一、基于DRNN及其相应算法的非线性系统的状态预估（论文文献综述）
张彪[1]（2020）在《船舶运动姿态估计与预报方法研究》文中研究指明船舶行业的蓬勃发展和海上贸易的持续扩张,让船舶研究成为学术界的研究热点。其中,关于船舶摇荡运动的研究备受瞩目。激烈的船舶摇荡运动会严重影响船员的舒适感和船舶的安全性,甚至可能导致翻船。这些安全隐患一旦爆发,往往会造成无法估量的损失。因此,对船舶摇荡姿态进行有效准确的估计和预报已成为一个重要的课题。本论文具体研究内容包括以下几方面:首先,为了更加真实有效地描述船舶运动特性,对船舶运动数学模型、船舶舵机模型进行了理论性分析,建立了一个能有效反映船舶实际运动情况的六自由度非线性数学模型,并推导建立了船舶平面运动数学模型。同时,分析建立了海洋环境扰动模型,包括海浪干扰力和干扰力矩、海风以及海流模型。并根据长峰波随机海浪理论对海浪在三种不同情况下的纵荡力、横荡力和艏摇力矩进行了仿真分析。然后,针对船舶运动姿态系统量测值异常突变的问题,提出了基于改进无迹卡尔曼滤波（Modified Unscented Kalman Filter,MUKF）的船舶运动滤波方法。设计了基于量测残差统计信息的异常值检测函数,用以判断系统的量测值是否异常;再根据量测残差协方差修正无迹卡尔曼滤波器增益,并设计了船舶运动非线性滤波器,降低了量测值异常对船舶运动姿态系统的影响,使船舶运动姿态的估计具有更准确的精度及更好的时效性。其次,在船舶运动姿态的六个自由度中,横摇运动、纵摇运动和升沉运动很大程度上决定了船舶的适航性,因此,对这三个自由度上运动的极短期预报进行了重点研究。深入分析长短期记忆（Long Short-Term Memory,LSTM）神经网络模型,提出了基于粒子群优化（Particle Swarm Optimization,PSO）LSTM的船舶运动姿态极短期预报模型;针对PSO中粒子容易向自身局部最优位置聚集,并陷入局部极值的问题,提出了一种多层异质粒子群（Multi-layer Heterogeneous Particle Swarm Optimization,MHPSO）算法,通过建立粒子行为池,让早熟粒子进行行为随机选择,增强了算法运行过程中粒子与粒子之间的信息交互能力,提升了算法的寻优能力。再次,根据实际船舶运动中存在非平稳的特性,设计了基于经验模态分解（Empirical Mode Decomposition,EMD）与改进LSTM组合的船舶运动姿态极短期预报模型。通过经验模态分解,可得到有限个独立的、能够突出原始数据不同局部特征信息的本征模态函数（Intrinsic Mode Function,IMF）,针对每个IMF分量,建立改进LSTM神经网络预报模型,再对各个预报分量的结果进行求和,并输出最终的预报结果,提高了预报精度。最后,研究了船舶运动姿态的在线建模递推预报方法。船舶运动是一个随时间不断变化的动态过程,在预报过程中,不断有新的数据产生,较旧的样本与当前及未来的运动特征相关性会越来越小,而较新的样本与其相关性较大。由于采用离线训练方式的预报模型在训练时并没有考虑样本的动态特性,导致长时间的预报精度下降且实时性较差,因此,针对该问题,提出快速稀疏最小二乘支持向量机（Fast Sparse Approximation Least Squares Support Vector Machine,FSALS-SVM）与双向长短期记忆（Bidirectional Long Short-Term Memory,Bi LSTM）神经网络相结合的在线建模递推预报模型（FSALS-SVM-Bi LSTM）。利用Bi LSTM神经网络对样本数据进行训练,得到训练残差;通过FSALS-SVM算法对训练残差进行建模和预报;并采用误差补偿机制自动更新Bi LSTM模型的参数,对船舶运动姿态进行实时预报。这种建模方法可在运动过程的不同变化时段调整预报模型的表达式,具有一定的自适应调节能力。
