导读:本文包含了神经网络模拟器论文开题报告文献综述及选题提纲参考文献,主要关键词:RBF神经网络,滑模控制,负载模拟器,多余力矩
神经网络模拟器论文文献综述
王经纬,侯远龙,高强,项军,张建学[1](2019)在《炮控系统电动负载模拟器神经网络滑模控制》一文中研究指出为解决炮控系统电动负载模拟器存在多余力矩的问题,对其神经网络自适应滑模控制进行研究。结合滑模控制器的特点,构建电动负载模拟器系统模型,通过滑模控制器对复杂非线性系统建立控制器,采用RBF神经网络与滑模相结合的控制方法,利用RBF神经网络对系统摄动参数和未建模动态进行自适应逼近,可降低切换增益及有效地抑制抖振,并对其进行仿真分析与验证。仿真结果表明:该控制策略具有较高的控制精度,且鲁棒性好,满足系统的控制要求。(本文来源于《兵工自动化》期刊2019年04期)
陈丽[2](2018)在《神经网络在船舶动力定位模拟器控制系统中的应用》一文中研究指出随着近海资源日渐枯竭,远洋自然资源的开发和利用技术成为了研究热点。远洋水域深度较大,船舶在采用传统的锚泊式定位时会发生走锚等问题,因此,必须采用动力定位技术。船舶动力定位系统由位置测量、控制器和推进器3部分组成,可以实现精准可靠的海上定位,对船舶和海上作业平台有重要意义。动力定位模拟器是船员进行动力系统操作培训的重要设备,本文结合神经网络算法和相应的数学模型,设计和开发了船舶动力定位模拟器的控制系统。(本文来源于《舰船科学技术》期刊2018年06期)
王玉哲[3](2017)在《仿生型人工神经网络模拟器的研究》一文中研究指出本文的目的是设计与实现一种仿生型人工神经网络模拟器,并将此模拟器作为实现不同仿生型人工神经网络生长算法的仿真实验平台,最终通过分析相关数据来实现和验证相应的网络功能。文中会介绍仿生型人工神经网络的特点、以及算法的实现和一些基础网络结构的搭建。仿生型人工神经网络是基于生物神经网络的自生长、自进化,自主智能等一系列特点提出的。它的网络结构参照了生物神经网络的基础结构,并用算法模拟生物神经网络的生长过程。整个生长、筛选网络的过程是在仿生型人工网络模拟器上实现的。模拟器为整个网络的形成提供了环境,可以灵活配置网络中的神经元的功能、神经元的类型、网络的生长算法、网络空间的规模以及网络停止生长的条件和网络的筛选机制。此外,模拟器能够在整个网络生长过程中实现叁维界面的展示,其展示效果有助于精准的定位输入、输出神经元的坐标、调整网络生长算法的设计以及修改基础网络结构。整个网络生长和进化过程神经元规模相对较大,用图形处理器对每个神经元的计算进行加速。这也为应对以后网络规模继续扩大做好了基础。本文会介绍仿生型人工神经网络模拟器各个功能模块的设计以及可以实现的功能。模拟器为仿果蝇、仿蜜蜂等生物神经网络生长过程的仿生型人工神经网络研究提供了重要实现工具。并且通过果蝇、蜜蜂等生物神经网络中神经元规模的不同灵活配置整个仿生型人工神经网络的神经元个数。整个网络的刺激、生长机理采用了脉冲神经网络的特性。脉冲神经网络对网络的模拟非常接近生物神经网路,并且这种网络将时间也作为影响网络结构和性能的指标,这也是仿生型人工神经网络将其作为重要参考的原因。通过仿生型人工神经网络模拟器的设计,使得仿生型人工神经网在网络结构上实现了对果蝇、蜜蜂等生物的神经网络结构的模拟或近似。同时,参照果蝇复眼的工作原理和蜜蜂的基础网络结构,仿生型人工神经网在网络功能上可以对简单数字、脉冲序列的识别或分类。这些实验结果初步达到了对网络功能要求的预期目标。(本文来源于《清华大学》期刊2017-04-01)
杨瑞峰,付梦瑶,郭晨霞,张鹏[4](2016)在《基于小波神经网络的电动负载模拟器的复合控制》一文中研究指出为了提高电动负载模拟器的信号跟踪精度和多余力矩抑制能力,在分析系统结构和工作原理的基础上建立了电动负载模拟器系统的完整数学模型。针对电动负载模拟器中存在的力矩跟踪精度问题,提出了一种前馈补偿和基于小波网络的PID控制相结合的复合控制方法。利用改进的前馈补偿法抑制多余力矩,基于小波网络的PID控制器可以在线调整PID参数补偿系统的非线性环节,提高系统动态性能。仿真结果表明,复合控制器对多余力矩有良好的抑制效果,跟踪精度满足要求,和传统PID控制相比,系统鲁棒性得到显着提高。(本文来源于《液压与气动》期刊2016年03期)
