh) * | 2017-12-12 | 2018-05-22 | 浙江大学 | Siso全格式无模型控制器基于偏导信息的参数自整定方法 |
CN108052006B (zh) * | 2017-12-12 | 2020-10-09 | 浙江大学 | Mimo基于siso全格式无模型控制器与偏导信息的解耦控制方法 |
CN107942674A (zh) * | 2017-12-12 | 2018-04-20 | 浙江大学 | Mimo基于siso全格式无模型控制器与***误差的解耦控制方法 |
CN107844051B (zh) * | 2017-12-12 | 2020-06-09 | 浙江大学 | Siso全格式无模型控制器基于***误差的参数自整定方法 |
CN108062021B (zh) * | 2017-12-12 | 2020-06-09 | 浙江大学 | Siso全格式无模型控制器基于偏导信息的参数自整定方法 |
CN107844051A (zh) * | 2017-12-12 | 2018-03-27 | 浙江大学 | Siso全格式无模型控制器基于***误差的参数自整定方法 |
CN108153151B (zh) * | 2017-12-12 | 2020-10-09 | 浙江大学 | Mimo全格式无模型控制器基于***误差的参数自整定方法 |
CN108170029A (zh) * | 2017-12-12 | 2018-06-15 | 浙江大学 | Mimo全格式无模型控制器基于偏导信息的参数自整定方法 |
CN108037034A (zh) * | 2017-12-21 | 2018-05-15 | 山东大学 | 砂轮磨削性能的多传感器在线检测及数据处理*** |
CN108037034B (zh) * | 2017-12-21 | 2019-03-15 | 山东大学 | 砂轮磨削性能的多传感器在线检测及数据处理*** |
CN108536016A (zh) * | 2018-04-19 | 2018-09-14 | 北京联合大学 | 一种基于模糊逆模型的网络化控制方法 |
CN108536016B (zh) * | 2018-04-19 | 2021-11-05 | 北京联合大学 | 一种基于模糊逆模型的网络化控制方法 |
CN108672025A (zh) * | 2018-06-28 | 2018-10-19 | 东北大学 | 一种钢球磨煤制粉***的多工况最优解耦控制方法 |
CN110112571B (zh) * | 2019-04-10 | 2020-09-25 | 电子科技大学 | 一种基于神经网络逆建模的天线设计方法 |
CN110112571A (zh) * | 2019-04-10 | 2019-08-09 | 电子科技大学 | 一种基于神经网络逆建模的天线设计方法 |
CN110378467A (zh) * | 2019-06-17 | 2019-10-25 | 浙江大学 | 一种针对深度学习网络参数的量化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103399487B (zh) | 2015-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103399487B (zh) | 一种基于非线性多入多出mimo***的解耦控制方法及其装置 | |
Hu et al. | Adaptive tracking control of cooperative robot manipulators with Markovian switched couplings | |
RU2406105C2 (ru) | Способ обработки информации в нейронных сетях | |
Zhou et al. | Adaptive NN control for nonlinear systems with uncertainty based on dynamic surface control | |
Yang et al. | Synchronization for fractional-order reaction–diffusion competitive neural networks with leakage and discrete delays | |
Han et al. | A direct self-constructing neural controller design for a class of nonlinear systems | |
Ivashkin et al. | Neural network and agent technologies in the structural-parametric modeling of technological systems | |
Takahashi et al. | Remarks on quaternion neural network-based controller trained by feedback error learning | |
CN106371321A (zh) | 一种焦化炉炉膛压力***模糊网络优化pid控制方法 | |
Dong et al. | A novel ADP based model-free predictive control | |
Bahri et al. | A multimodel emulator for nonlinear system controls | |
CN101685506B (zh) | 无机废水处理方案的专家诊断决策方法 | |
Wang et al. | Dynamically evolving spiking neural network for pattern recognition | |
Dawy et al. | The most general intelligent architectures of the hybrid neuro-fuzzy models | |
Al-Mawsawi et al. | Neural network model predictive control (NNMPC) design for UPFC | |
CN106444389A (zh) | 一种废塑料裂解温度***的模糊rbf网络优化pi控制方法 | |
Chun-Yan et al. | Combining rough set theory with neural network theory for pattern recognition | |
CN113887570B (zh) | 一种基于神经网络的太阳耀斑二分类预测方法 | |
CN109799765A (zh) | 舵机电液伺服***智能控制方法 | |
Li et al. | Quantized neuronal modeling: Quantum gate structure in Elman networks | |
Hwang et al. | Fast learning neural network with modified neurons | |
Sun et al. | A modified neural network based predictive control for non-linear systems | |
Nomm et al. | Structure identification of nn-anarx model by genetic algorithm with combined cross-correlation-test based evaluation function | |
Ishii et al. | Optimization of parameters of echo state network and its application to underwater robot | |
Zhang et al. | Study of PID neural network control for nonlinear system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151021 Termination date: 20180730 |