刘逸群[2]（2019）在《基于分布式驱动电动汽车的路面附着系数估计》文中指出近年来,传统汽车由于石油燃料的不可持续性,带来的一系列有关环境和能源的问题越来越明显,人们对资源、环境、生态所带来的影响逐步重视。电动汽车以其“无污染”、“高效率”、“噪声小”等优点合乎国家发展政策,逐步成为近年汽车的发展趋势。在路面积水、结冰等附着条件差的行驶环境下,由于驾驶员对路面判断不足,极易导致驾驶车辆误操作乃至引起交通事故的发生。为了保证安全驾驶,减少事故的发生率,提高车辆的主动安全性成为必然。路面附着系数与车辆行驶安全紧密相关。它能够直接反映接触面的信息,是车辆进行稳定性控制、主动安全系统研发所需要考虑的一个关键影响因素。四轮轮毂驱动电动车由轮毂电机驱动,具有结构紧凑,传动效率高,驱动轮独立可控的优点,是获取路面附着系数的一个理想的载体,从而实现提高车辆主动安全控制系统性能的目的。因此,以四轮轮毂驱动电动车为研究载体,实现对路面附着系数的估计,具有重要的实用价值。本文具体的研究内容如下:1.在Matlab/Simulink环境下,搭建可调速轮毂电机控制系统,修正轮胎力函数模型,非线性车辆动力学模型。通过联合商业软件Carsim设置接口对接,搭建出四轮驱动Carsim/Simulink联合仿真电动汽车平台。2.基于无迹卡尔曼滤波理论,设计指数加权衰减因子,采用噪声估值器,优化改良算法,设计了适用与四轮轮毂驱动电动汽车的路面附着系数观测器。在所搭建的四轮驱动Carsim/Simulink联合仿真电动汽车平台中,设置不同的车辆行驶工况进行仿真验证。3.将某国产电动汽车加装轮毂电机进行改装,搭建相关数据采集系统硬件,设计了路面附着系数实车实验。通过对比无迹卡尔曼滤波观测器估计值、自适应衰减无迹卡尔曼滤波观测器估计值和制动工况下的路面附着系数参考值,验证算法的可行性。结论表明:建立的四轮驱动Carsim/Simulink联合仿真电动汽车平台可以为估计算法提供一个更精确的模型,所设计的自适应衰减UKF观测器可以实时、准确地预估出路面附着系数,鲁棒性较强,估计精度高。
芮永康[3]（2018）在《基于神经网络及PSO的非线性预测控制算法研究》文中进行了进一步梳理非线性模型预测控制已经成为控制理论界和工业界的研究热点,神经网络以其能够学习和适应非线性系统的特点,使得基于神经网络的非线性预测控制受到学者们的广泛关注。本文针对基于神经网络的非线性预测控制存在的递推预测导致精度降低、预测模型难以适应时变系统的问题,提出了基于多步预测误差指标函数的非线性预测控制算法;针对局部最优问题提出了双种群分工合作粒子群优化算法;基于改进的修剪型神经网络模型和改进的时间窗在线建模方法,提出了一种自适应预测控制算法。所提出的算法取得了满意的仿真结果。论文的工作包括以下几个方面:针对神经网络预测模型对系统输出进行多步预测时效果差的问题,根据面向控制的系统辨识思想,提出了一种适合于预测控制的多步预测误差指标函数（Multi-Step Predictive Error Index Function,MSPEIF）;然后针对神经网络常出现的过拟合问题,在目标函数中加入正则化项,提出了多步预测误差及正则化指标函数（Multi-Step Predictive Error and Regularization Index Function,MSPERIF）,在一定程度上提高神经网络多步预测的精度及泛化性能;同时采用一种改进的反馈校正方法,进一步提高预测精度;最后在上述神经网络预测模型的基础上给出了一种无约束条件的神经网络预测控制器求解方法,并在一个离散系统的无噪声和有噪声两种情况下进行仿真分析,取得了满意的效果。针对局部最优问题,采用粒子群优化算法来训练递归神经网络。为了平衡粒子群优化算法的全局探索和局部开发能力,从子种群的角度出发,基于自然界普遍存在的合作共赢现象,提出了双种群分工合作粒子群优化（Double-swarm Division and Cooperation Particle Swarm Optimization,DDCPSO）算法,进一步加强了算法的寻优性能,仿真结果表明了所提算法的有效性。基于相关性分析理论,并结合使用改进后的粒子群优化算法训练对角递归神经网络,设计了一种修剪型神经网络建模算法;同时为了使预测模型能适应被控对象时变的工况,基于改进的时间窗在线建模算法,提出了一种自适应预测控制算法。所提出的算法在一个厌氧发酵模型上进行了仿真分析,仿真结果验证了算法的适用性与高效性。