魏全增,陈机林,高强,王超[5](2015)在《基于遗传优化RBF神经网络的电动负载模拟器控制》一文中研究指出针对炮控系统电动负载模拟器存在的摩擦、间隙、弹性形变、对象参数时变和位置扰动等复杂非线性,传统的控制方法难以得到良好的动静态性能指标。结合电动负载模拟器系统组成和工作原理,建立了加载数学模型,利用炮控系统位置控制信号进行前馈补偿,设计了RBF神经网络控制器,并采用改进遗传算法对控制器的权值、节点和中心矢量等参数进行优化。实验结果表明:该控制策略能够有效抑制多余力矩,保证了系统静、动态加载时的控制精度和稳定性。(本文来源于《现代电子技术》期刊2015年21期)
谷新铭[6](2015)在《基于神经网络的电动负载模拟器控制方法研究》一文中研究指出负载模拟器是地面实验室条件下的设备,能够模拟飞行器飞行阶段受到的力矩。电动负载模拟器因其体积小、使用方便等特点,得到了越来越广泛的应用。航空技术的发展对飞行器舵机的控制性能和精度提出了更高的要求。本文利用基于神经网络方法对负载模拟器的控制进行研究:(1)将舵机的输出看作负载模拟器的外部扰动,然后根据模拟器加载部分的构成及各部分的物理特性,建立负载模拟器加载环节的数学模型。在考虑系统不确定性和模型参数摄动情况下,分析未建模动态、参数摄动、多余力矩及外界干扰对系统性能的影响。(2)对系统多余力矩及其抑制进行了研究,为了有效抑制多余力矩,提出了一种前馈补偿和干扰观测器(DOB)相结合的复合抑制策略。仿真结果表明该复合策略能够有效抑制系统多余力矩。(3)针对负载模拟器加载环节的指令力矩跟踪精度问题,提出了一种动态神经网络广义逆控制方案。方案利用叁层前馈网络与积分器组成动态网络,训练得到逆模型并串联在被控对象之前构成伪线性系统;采用附加控制器进行闭环控制。仿真结果表明该策略能够有效提高负载模拟器力矩跟踪精度。(4)针对神经网络广义逆策略中存在的不能保证控制的实时性和伪线性系统的非理想特性这两点不足,采用在线调节和通用模型策略(CMC)对系统性能进行改善,大大改善了电动加载过程的力矩跟踪性能。(本文来源于《中国民航大学》期刊2015-04-28)
王超,刘荣忠,侯远龙,高强,王力[7](2014)在《基于新型小波神经网络和灰预测的电动负载模拟器控制》一文中研究指出针对某火炮随动系统电动负载模拟器自身复杂的非线性以及多余力矩对系统加载性能的影响,提出了一种基于新型小波神经网络和灰预测的控制策略。该策略主要由变结构的粒子群小波神经网络(VSPSO-WNN)控制器和灰预测补偿器(GPC)构成,前者利用粒子群优化(PSO)算法小波神经网络(WNN)的权值等参数,加快了系统的收敛速度,并利用自学习算法动态改变隐含神经元数目,降低了系统的计算复杂度,提高了系统的动静态响应性能;后者在Lyapunov意义下系统稳定的基础上构造出灰预测补偿器,利用灰理论来预测输入力矩偏差,进一步提高了系统的稳定性和准确性。半实物台架仿真实验结果表明:该复合控制策略具有较强的鲁棒性和较高的控制精度,保证了系统动态加载时的稳定性和抗干扰能力。(本文来源于《兵工学报》期刊2014年12期)
李建英[8](2011)在《电液负载模拟器多余力抑制及其δ规则神经网络控制研究》一文中研究指出电液负载模拟器可以在实验室条件下,以半实物仿真的形式,复现并模拟飞行器或舰船等在正常行进过程中,其受载荷舵面在不同高度或不同深度所受到的各种空气动力(力矩)或水动力(力矩)载荷谱,考核受载荷舵面在上述各种相应载荷谱作用下的响应性能,可以将损毁性不可还原的全实物、全现实实验变成为在实验室条件下的预测性半实物模拟仿真实验。加载系统在加载过程中,还同时受到舵机系统自主运动对其施加的强位置干扰,从而在加载系统中产生强迫流量,如果加载系统不能对这一强迫流量做出响应的话就会形成多余力。多余力和正常加载力融合在一起作为加载系统的输出,使得加载精度降低,严重影响电液负载模拟器的被动动态加载性能,所以如何抑制多余力就成了高性能电液负载模拟器研制的关键技术。根据电液负载模拟器的特殊结构和其独特的工作原理,分别建立电液负载模拟器系统的传递函数模型和键合图模型,特别是在建模时着重考虑电液伺服阀的阀口死区特性及存在加工误差时系统的特性、液容的时变特性、伺服阀的动态特性和滑阀级的流量非线性等非线性特性因素,以期达到模型的精确性要求。分析弹性负载的弹簧刚度和惯性负载质量等参数变化对舵机系统和加载系统的影响及其频率和时域特性,为电液负载模拟器结构设计提供参考依据。着重从物理意义上分析研究多余力的产生原因和机理及其本质特征,分析多余力的影响因素。