| 【中文题名】 | 前向神经网络控制理论研究及其应用 |
| 【英文题名】 | Forward Neural Networks Control Theoretical Research and Its Application |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-6-23 |
| 【中关键词】 | BP网络,系统辨识,补偿环节,自校正控制,模糊控制,H型钢 |
| 【英关键词】 | BP network,system identification,compensation tache,self-tuning control,tension-free control, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
非线性系统广泛存在于自然界。由于经典和现代控制方法存在一个共同的局限性：就是要求预先知道被控对象的数学模型，但实际上许多对象具有复杂的不确定性和时变性；此外还具有复杂的非线性。虽然在控制理论中有系统辨识的手段，但是对于非线性时变系统尚无成熟的和系统的辨识理论与方法，要实行有效的实时控制就很难了。人工神经元网络有表示任意非线性关系和自学习等能力，给解决这些问题提供了新思想和新方法。
本课题主要针对前向神经网络——BP网络理论与控制器设计进行研究。首先重点对BP网络的结构和学习算法进行了深入研究，揭示了动量因子与网络收敛速度、收敛精度之间的关系，并提出了一种改进的算法。然后研究了采用自适应学习率BP网络的辨识方法，仿真说明其可以自适应地跟踪辨识被控对象。在此基础上，基于补偿控制思想，利用神经PID对传统PID进行补偿，设计了一种混合PID控制器；神经网络与自校正控制的结合，使得自校正方法能对非线性系统实现比较理想的控制效果；利用模糊控制与神经网络控制各自的优点，提出了一种基于快速BP算法的神经网络自适应模糊控制器，能够对系统进行在线控制。最后将混合PID控制应用于H型钢连轧机张力系统中，实现微张力控... |
| 【论文题纲】 |
|
中文摘要 |
4-5 |
|
英文摘要 |
5-9 |
|
第1章 绪论 |
9-17 |
|
1．1 论文工作的背景和意义 |
9-10 |
|
1．2 人工神经网络研究的发展史 |
10-12 |
|
1．3 神经网络构成的基本原理 |
12-14 |
|
1．3．1 人工神经元的一般描述 |
12-13 |
|
1．3．2 网络结构及工作方式 |
13-14 |
|
1．4 人工神经网络的基本模型及应用 |
14-15 |
|
1．5 本文的主要工作与结构安排 |
15-17 |
|
第2章 误差反向传播网络 |
17-30 |
|
2．1 误差反传训练算法 |
17-23 |
|
2．1．1 BP算法的数学描述 |
17-20 |
|
2．1．2 常用的激活函数 |
20-23 |
|
2．2 BP算法的改进 |
23-29 |
|
2．2．1 提高训练速度的方法 |
23-26 |
|
2．2．2 一种改进的BP学习算法 |
26-29 |
|
2．3 本章小结 |
29-30 |
|
第3章 基于神经网络的系统辨识 |
30-39 |
|
3．1 系统辨识的基本知识 |
30-32 |
|
3．1．1 系统辨识的定义 |
30-31 |
|
3．1．2 系统辨识的常用方法 |
31-32 |
|
3．2 神经网络逼近能力的分析 |
32-34 |
|
3．3 基于神经网络的系统辨识原理 |
34-36 |
|
3．4 基于BP网络的系统辨识 |
36-38 |
|
3．4．1 用于辨识的BP网络结构设计和辨识算法 |
36-38 |
|
3．4．2 仿真研究 |
38 |
|
3．5 本章小结 |
38-39 |
|
第4章 一种混合PID控制器的设计 |
39-44 |
|
4．1 混合PID控制器的设计 |
39-43 |
|
4．1．1 辨识网络NNI的设计 |
39-41 |
|
4．1．2 神经网络PID补偿器的设计 |
41 |
|
4．1．3 仿真研究 |
41-43 |
|
4．2 本章小结 |
43-44 |
|
第5章 神经网络自校正控制 |
44-51 |
|
5．1 自校正控制原理 |
44-45 |
|
5．2 神经网络自校正控制 |
45-50 |
|
5．2．1 神经网络自校正控制结构 |
45-48 |
|
5．2．2 仿真研究 |
48-50 |
|
5．3 本章小结 |
50-51 |
|
第6章 神经网络自适应模糊控制器 |
51-65 |
|
6．1 模糊控制基本原理 |
51-53 |
|
6．1．1 模糊控制基本结构和组成 |
51-52 |
|
6．1．2 模糊控制基本原理 |
52-53 |
|
6．2 模糊控制器的设计 |
53-57 |
|
6．2．1 基本模糊控制器设计 |
53-55 |
|
6．2．2 自适应模糊控制器设计 |
55-57 |
|
6．3 神经网络自适应模糊控制 |
57-64 |
|
6．3．1 模糊控制与神经网络的等价性 |
58 |
|
6．3．2 模糊神经网络控制模型 |
58-61 |
|
6．3．3 基于神经网络的模糊控制系统 |
61-62 |
|
6．3．4 神经网络动态建模 |
62-63 |
|
6．3．5 仿真研究 |
63-64 |
|
6．4 本章小结 |
64-65 |
|
第7章 神经网络在H型钢张力控制中的应用 |
65-77 |
|
7．1 H型钢连轧机张力控制系统浅述 |
65-68 |
|
7．1．1 张力的产生及微张力控制的意义 |
65-66 |
|
7．1．2 影响张力的因素及建立张力模型的意义 |
66-68 |
|
7．2 H型钢连轧机张力控制系统模型的建立 |
68-73 |
|
7．2．1 拖动系统数学模型 |
68-70 |
|
7．2．2 张力模型的建立 |
70-73 |
|
7．2．3 单机架动态调节的仿真 |
73 |
|
7．3 神经网络在H型钢张力控制中的应用 |
73-76 |
|
7．3．1 单神经元补偿器 |
73-74 |
|
7．3．2 张力控制器结构 |
74-75 |
|
7．3．3 仿真研究 |
75-76 |
|
7．4 本章小结 |
76-77 |
|
结论 |
77-79 |
|
参考文献 |
79-83 |
|
攻读硕士学位期间承担的科研任务与主要成果 |
83-84 |
|
致谢 |
84-83 |
|
作者简介 |
83-85 |
|
| 【DOI】 | LunWen.ID:2.2008.386776 |