宋怡霖,陈新楚,郑松[4]（2016）在《对角递归神经网络在控制系统中的应用现状分析》文中进行了进一步梳理工业过程控制系统中的控制对象往往具有多变量强耦合、不确定、非线性等特征,解决这类控制问题的有效方法是采用先进控制技术,或在常规控制的基础上叠加先进控制的补偿分量。以对角递归神经网络控制器为研究对象,分析了该控制器的结构特点和学习算法,探讨对角递归神经网络技术的应用现状与工程实现中的相关问题,并提出了先进控制与常规控制同构组态的解决方法。
邓冉[5]（2013）在《基于改进BBO算法的DRNN网络非线性系统辨识》文中认为非线性系统辨识问题一直是控制领域研究的热点和难点。递归神经网络因其特有的反馈特性更适用于非线性动态系统辨识。在递归神经网络中,对角递归神经网络（Diagonal Recurrent Neural Network, DRNN）可以更直接的反映系统的动态特性,简单易实现,又有适应时变特性的能力。但是训练DRNN网络最常用的BP算法存在辨识精度不高且收敛速度慢等问题,不少学者提出了改进算法,并有了一定的研究成果。为了进一步的提高收敛速度以及辨识精度,本文采用改进的生物地理学优化算法进行对角递归神经网络非线性系统辨识研究。本文引入生物地理学优化算法（Biogeography-Based Optimization,BBO）训练对角递归神经网络初始权值。为了验证生物地理学优化算法用于训练对角递归神经网络的有效性,分别采用基于BP算法、遗传算法（Genetic Algorithm,GA）、BBO算法的DRNN网络进行非线性系统辨识。将各辨识结果进行比较得出：基于BBO算法的辨识误差以及辨识精度均要好于BP算法以及GA算法,表明了基于BBO算法的DRNN网络非线性系统辨识的有效性。针对生物地理学优化算法搜索能力弱、易出现早熟现象、易陷入局部最优等缺点,采用差分进化算法（Differential Evolution Algorithm,DE）的差分变异算子与BBO算法的迁移算子相结合,得到混合BBO-DE算法优化DRNN网络初始权值。通过与BBO算法以及DE算法对比分析,表明基于BBO-DE算法的DRNN网络非线性系统辨识是有效的。为了进一步增强BBO-DE算法的搜索能力,采用一种基于非均匀变异算子的BBO-DE算法（简称nDEBBO算法）。采用nDEBBO算法优化DRNN网络初始权值,为了表明基于nDEBBO算法的DRNN网络非线性系统辨识的优越性,将其与BBO-DE算法以及文献20所提出的DE-Simplex算法进行对比分析。最后,在训练DRNN网络过程中,为避免梯度大小对网络权值改变的影响,采用RPROP算法与nDEBBO算法相结合得到R-nDEBBO算法,将该算法训练DRNN网络,并应用于非线性系统辨识。通过与：DEBBO算法对比分析,验证其优越性,而且RPROP算法的引入,缩短了训练时间。
黎波,严骏,郭刚,钱海波,张梅军[6]（2013）在《基于DRNN神经网络的挖掘机伺服系统参数辨识》文中研究说明为有效分析挖掘机电液伺服系统,提高依据模型设计控制器的精度,建立了系统状态空间模型。针对模型中的不确定参数,提出了基于对角回归神经网络的系统辨识策略。通过神经网络在线学习得到系统Jacobian信息,将实测信息代入含Jacobian信息与待辨识参数的线性方程,利用最小二乘法求得未知参数。实验表明,辨识模型能从初始阶段的微小误差逐渐地逼近实际系统,所提出的方法能有效辨识系统参数。
陈鹏[7]（2012）在《活套系统建模与解耦控制研究》文中研究表明现代热连轧精轧机组以恒定活套量和小张力轧制为主要工作方式，而轧制过程中总是存在着各种外部干扰和动态咬钢速降，难以维持各机架之间秒流量相等，因而需要活套支撑器检测并吸收因速度偏差变化而形成的活套量来保证热连轧精轧机组正常运转。本文以鞍钢1700mm热连轧精轧机组为背景，对活套高度和张力多变量系统做了重点分析，主要研究内容和成果如下：首先，在分析了活套系统强耦合、非线性、多约束等特点的基础上在工作点附近分别建立了活套张力系统和高度系统的工程数学模型，并推导出活套系统的状态空间方程，以此得到活套系统的传递函数，并将其离散化，奠定了下文解耦算法应用的基础。其次，针对建立的数学模型，进行了常规PID解耦控制的研究和仿真，仿真结果表明其解耦控制效果较好，但是抗干扰能力较差、控制系统响应时间慢。