10.1 遗传算法的基本原理 10.2 遗传算法的特点 10.3 遗传算法的发展及应用 10.4 遗传算法的优化设计 10.5 遗传算法求函数极值 10.6 基于遗传算法优化的RBF网络逼近 10.7 基于遗传算法的伺服系统静态摩擦参数辨识 10.8 基于遗传算法的TSP问题优化

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

以缩小连铸二冷区板坯表面实际温度和目标温度的差异为目标,建立了板坯连铸二次冷却智能控制模型.该模型采用支持向量机(SVM)实现板坯表面目标温度的动态设定,采用对角递归神经网络(DRNN)实现板坯表面温度的预测,采用T-S模糊递归神经网络实现二次冷却水动态调整与分配.通过对某钢厂板坯连铸过程进行仿真计算和现场试验,结果表明:该模型将二次冷却水水量控制问题与板坯在冷却过程中的温度状态相结合,实现了连铸二次冷却动态优化控制,有利于提高板坯的质量

为进一步提高带钢热连轧厚控精度及控制品质,在液压活套的工作点附近,考虑带钢自重、液压伺服系统和活套本身的非线性,建立了液压活套系统的非线性多变量动态数学模型,并验证了该模型的有效性.针对该模型,考虑未建模动态和各种扰动,提出了一种基于反推控制和扩张状态观测器(ESO)补偿的解耦控制方法.用Lyapunov稳定理论证明了闭环系统是鲁棒稳定的.仿真表明新的模型和解耦控制方法都是有效的

研制用于高温恶劣生产环境下新型冶金专用雷达.采用改进的调频连续波测量原理,提高了固体雷达料面测量的实时性.提出一种新的智能时变阈值信号处理方法,解决了因高炉内料面反射系数变化影响雷达测距精确性问题.实验室模拟仿真固粉态料面测量表明,该冶金雷达测量料面的跟踪延时在0.2 s以内,最大跟踪测量平均误差控制在0.05%.现场测试结果表明,测量平均误差0.95%,能够实时稳定地跟踪料面变化,满足高炉监控需求

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

4.1模糊控制的基本原理 4.2模糊控制系统分类 4.3模糊控制器的设计 4.4模糊控制器设计实例-洗衣机模糊控制 4.5 模糊自适应整定PID控制

针对板形板厚耦合系统中参数在一定范围内变化的情况下,将自适应控制与系统具体的数学模型相结合,提出自动调整解耦网络和控制器参数的设计方法。仿真表明,该方法消除了参数变化的影响,使解耦控制效果良好

针对板坯入库优化决策问题,采用隶属度函数表示待入库板坯长度、宽度、厚度与各库位已存板坯对应属性的匹配程度,建立了板坯入库模型.针对问题特征,借鉴遗传算法的交叉和变异操作,设计了一种混合离散粒子群算法(DPSO-CM)进行求解.基于企业实际生产数据的仿真实验验证了模型和算法的可行性和有效性

针对钢包精炼炉电极控制系统具有非线性、时变、模型不确定、大滞后、多输入多输出耦合的特点,提出一种基于神经网络实时在线辩识的内模控制方案.控制器采用神经网络解耦,将混沌机制引入到BP算法中,用以加快学习的收敛速度.仿真结果证实了控制策略的有效性