◆什么是自适应控制系统？ ◆为什么需要自适应控制？ ◆自适应控制的主要方案 ◆自适应控制的设计和理论问题

自适应线性神经元模型 单个自适应线性神经元的学习方法 单层自适应线性神经元的学习方法 MATLAB程序仿真 关于自适应线性神经元的几点说明

3.1 引言 3.2 自适应横向滤波器 3.3 自适应格型滤波器 3.4 最小二乘自适应滤波 3.5 自适应滤波的应用

为解决强背景信号下冲击特征的提取问题,提出了一种自适应多尺度形态学分析方法.对于实际的待分析信号,分别定义长度尺度和高度尺度来确定多尺度形态学分析的结构元素,并基于信号的局部峰值实现自适应多尺度形态学分析.数值仿真实验分析表明,自适应多尺度形态学分析方法较单尺度形态学分析方法更利于提取信号的形态特征,避免了单尺度形态学分析在结构元素选择时的盲目性和对相关先验知识的依赖性.本文所提出的方法应用于轴承故障诊断,结果表明这种方法可以清晰地提取出各种特征信号

通过对一个实际的热轧带钢卷取温度控制系统长时间地观察和采样,归纳出一套适用面广、适应性强的自适应律.首先利用温度计算模型,结合目标与实测值得到自适应律的初值,经自适应计算后再去修正原简化模型进而提高模型计算精度.经过多次改进后,在现场使用效果良好

轧制力模型是冷连轧过程控制系统的基本模型,影响其预报精度的主要因素是材料的变形抗力和摩擦因数.本文采用参数自适应方法来提高轧制力的预报精度.在对轧制力模型进行自适应过程中,将材料的变形抗力作为轧制过程模型的整体属性,各机架根据累计变形程度确定各自的变形抗力.在此基础上,将摩擦因数看成是各机架的单体属性,各机架取不同的模型参数.实践证明,这种综合考虑变形抗力和摩擦因数的参数自适应方法可以对二个参数同时进行修正,能有效提高轧制力模型的预报精度

冷连轧机动态规格变换时各机架的入口厚度一般变化较大,采用传统自适应控制的辨识算法的收敛速度不能跟随参数实际变化速度,控制效果不佳.针对这一问题,提出一种多模型自适应控制方法.通过对五机架冷连轧机进行仿真表明,多模型自适应FGC系统具有较好的控制精度、跟踪速度以及稳定性

9.1 概述 9.2 神经网络控制结构 9.3 单神经元网络控制 9.4 RBF网络监督控制 9.5 RBF网络自校正控制 9.6 基于RBF网络直接模型参考自适应控制 9.7 一种简单的RBF网络自适应控制 9.8 基于不确定逼近的RBF网络自适应控制 9.9 基于模型整体逼近的机器人RBF网络自适应控制 9.10 神经网络数字控制

5.1 模糊逼近 5.2 间接自适应模糊控制 5.3 直接自适应模糊控制 5.4 机器人关节数学模型 5.5 基于模糊补偿的机械手自适应模糊控制

针对网络控制系统模型参数选取困难的问题,利用特征模型和动态特征模型的自适应控制方法在实际工程中建模简单、控制精度较高的特点,以直流电机的网络控制系统为例,研究了具有时延和数据丢包网络情况下的网络控制系统,提出了基于特征模型的自适应控制方法和基于模糊动态特征模型的自适应控制方法.仿真结果表明:丢包率对特征模型控制器系统的影响较大,而网络延时对模糊动态特征模型控制器系统影响较大.所提两种方法均可有效保证网络控制系统的控制性能