因此，提出了对角递归神经网络与常规PID复合解耦控制算法（DRNN-PID），并将其应用到活套高度和张力多变量系统的解耦控制中。解耦控制结果表明，该复合算法解耦响应速度和抗干扰能力明显强于常规PID解耦控制效果。最后针对DRNN-PID复合解耦控制算法存在的初期收敛性较差、没有考虑神经元之间互连的特点等问题进行了分析、研究，提出了改进的准对角递归神经网络QDRNN-PID复合解耦控制策略，在活套高度和张力多变量系统的解耦控制中得到成功应用，仿真结果表明，该算法弥补了DRNN-PID的不足之处同时又提高了快速收敛性和抗干扰能力，解耦控制效果显着。
吴玉华[8]（2009）在《基于DRNN自适应PID的油缸位置控制》文中认为在阐述了DRNN神经网络基本原理,并结合PID控制特点的基础上,提出一种DRNN神经网络整定的PID控制算法和控制器设计方法。利用DRNN神经网络的自学习和自适应能力,来完成系统的实时控制。该算法直接应用于位置伺服控制系统,仿真结果表明,与传统PID控制算法相比较,该算法增强了系统的控制精度,提高了系统的响应速度,鲁棒性强,控制品质好,符合工程实际,有实用价值。
庄璐[9]（2008）在《大功率交流电弧炉智能解耦控制器的研究》文中研究表明本课题是针对天津钢铁有限公司110吨LF炉项目,在前期已完成智能控制的基础上,进一步研究三相交流电弧炉的智能解耦问题。三相电弧炉是一种存在着三相不平衡、强耦合、时滞、时变的强非线性冶炼系统。由于三相电极之间存在耦合,任意一相电极调整位置都会影响其它两相,导致三相电极很难调整稳定,不但增加了电极损耗,而且浪费了大量能源。由于对角递归神经网络（DRNN）具有能够逼近任意非线性映射的特点,且具有较强抑制干扰的能力,同时内模控制器具有较好的鲁棒性,所以采用将两者相结合的复合智能解耦控制器。通过DRNN神经网络在线学习系统的状态,求出Jacobian信息,并将Jacobian信息送给内模控制器,内模控制通过逐渐逼近被控对象的逆模型以达到解耦和改善系统控制性能的目的。课题主要研究了基于以DRNN网络为辨识器、RBF网络为控制器的神经网络内模在线解耦控制。文中采用的控制方案已应用在其它控制领域,但在电弧炉电极升降的控制领域还未见应用。通过软件编程实现了控制算法并以工控机、数据采集卡和硬件电路为基础搭建了控制系统的软硬件仿真平台,然后通过仿真平台对所提出的控制算法的性能进行了试验研究,获得了很好的解耦效果。
张雅,向虎,郭芳瑞,张自亮[10]（2008）在《RBF网络模型参考自适应控制在温度控制中的仿真研究》文中提出减压塔侧线温度系统是一个时变非线性复杂系统,采用常规的PID控制回路难以达到较好的控制品质。针对克拉玛依石化厂原油蒸馏装置中的减压塔,根据实际控制要求,提出了RBF神经网络模型参考自适应控制策略,设计了减压塔减三线温度控制系统,给出了RBF神经网络控制器和模型辨识网络参数的学习算法。仿真结果表明,采用提出的控制策略,控制效果非常好,完全达到控制要求。
二、基于DRNN及其相应算法的非线性系统的状态预估（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于DRNN及其相应算法的非线性系统的状态预估（论文提纲范文）
（1）船舶运动姿态估计与预报方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外船舶运动滤波方法研究现状 |
| 1.3 国内外船舶运动姿态预报方法研究现状 |
| 1.4 论文研究内容与结构 |
| 第2章 船舶运动非线性数学模型 |
| 2.1 引言 |
| 2.2 船舶运动模型 |
| 2.2.1 坐标系定义 |
| 2.2.2 坐标系的变换 |
| 2.2.3 船舶运动数学模型 |
| 2.3 船舶平面运动合外力(力矩) |
| 2.3.1 船体流体惯性力和力矩 |
| 2.3.2 船体流体黏性力和力矩 |
| 2.3.3 螺旋桨的流体动力及力矩 |
| 2.4 船舶舵及舵机模型 |
| 2.5 海洋环境扰动模型 |
| 2.5.1 规则波 |
| 2.5.2 海浪 |
| 2.5.3 海风 |
| 2.5.4 海流 |
| 2.6 本章小结 |
