摘要：抄纸过程中纸机系统具有大滞后、非线性、时变等特点,纸张定量与水分之间存在强耦合效应,针对这些问题,设计了一种基于rbf神经网络的PID解耦控制方法。利用rbf神经网络辨识定量与水分的数学模型,实时调整PID控制器的参数,实现系统的解耦功能。仿真结果表明,该方法具有良好的静态、动态性能和很强的自适应性,能有效解决纸张定量和水分之间的耦合作用。

摘要：针对一类非匹配不确定性的线性系统,基于块控原理,提出了一种结合块控制、神经网络控制和backstepping控制技术的设计方法。利用反演设计方法来处理系统中的非匹配不确定性,利用神经网络来估计系统中的不确定性,再利用鲁棒控制方法来改善系统的性能,利用Lyapunov稳定性定理证明了系统的渐近稳定性。最后,给出的仿真实例证明了所提出的方法的正确性和有效性。

摘要：针对全捷联导引头探测器和IMU传递函数的需要进行相位匹配的问题,利用在线学习的rbf神经网络进行相位匹配算法设计,利用Z变换进行离散化处理;针对全捷联单模和多模导引头的相位匹配算法进行了设计与分析,并通过Matlab/Simulink联合仿真实验验证了算法的效果。同时,结合SLAM系统进行同时定位矫正,提升导弹的定位精度与全捷联导引头的导引准确度。

摘要：与传统同步发电机相比,虚拟同步发电机(VSG)具有参数灵活可调的优势,特别是虚拟惯量和虚拟阻尼能够对VSG稳定性产生显著影响。rbf神经网络对于连续非线性函数具有很好的逼近效果,且算法简单,学习能力强大,学习速度快,能够满足实时控制的需求。文中基于控制对象的特性,对rbf神经网络进行改进,并设计出一种全新的自适应控制策略。该策略使用改进rbf神经网络对VSG虚拟惯量J进行在线调整。在Matlab中将神经网络算法融合入控制对象建立自适应仿真模型,对所提控制策略进行仿真验证。仿真结果表明,该自适应控制策略能够有效提高虚拟同步发电机频率稳定性。

摘要：针对具有时变干扰的不确定多自由度机械臂,文章设计了基于rbf神经网络的含有鲁棒因子的滑模变结构高精度跟踪控制方法.针对时变干扰,设计鲁棒因子,将其嵌入滑模变结构控制器,克服了时变干扰对系统跟踪性能的影响.将rbf神经网络控制算法结合鲁棒因子滑模变结构控制,估计多自由度机械手臂系统的不确定因素.采用Lyapunov函数方法,证明了系统的稳定性.对比分析了计算力矩法滑模变结构控制方法,仿真结果证明,基于rbf神经网络的鲁棒因子滑模控制,针对具有时变干扰的含有不确定因素的多自由度机械手臂系统,具有较为精确的跟踪性能.

摘要：采用rbf神经网络对204组X70管线钢生产数据进行训练,建立了管线钢成分与力学性能的预测模型,经检验该模型预报精度高,网络预报值与实际值较吻合。利用此模型预报了C、Mn、Mo、Nb、V、Ti等元素含量对管线钢性能的影响规律,并在此基础上确定了X80管线钢的成分范围。对试制生产的X80管线钢进行组织性能检测,结果表明,X80钢的显微组织主要由针状铁素体和粒状贝氏体组成,晶粒细小,力学性能指标达到X80管线钢应用要求。

摘要：目的:以阿克苏苹果为例,设计一种联合图像最优特征提取和改进rbf神经网络学习的苹果质量估计方法,以克服人工分级称重成本高、误差大的缺陷。方法:首先,建立苹果图像采集系统,得到苹果前景图像信息;其次,设计苹果图像特征集合最佳子集提取策略,将最佳子集提取过程转化为目标函数优化问题,并利用改进的离散蝗虫优化算法进行求解,从而得到最佳苹果图像特征子集;最后,构建基于rbf神经网络学习的苹果质量估计模型,将最佳特征子集作为网络输入,并采用蝗虫优化算法优化配置rbf神经网络超参数,从而实现对苹果质量的有效估计。结果:所提苹果质量估计方法精度更高,质量估计值平均相对误差率为1.23%。结论:该方法可以有效实现苹果质量预估,也能够推广应用到其他类似轴对称形状的水果质量估计。

摘要：针对水下复杂工作环境下机械臂控制性能易受影响,而传统控制方法效果不佳的问题,提出了一种基于模糊rbf(radial basis function,径向基函数)神经网络的智能控制器,用于精确、稳定地控制水下机械臂。考虑到在水扰动环境下,机械臂通常受到附加质量力、水阻力和浮力的影响,运用拉格朗日法和Morison方程,建立包含水动力项的二杆机械臂动力学模型,通过模糊rbf神经网络对水下机械臂动力学方程中的水动力不确定项进行总体识别并拟合,利用模糊系统启发式搜索和rbf神经网络推理速度较快的优点,使水下机械臂系统具有较高的控制精度和较强的自适应性。考虑到水动力项,采用Lyapunov稳定性理论验证了水下机械臂系统的稳定性。最后利用MATLAB对二杆机械臂进行轨迹跟踪控制仿真实验,并对比模糊rbf神经网络与常规rbf神经网络识别方法和传统模糊控制方法的控制效果。仿真结果表明:与常规rbf神经网络识别方法相比,模糊rbf神经网络控制下二杆机械臂关节1的响应时间缩短了91%,相对误差减小了88%,关节2的响应时间缩短了92%,相对误差降低了77%;与传统模糊控制方法相比,关节1的相对误差减小了65%,关节2的相对误差减小了10%。研究结果表明模糊rbf神经网络的控制效果优于常规rbf神经网络识别方法和传统模糊控制方法,可为水下机械臂的控制提供一种精度较高、较有效的方法。

摘要：针对挠性航天器大角度姿态机动问题,将神经网络、分数阶微积分与滑模控制相结合,构造基于神经网络的分数阶滑模控制并应用于挠性航天器的姿态控制中。首先,设计了分数阶滑模控制器,在滑模面的设计中采用分数阶微积分算子,利用分数阶微积分算子的记忆性和遗传特性,使挠性航天器的姿态角能够快速达到稳定;然后,将外界干扰项和挠性附件振动构成复合扰动,设计径向基(Radial Basis Function,rbf)神经网络逼近复合扰动,有效抑制了外界扰动和挠性振动对姿态产生的影响;最后,通过仿真证明了所设计控制系统的稳定性。仿真结果表明,所设计的基于rbf神经网络的分数阶滑模控制器能够使挠性附件振动迅速衰减,从而可使挠性航天器的姿态角快速达到期望值。

摘要：针对采用遗传算法(GA)学习训练rbf神经网络进行并联机器人位姿检测存在的早熟收敛问题,提出一种交替使用GA和Levenberg-Marquart(LM)算法的混合学习算法,首先运用仅需预先给定基函数宽度的最近邻聚类算法,学习训练得出基函数的中心,然后运用所提出的混合学习算法学习网络,确定rbf神经网络的参数,并最终实现对机器人的位姿检测。仿真结果表明,所设计算法提高了网络学习能力,并最终提高了机器人位姿检测精度。