采用结构内环前馈补偿环节来抑制多余力,提出引入流量压力电液伺服阀作为泄流环节到加载系统这一特殊结构来抑制多余力,并建立引入流量压力电液伺服阀的电液负载模拟器系统的数学模型,流量压力电液伺服阀的内部结构中所特有的压力反馈通道使其和加载系统所组成的特殊结构可以有效抑制多余力。介绍基于δ规则的神经网络控制策略,阐述基于δ规则的加载系统神经网络控制器的设计过程,并分析δ规则算法的收敛性。将设计的该神经网络控制器应用到电液负载模拟器的加载系统之后,加载系统的输出响应信号能很好地跟踪设定输入信号,有效地对多余力进行抑制,提高加载系统被动动态加载的精准程度和快速响应能力。本论文的实验研究,是在电液负载模拟器实验台上进行的,利用Matlab软件里所提供的RTW实时开发环境,采用快速控制原型技术开发整个实验台的控制系统,结合机械结构和控制电路进行相关实验研究。通过对实验数据和实验曲线的分析,验证对电液负载模拟器和多余力的理论分析和数学模型的正确性,以及所采用的抑制多余力的方法和控制策略对于提高电液负载模拟器系统加载性能的有效性。(本文来源于《哈尔滨理工大学》期刊2011-01-01)
刘锋,徐林,彭小静,郭泽,杜丽芳[9](2009)在《基于神经网络算法的太阳模拟器光均匀性优化设计》一文中研究指出提出一种把人工神经网络和光学仿真软件相结合的太阳模拟器光均匀性优化设计方法。首先由光学软件仿真一组不同结构参数的模型,然后让神经网络通过学习这些仿真数据来寻找模型的结构参数和检测平面辐照均匀性的复杂非线性关系,并预测辐照均匀性最优时的模型结构参数,再用仿真软件进行验证。基于此方法,对一个短距离大面积的太阳模拟器模型成功进行了优化仿真,使其辐照非均匀度满足A级标准。结果表明:此方法能有效解决太阳模拟器设计周期长、调试困难、试验成本高的问题,对解决同类工程问题亦具有一定的研究价值。(本文来源于《太阳能学报》期刊2009年09期)
刘伟杰,王志胜,甄子洋[10](2009)在《电动负载模拟器的CMAC神经网络复合控制》一文中研究指出为增强电动负载模拟器的自适应能力以抵抗系统的非线性、时变参数及运动扰动的影响,提出利用小脑模型神经网络(CMAC)与PID的并联进行控制与调节的控制方法。利用PID控制保证系统的初始稳定性,在小脑模型神经网络引入速度信号和误差信号构成二维参考输入,使系统具有很好的自适应消扰能力,减小了多余力矩的影响。仿真证明了该方法的可行性和有效性,收到了很好的控制效果。(本文来源于《电光与控制》期刊2009年09期)
神经网络模拟器论文开题报告
(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:
随着近海资源日渐枯竭,远洋自然资源的开发和利用技术成为了研究热点。远洋水域深度较大,船舶在采用传统的锚泊式定位时会发生走锚等问题,因此,必须采用动力定位技术。船舶动力定位系统由位置测量、控制器和推进器3部分组成,可以实现精准可靠的海上定位,对船舶和海上作业平台有重要意义。动力定位模拟器是船员进行动力系统操作培训的重要设备,本文结合神经网络算法和相应的数学模型,设计和开发了船舶动力定位模拟器的控制系统。
(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。
神经网络模拟器论文参考文献
[1].王经纬,侯远龙,高强,项军,张建学.炮控系统电动负载模拟器神经网络滑模控制[J].兵工自动化.2019
[2].陈丽.神经网络在船舶动力定位模拟器控制系统中的应用[J].舰船科学技术.2018
[3].王玉哲.仿生型人工神经网络模拟器的研究[D].清华大学.2017
[4].杨瑞峰,付梦瑶,郭晨霞,张鹏.基于小波神经网络的电动负载模拟器的复合控制[J].液压与气动.2016
[5].魏全增,陈机林,高强,王超.基于遗传优化RBF神经网络的电动负载模拟器控制[J].现代电子技术.2015
[6].谷新铭.基于神经网络的电动负载模拟器控制方法研究[D].中国民航大学.2015
[7].王超,刘荣忠,侯远龙,高强,王力.基于新型小波神经网络和灰预测的电动负载模拟器控制[J].兵工学报.2014
[8].李建英.电液负载模拟器多余力抑制及其δ规则神经网络控制研究[D].哈尔滨理工大学.2011
[9].刘锋,徐林,彭小静,郭泽,杜丽芳.基于神经网络算法的太阳模拟器光均匀性优化设计[J].太阳能学报.2009
[10].刘伟杰,王志胜,甄子洋.电动负载模拟器的CMAC神经网络复合控制[J].电光与控制.2009