| 第3章 基于改进UKF的船舶运动滤波方法研究 |
| 3.1 引言 |
| 3.2 改进的无迹卡尔曼滤波算法 |
| 3.2.1 船舶运动模型 |
| 3.2.2 无迹卡尔曼滤波算法 |
| 3.2.3 改进的无迹卡尔曼滤波算法 |
| 3.2.4 收敛性分析 |
| 3.3 船舶运动过程的仿真试验 |
| 3.3.1 仿真试验船模型及参数 |
| 3.3.2 算法性能评价 |
| 3.4 仿真试验与分析 |
| 3.4.1 仿真模拟试验结果 |
| 3.4.2 敏感性分析结果 |
| 3.4.3 仿真结果分析 |
| 3.5 本章小结 |
| 第4章 基于改进LSTM算法的船舶运动极短期预报 |
| 4.1 引言 |
| 4.2 改进的LSTM算法 |
| 4.2.1 LSTM神经网络模型 |
| 4.2.2 粒子群改进算法 |
| 4.2.3 一种多层异质粒子群改进算法(MHPSO) |
| 4.3 MHPSO算法性能分析 |
| 4.3.1 仿真环境 |
| 4.3.2 MHPSO算法仿真 |
| 4.3.3 仿真结果对比与分析 |
| 4.4 基于PSO-LSTM和 MHPSO-LSTM的预报模型 |
| 4.4.1 基于PSO优化的LSTM神经网络模型(PSO-LSTM) |
| 4.4.2 基于MHPSO优化的LSTM神经网络模型(MHPSO-LSTM) |
| 4.5 三种预报模型的船舶运动预报仿真试验及分析 |
| 4.5.1 升沉位移预报分析 |
| 4.5.2 横摇运动预报分析 |
| 4.5.3 纵摇运动预报分析 |
| 4.6 EMD-MHPSO-LSTM组合预报模型 |
| 4.6.1 经验模态分解(EMD)算法 |
| 4.6.2 基于EMD-MHPSO-LSTM组合预报模型的船舶运动预报 |
| 4.7 船舶运动预报仿真试验及分析 |
| 4.7.1 升沉位移预报分析 |
| 4.7.2 横摇运动预报分析 |
| 4.7.3 纵摇运动预报分析 |
| 4.8 本章小结 |
| 第5章 船舶运动姿态在线建模递推预报方法研究 |
| 5.1 引言 |
| 5.2 快速稀疏最小二乘支持向量机 |
| 5.2.1 支持向量机 |
| 5.2.2 最小二乘支持向量机 |
| 5.2.3 FSALS-SVM算法 |
| 5.3 双向LSTM神经网络 |
| 5.3.1 双向循环神经网络 |
| 5.3.2 Bi LSTM神经网络 |
| 5.4 基于FSALS-SVM与 Bi LSTM组合的船舶运动姿态在线预报模型 |
| 5.5 仿真试验分析 |
| 5.5.1 横摇运动预报 |
| 5.5.2 纵摇运动预报 |
| 5.5.3 升沉位移预报 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 附录A 专有名词的英文缩写列表汇总 |
（2）基于分布式驱动电动汽车的路面附着系数估计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 四轮轮毂驱动电动汽车概述 |
| 1.3 轮毂电机电动汽车国内外的研究现状 |
| 1.4 路面附着系数国内外研究现状 |
| 1.5 论文研究内容与结构 |
| 第二章 Carsim/simulink联合仿真电动汽车平台 |
| 2.1 Carsim/simulink仿真平台介绍 |
| 2.2 四轮轮毂驱动车辆模型 |
| 2.3 电机模型 |
| 2.4 车辆动力学模型 |
| 2.4.1 轮胎力修正模型 |
| 2.4.2 四轮三自由度车辆模型 |
| 2.4.3 Carsim与Simulink模型接口设置 |
| 2.4.4 四轮驱动Carsim/simulink联合仿真电动汽车平台验证 |
| 2.5 本章小结 |
| 第三章 自适应衰减无迹卡尔曼滤波观测器的设计 |
| 3.1 无迹卡尔曼滤波技术 |
| 3.2 无迹卡尔曼滤波观测器设计 |
| 3.3 自适应衰减UKF算法 |
| 3.4 仿真分析 |
| 3.4.1 低附着路面阶跃工况验证 |
| 3.4.2 高附着路面阶跃工况验证 |
| 3.4.3 对开路面验证 |
| 3.5 本章小结 |
| 第四章 试验验证与车辆状态信息采集硬件开发 |
