內?？刂萍捌鋺?/h1>

出版時間：2012-9  出版社：電子工業(yè)出版社  作者：趙志誠，文新宇　著  頁數：173  字數：260000  
Tag標簽：無  

內容概要

　　
內模控制是工業(yè)工程控制領域中實用性很強的魯棒控制方法之一，本書系統(tǒng)地介紹了內?？刂频幕靖拍?、理論、設計方法和最新研究成果，主要內容包括：內?？刂频膰鴥韧獍l(fā)展現狀、時滯過程內模PID控制器魯棒設計方法、智能自適應內?？刂破髟O計方法、基于神經網絡和模糊系統(tǒng)理論的非線性過程內?？刂圃O計方法以及內模控制在工業(yè)領域中的應用。

書籍目錄

第1章 緒論
1.1 引言
1.2 內?？刂圃砗统Ｒ?guī)設計方法
1.2.1 內?？刂菩再|
1.2.2 內?？刂频脑O計
1.3 內?？刂频膰鴥韧獍l(fā)展現狀
1.3.1 濾波器優(yōu)化設計
1.3.2 典型被控過程的應用
1.3.3 內?？刂平Y構拓展及改進
1.3.4 先進控制算法在內?？刂浦械膽?br />本章參考文獻
第2章 時滯過程內模PID魯棒設計方法
2.1 內模PID控制器設計
2.1.1 一階過程的內模PID控制器設計
2.1.2 二階過程的內模PID控制器設計
2.1.3 時滯過程內模PID控制器設計
2.2 基于最大靈敏度的內模PID整定方法
2.2.1 最大靈敏度
2.2.2 時滯過程內模PID的魯棒整定
2.2.3 仿真結果與分析
2.3 積分時滯過程內模PID控制器魯棒設計
2.3.1 積分時滯系統(tǒng)內?？刂?br />2.3.2 積分時滯過程內模PID控制器設計
2.3.3 仿真結果與分析
2.4 不穩(wěn)定時滯過程內模PID控制器魯棒設計
2.4.1 不穩(wěn)定時滯過程內模PID控制器設計
2.4.2 控制系統(tǒng)結構的簡化
2.4.3 仿真結果及分析
本章參考文獻
第3章 智能自適應內?？刂破髟O計方法
3.1 一種具有設定值加權的IMC-PID控制方法
3.1.1 基于Padé近似的IMC-PID控制器設計
3.1.2 模糊設定值加權IMC-PID控制方法
3.1.3 仿真分析
3.2 交流伺服系統(tǒng)模糊內模PID控制器設計
3.3 神經網絡自適應內模PID控制方法
3.3.1 神經網絡IMC-PID控制器
3.3.2 仿真結果及分析
3.4 三容液位過程的單神經元內模PID控制方法
本章參考文獻
第4章 神經網絡內模控制
4.1 神經網絡概述
4.1.1 人工神經元與神經網絡
4.1.2 神經網絡辨識結構
4.2 神經網絡內?？刂葡到y(tǒng)的構造
4.2.1 可逆性分析
4.2.2 非線性系統(tǒng)逆模型
4.2.3 神經網絡逆模型辨識
4.2.4 神經網絡內模控制結構
4.3 多模型神經網絡內?？刂?br />4.3.1 多模型神經網絡內?？刂撇呗?br />4.3.2 基于模糊分類的多模型神經網絡內?？刂?br />4.3.3 被控模型和控制器的建立
4.3.4 仿真分析
4.4 基于近似內模的神經網絡控制
4.4.1 非線性離散系統(tǒng)神經網絡近似輸入-輸出模型
4.4.2 基于近似內模的神經網絡控制
4.5 基于自構建神經網絡的內模控制方法
4.5.1 自構建（self-constructing）神經網絡
4.5.2 自構建神經網絡內?？刂平Y構
4.5.3 設計步驟
4.5.4 仿真與分析
本章參考文獻
第5章 基于T-S模型的模糊內模控制
5.1 模糊系統(tǒng)模型的基本概念
5.2 非線性系統(tǒng)T-S模型結構及辨識方法
5.2.1 動態(tài)系統(tǒng)的T-S模型
5.2.2 T-S模型的辨識過程
5.2.3 仿真分析
5.3 基于自適應遺傳算法的T-S模型辨識方法
5.3.1 遺傳算法基本原理
5.3.2 基于遺傳算法辨識T-S模型
5.3.3 仿真分析
5.4 基于改進的微粒群優(yōu)化算法的T-S模型辨識方法
5.4.1 微粒群優(yōu)化算法
5.4.2 基于微粒群優(yōu)化算法辨識T-S模型
5.4.3 仿真分析
5.5 基于T-S模型的非線性內?？刂品椒?br />5.5.1 非線性系統(tǒng)的可逆性和逆穩(wěn)定性
5.5.2 模糊內部模型的建立
5.5.3 模糊內?？刂破鞯脑O計
5.5.4 仿真與分析
本章參考文獻
第6章 內?？刂频膽?br />6.1 內?？刂圃诠怆姼櫹到y(tǒng)中的應用
6.1.1 光電跟蹤伺服系統(tǒng)系統(tǒng)的組成及工作原理
6.1.2 光電跟蹤伺服系統(tǒng)建模
6.1.3 光電跟蹤伺服系統(tǒng)內?？刂破鞯脑O計與實現
6.1.4 實驗結果及分析
6.2 內?？刂圃诨鹋陔娨核欧到y(tǒng)中的應用
6.2.1 液壓伺服系統(tǒng)組成原理及模型
6.2.2 內?？刂破髟O計
6.2.3 仿真與實驗分析
6.3 單神經元自適應內?？刂圃诮涣髡{速系統(tǒng)中的應用
6.3.1 基于轉子磁場定向的交流調速系統(tǒng)模型
6.3.2 全數字化交流調速系統(tǒng)平臺
6.3.3 基于單神經元的內?？刂破髟O計
6.3.4 系統(tǒng)軟件的設計與實現
6.3.5 實驗結果及分析
本章參考文獻