| 4.1 试验原理 |
| 4.2 四轮轮毂驱动电动汽车样车改装与搭建 |
| 4.3 四轮驱动电动汽车关键参数采集系统 |
| 4.3.1 轮速信号采集 |
| 4.3.2 电机电流信号的采集 |
| 4.4 整车控制器 |
| 4.5 实车制动试验 |
| 4.5.1 高附着路面实车制动试验 |
| 4.5.2 低附着路面实车制动试验 |
| 4.6 本章小结 |
| 第五章 全文总结及研究展望 |
| 5.1 全文总结 |
| 5.2 本文创新点与研究展望 |
| 参考文献 |
| 致谢 |
| 附录A (攻读学位期间取得的科研成果) |
| 附录B (攻读学位期间参与的课题项目) |
（3）基于神经网络及PSO的非线性预测控制算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 模型预测控制基本原理 |
| 1.3 神经网络预测控制 |
| 1.4 论文主要内容及结构安排 |
| 第2章 神经网络基础知识 |
| 2.1 前馈神经网络 |
| 2.2 递归神经网络 |
| 2.2.1 对角递归神经网络概述 |
| 2.2.2 基于粒子群优化算法的对角递归神经网络 |
| 2.3 本章小结 |
| 第3章 基于MSPERIF的神经网络预测控制研究 |
| 3.1 基于BP神经网络的预测控制概述 |
| 3.1.1 BP神经网络预测模型 |
| 3.1.2 BP神经网络预测控制器设计 |
| 3.2 基于MSPERIF的神经网络预测控制 |
| 3.2.1 问题分析 |
| 3.2.2 基于MSPERIF的神经网络预测模型 |
| 3.2.3 反馈校正 |
| 3.2.4 控制器设计 |
| 3.3 仿真研究 |
| 3.3.1 建模仿真 |
| 3.3.2 预测控制仿真 |
| 3.4 本章小结 |
| 第4章 基于分工合作的粒子群优化算法研究 |
| 4.1 粒子群优化算法 |
| 4.1.1 粒子群优化算法概述 |
| 4.1.2 几种改进的粒子群优化算法 |
| 4.2 基于双种群分工合作的粒子群优化算法 |
| 4.3 仿真研究 |
| 4.3.1 粒子群优化算法仿真 |
| 4.3.2 建模仿真 |
| 4.4 本章小结 |
| 第5章 基于修剪型DRNN的自适应预测控制研究 |
| 5.1 神经网络结构确定方法概述 |
| 5.2 基于相关性分析的剪枝对角递归神经网络 |
| 5.3 基于改进滑动窗口的预测模型在线校正 |
| 5.4 仿真研究 |
| 5.4.1 建模仿真 |
| 5.4.2 预测控制仿真 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（4）对角递归神经网络在控制系统中的应用现状分析（论文提纲范文）
| 0 引言 |
| 1 对角递归神经网络技术 |
| 1. 1 神经网络技术 |
| 1. 2 对角递归神经网络的发展历程 |
| 1. 3 对角递归神经网络的特性 |
| 2 对角递归神经网络应用现状 |
| 2. 1 对角递归神经网络的研究现状 |
| 2. 2 对角递归神经网络应用现状分析 |
| 3 结束语 |
（5）基于改进BBO算法的DRNN网络非线性系统辨识（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 DRNN网络非线性系统辨识的研究现状 |
| 1.3 生物地理学算法研究现状 |
| 1.4 本文的主要内容 |
| 第2章 基于DRNN网络的非线性系统辨识 |
| 2.1 DRNN网络概述 |
| 2.1.1 DRNN网络结构 |
| 2.1.2 DRNN网络的辨识 |
| 2.2 基本的BP算法 |
| 2.2.1 BP算法的基本原理 |
| 2.2.2 BP算法的实现步骤 |
| 2.2.3 仿真实验 |
| 2.3 遗传算法优化DRNN网络 |
| 2.3.1 遗传算法基本原理 |
| 2.3.2 遗传算法优化DRNN网络实现步骤 |
| 2.3.3 仿真实验 |
| 2.4 小结 |
| 第3章 基于BBO算法的DRNN网络非线性系统辨识 |
| 3.1 BBO算法 |
| 3.1.1 生物地理学算法基本原理 |
| 3.1.2 生物地理学算法的迁移模型 |
| 3.1.3 生物地理学算法基本操作 |
| 3.2 BBO算法优化DRNN网络的具体实现步骤 |
| 3.3 仿真实验 |
| 3.3.1 BBO算法实验仿真 |
| 3.3.2 三种算法比较分析 |
| 3.4 小结 |
| 第4章 基于改进BBO算法的DRNN网络非线性系统辨识 |
| 4.1 引言 |
| 4.2 DE算法 |
| 4.2.1 DE算法基本操作 |
| 4.2.2 DE算法变异策略 |
| 4.3 基于BBO-DE算法的非线性系统辨识 |
| 4.3.1 混合迁移操作 |
| 4.3.2 BBO-DE算法的实现步骤 |
| 4.3.3 BBO-DE算法训练DRNN网络实现步骤 |
| 4.3.4 仿真实验 |
| 4.4 基于nDEBBO算法的非线性系统辨识 |
| 4.4.1 非均匀变异算子 |
| 4.4.2 nDEBBO算法优化DRNN网络 |
| 4.4.3 仿真实验 |
| 4.5 基于R-nDEBBO算法的非线性系统辨识 |
| 4.5.1 RPROP算法 |
| 4.5.2 RPROP算法的基本原理 |
| 4.5.3 RPROP算法的实现步骤 |
| 4.5.4 R-nDEBBO算法训练DRNN网络实现步骤 |
| 4.5.5 仿真实验 |
| 4.6 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（6）基于DRNN神经网络的挖掘机伺服系统参数辨识（论文提纲范文）
| 1 挖掘机电液伺服系统模型 |
| 1.1 电液控制挖掘机 |
| 1.2 系统模型 |
| (1) 电液比例阀数学模型 |
| (2) 滑阀负载流量方程 |
| (3) 液压缸流量连续性方程 |
| (4) 液压缸力平衡方程 |
| (5) 系统完整模型 |
| 2 系统参数辨识 |
| 2.1 DRNN辨识Jacobian |
| 2.2 辨识实验与结果验证 |
| 3 结 语 |
（7）活套系统建模与解耦控制研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1. 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 活套系统的发展 |
| 1.2.1 活套支持器在热连轧中的作用 |
| 1.2.2 带钢热连轧对活套工艺性能的要求 |
| 1.2.3 活套装置的分类 |
| 1.2.4 活套高度和张力控制系统的发展 |
| 1.3 多变量解耦控制的现状 |
| 1.4 本文主要研究内容 |
| 2. 活套系统数学建模 |
| 2.1 活套工艺描述 |
| 2.1.1 活套起到阶段 |
| 2.1.2 恒定小张力轧制阶段 |
| 2.1.3 活套落套阶 |
| 2.2 活套张力系统建模 |
| 2.2.1 轧制张力的作用及控制方法 |
| 2.2.2 活套张力系统建模 |
| 2.3 活套高度系统建模 |
| 2.4 活套系统综合建模 |
| 2.5 本章小结 |
| 3. 多变量解耦控制 |
| 3.1 耦合系统相对增益 |
| 3.2 传统解耦控制方法 |
| 3.3 自适应解耦控制方法 |
| 3.4 智能解耦控制方法 |
| 4. 常规 PID 控制理论及仿真分析 |
| 4.1 常规 PID 控制理论 |
| 4.2 活套系统常规 PID 多变量解耦控制及仿真 |
| 4.2.1 活套系统常规 PID 多变量解耦控制系统 |
| 4.2.2 活套系统常规 PID 多变量解耦控制系统仿真 |
| 4.3 本章小结 |
| 5. 基于神经网络的系统多变量解耦控制 |
| 5.1 神经网络的 Jacobian 信息辨识 |
| 5.1.1 DRNN 神经网络的 Jacobian 信息辨识 |
| 5.1.2 QDRNN 神经网络的 Jacobian 信息辨识 |
| 5.2 活套系统神经网络控制系统仿真与结果分析 |
| 5.2.1 活套系统 DRNN 网络控制系统仿真及其结果 |
| 5.2.2 活套系统 QDRNN 网络控制系统仿真及其结果 |
| 5.3 本章小结 |
| 6. 展望与总结 |