章節(jié)摘錄

版權頁：   插圖：   4.5 基于自構建神經網絡的內模控制方法 神經網絡技術在一定程度上克服了非線性系統(tǒng)難以建模的困難從而得到迅速發(fā)展，多種神經網絡內?？刂平Y構也取得了非常好的理論和實際價值，如BP網絡內模控制[19，20]、RBF網絡內?？刂芠21，22]、動態(tài)神經網絡內模控制[23～26]、小波網絡內?？刂芠27～30]、模糊神經網絡內?？刂芠31～36]及并行自學習網絡內模控制[37，38]等。然而，在實際應用中神經網絡結構的確定一般采用試湊法，僅憑感覺或經驗構造網絡，往往不易找到合適的網絡結構。網絡太大容易造成歸納性差（過擬合），網絡太小易造成學習能力低（欠擬合）。神經網絡隱層神經元的數目決定了整個網絡的規(guī)模和性能，所以設計一個結構合理的神經網絡是非常必要的。 針對這一問題，這里利用自構建神經網絡建立和自適應調節(jié)內?？刂葡到y(tǒng)的過程模型和內模控制器，使得辨識網絡和控制器網絡的結構可以根據需要在線調整，有效地避免出現欠擬合與過擬合的情況。 4.5.1 自構建神經網絡 針對神經網絡結構難以確定這一問題，許多學者提出了解決方法。文獻[39]中提出了Tiling算法，不過無法推廣到實數映射；文獻[40]提出的Upting算法要求事先知道樣本的大??；文獻[41]提出了有名的CC算法，但是會導致過度擬合；文獻[42]提出的改進的CC算法只適合于單輸出。此外，還有基于進化算法的方法，如文獻[13]提出的藍圖法，但編碼抽象、解釋困難。 所謂自構建（Self—Constructing）神經網絡是指在網絡學習過程中，為了使網絡性能始終保持最優(yōu)，網絡結構呈現為動態(tài)變化的神經網絡。自構建神經網絡可以根據問題的復雜程度，產生相應的網絡結構。文獻[43]提出了自構建模糊小腦模型，其學習規(guī)則包括結構學習和參數學習。網絡輸入空間的分割采用自叢集方法來決定輸入樣本的合適分布，用梯度下降法進行參數和模糊權值的調整以減小輸出誤差。文獻[44]提出了一種用于非線性控制系統(tǒng)的自構建小波神經網絡模型，在學習過程中，用度測量法動態(tài)決定小波基的個數，通過參數學習來調整小波基的形狀和連接權；文獻[45]提出一種用于分類的功能性模糊神經網絡，網絡的結構學習采用熵度量法來決定模糊規(guī)則的數目，參數學習采用梯度下降法來調整隸屬函數形狀和相應權值；文獻[46]將一種可自適應增長和修剪的神經網絡控制系統(tǒng)用于控制線性壓電陶瓷馬達，該控制系統(tǒng)包括神經網絡控制器和魯棒控制器。文中根據神經元的激勵強度來決定是否增加或刪減神經元；文獻[47]設計了一種自構建模糊神經網絡控制系統(tǒng)，該控制系統(tǒng)包括自構建模糊神經網絡控制器和監(jiān)督控制器，為了優(yōu)化神經網絡結構文中提出一種結構自動學習機制，在確?？刂菩阅艿那疤嵯聞討B(tài)改變網絡結構；文獻[48]提出一中用于放射非線性單輸入單輸出系統(tǒng)的自構建模糊控制器，在初始階段網絡有較少的模糊規(guī)則，隨著控制需要逐漸增加模糊規(guī)則和隸屬函數，為了避免模糊規(guī)則無限制的增長，結構學習過程中用新的隸屬函數來取代舊的隸屬函數而不是增加更多的隸屬函數。將自構建神經網絡用于內?？刂?，使得辨識網絡和控制器網絡的結構可以根據需要在線變化，既不會欠擬合也不會過擬合可以提高系統(tǒng)的控制性能。

編輯推薦

《內?？刂萍捌鋺谩房晒氖伦詣踊妥詣涌刂乒ぷ鞯目蒲腥藛T、工程技術人員以及高等院校有關專業(yè)的教師、高年級學生和研究生參考。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

• 還沒讀過(98)
• 勉強可看(714)
• 一般般(121)
• 內容豐富(5051)
• 強力推薦(414)

---

    內模控制及其應用 PDF格式下載

---