| 参考文献 |
| 附录 A 常规 PID 多变量解耦部分程序 |
| 附录 B DRNN-PID 多变量解耦部分程序 |
| 附录 C QDRNN-PID 多变量解耦部分程序 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
（8）基于DRNN自适应PID的油缸位置控制（论文提纲范文）
| 0 引言 |
| 1 DRNN神经网络 |
| 2 基于DRNN的自适应P ID控制 |
| 3 DRNN自适应PID油缸位置控制器仿真 |
| 4 结论 |
（9）大功率交流电弧炉智能解耦控制器的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外交流电弧炉电极控制的研究状况 |
| 1.3 课题研究的目的及内容 |
| 2 LF炉系统建模 |
| 2.1 LF炉系统 |
| 2.2 电极升降系统介绍 |
| 2.2.1 电极调节的方式和要求 |
| 2.2.2 电极升降系统描述 |
| 2.3 交流电弧炉电极调节系统的建模 |
| 2.3.1 主回路的组成 |
| 2.3.2 交流电弧的等效数学模型 |
| 2.3.3 传动系统的建模 |
| 2.4 本章小结 |
| 3 基于神经网络内模控制的模型辨识 |
| 3.1 内模控制 |
| 3.1.1 内模控制的基本原理 |
| 3.1.2 内模控制的性质 |
| 3.2 神经网络概述 |
| 3.2.1 神经网络起源及其特点 |
| 3.2.2 DRNN神经网络 |
| 3.3 基于DRNN网络的模型辨识 |
| 3.3.1 系统辨识的基本原理和辨识结构 |
| 3.3.2 基于DRNN网络的模型辨识 |
| 3.3.3 仿真研究 |
| 3.4 本章小结 |
| 4 智能解耦控制的研究 |
| 4.1 传统电弧炉电极控制方法及存在的问题 |
| 4.2 神经网络内模控制 |
| 4.3 智能解耦控制算法的仿真 |
| 4.4 本章小结 |
| 5 智能解耦控制的混合仿真研究 |
| 5.1 仿真平台的介绍 |
| 5.2 控制系统的软件流程 |
| 5.3 仿真波形及性能分析 |
| 5.4 本章小结 |
| 全文总结 |
| 致谢 |
| 参考文献 |
| 附录 |
| 研究生期间发表论文 |
（10）RBF网络模型参考自适应控制在温度控制中的仿真研究（论文提纲范文）
| 引言 |
| 1 研究背景 |
| 2 减压塔减三线温度控制系统的设计 |
| 2.1 控制对象的描述 |
| 2.2 控制思想与控制要求 |
| 2.3 减三线RBF网络模型参考自适应温度控制系统 |
| 2.4 RBF神经网络控制器 |
| 2.5 RBF神经网络控制器学习算法 |
| 2.6 模型辨识网络及其学习算法 |
| 3 系统仿真 |
| 4 结论 |
四、基于DRNN及其相应算法的非线性系统的状态预估（论文参考文献）
- [1]船舶运动姿态估计与预报方法研究[D]. 张彪. 哈尔滨工程大学, 2020(04)
- [2]基于分布式驱动电动汽车的路面附着系数估计[D]. 刘逸群. 长沙理工大学, 2019(06)
- [3]基于神经网络及PSO的非线性预测控制算法研究[D]. 芮永康. 中国石油大学(华东), 2018(07)
- [4]对角递归神经网络在控制系统中的应用现状分析[J]. 宋怡霖,陈新楚,郑松. 电气自动化, 2016(02)
- [5]基于改进BBO算法的DRNN网络非线性系统辨识[D]. 邓冉. 西南交通大学, 2013(11)
- [6]基于DRNN神经网络的挖掘机伺服系统参数辨识[J]. 黎波,严骏,郭刚,钱海波,张梅军. 解放军理工大学学报(自然科学版), 2013(01)
- [7]活套系统建模与解耦控制研究[D]. 陈鹏. 辽宁科技大学, 2012(04)
- [8]基于DRNN自适应PID的油缸位置控制[J]. 吴玉华. 湖北农机化, 2009(02)
- [9]大功率交流电弧炉智能解耦控制器的研究[D]. 庄璐. 西安理工大学, 2008(12)
- [10]RBF网络模型参考自适应控制在温度控制中的仿真研究[J]. 张雅,向虎,郭芳瑞,张自亮. 系统仿真学报, 2008(02)