發(fā)布時間：2017-04-23 14:08

  本文關(guān)鍵詞：自適應神經(jīng)網(wǎng)絡算法研究及在污水處理中的應用，由筆耕文化傳播整理發(fā)布。

【摘要】：外部擾動和時間延遲等因素廣泛存在于實際的被控系統(tǒng)中,比如污水處理溶解氧濃度的控制過程等。此類因素容易導致系統(tǒng)不穩(wěn)定,因此在實際控制的過程中,要重視這類因素的影響。本文深入研究了帶有外界干擾的非線性時滯系統(tǒng)的控制問題。將自適應與神經(jīng)網(wǎng)絡方法相結(jié)合,解決了單一控制方法在對系統(tǒng)進行控制時所產(chǎn)生的缺陷。論文的研究內(nèi)容如下:首先,通過對舉出的簡單實例進行仿真,驗證了RBF神經(jīng)網(wǎng)絡的函數(shù)逼近性能,同時對比了各參數(shù)對于函數(shù)逼近性能的影響,并且比較了梯度下降法和新型混合算法對RBF網(wǎng)絡逼近性能的影響,得出的結(jié)論為后者在網(wǎng)絡訓練速度方面更快。其次,針對一類嚴反饋時滯非線性系統(tǒng),通過結(jié)合Lyapunov函數(shù)和backstepping方法提出了一個自適應神經(jīng)網(wǎng)絡控制方案。在該方案中,應用RBF神經(jīng)網(wǎng)絡來逼近未知的非線性,隨后基于backstepping技術(shù)設計了自適應神經(jīng)網(wǎng)絡控制器,最后通過MATLAB仿真證明了控制器的有效性,并且通過仿真與原文獻結(jié)果進行了對比,在確保整個閉環(huán)控制系統(tǒng)穩(wěn)定的前提下,提高了系統(tǒng)的跟蹤速度與精度。然后,針對一類帶有輸入延遲和外界擾動的非線性系統(tǒng)設計自適應神經(jīng)網(wǎng)絡的控制方案,利用濾波器和虛擬觀測器代替系統(tǒng)的狀態(tài),并通過Lyapunov函數(shù)證明了所設計控制器的有效性。通過仿真驗證了系統(tǒng)的跟蹤性能,保證了系統(tǒng)能夠在有限的時間內(nèi)達到穩(wěn)定狀態(tài),反應了所設計的自適應神經(jīng)網(wǎng)絡算法是合理有效的,并且通過與改動前被控系統(tǒng)的仿真結(jié)果對比,體現(xiàn)了所設計控制算法在抗干擾能力方面的優(yōu)越性。最后,論文將帶有外部擾動的非線性時滯系統(tǒng)的控制算法應用到實驗室污水處理實驗平臺上,將實驗的仿真結(jié)果與PID算法的實驗結(jié)果進行對比。通過對比可以看出,使用本文控制算法得到的效果優(yōu)于PID算法的效果。
【關(guān)鍵詞】：自適應神經(jīng)網(wǎng)絡控制 非線性時滯系統(tǒng) 污水處理 溶解氧濃度 RBF神經(jīng)網(wǎng)絡
【學位授予單位】：河北科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP183;X703
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-15
• 1.1 論文的研究背景及選題意義9-11
• 1.1.1 研究背景9-10
• 1.1.2 選題意義10-11
• 1.2 國內(nèi)外的研究現(xiàn)狀11-13
• 1.3 研究內(nèi)容13-15
• 第2章 RBF神經(jīng)網(wǎng)絡算法研究15-31
• 2.1 神經(jīng)網(wǎng)絡的概述15-17
• 2.2 RBF神經(jīng)網(wǎng)絡原理17-18
• 2.3 RBF神經(jīng)網(wǎng)絡學習算法18-29
• 2.3.1 梯度下降法19-26
• 2.3.2 混合算法26-29
• 2.4 本章小結(jié)29-31
• 第3章 非線性時滯系統(tǒng)的自適應神經(jīng)網(wǎng)絡控制31-44
• 3.1 引言31
• 3.2 Backstepping算法介紹31-32
• 3.3 系統(tǒng)自適應神經(jīng)網(wǎng)絡的設計方案32-40
• 3.3.1 系統(tǒng)描述32-33
• 3.3.2 Backstepping設計33-37
• 3.3.3 自適應神經(jīng)網(wǎng)絡控制37-40
• 3.4 算例仿真40-42
• 3.5 本章小結(jié)42-44
• 第4章 一類具有外部擾動的非線性時滯系統(tǒng)的自適應神經(jīng)網(wǎng)絡控制44-56
• 4.1 引言44-45
• 4.2 自適應神經(jīng)網(wǎng)絡控制算法的設計45-53
• 4.2.1 問題描述45
• 4.2.2 基于RBF神經(jīng)網(wǎng)絡的函數(shù)逼近45-46
• 4.2.3 算法設計46-53
• 4.3 算例仿真53-55
• 4.4 本章小結(jié)55-56
• 第5章 自適應神經(jīng)網(wǎng)絡在污水處理過程中的應用56-70
• 5.1 引言56-58
• 5.2 曝氣環(huán)節(jié)數(shù)學模型58-62
• 5.2.1 活性污泥數(shù)學模型建立的預備知識58-60
• 5.2.2 模型的建立60-62
• 5.3 算法應用及MATLAB仿真62-63
• 5.4 污水處理算法實現(xiàn)及實驗仿真63-69
• 5.4.1 PID控制算法實現(xiàn)64-66
• 5.4.2 自適應神經(jīng)網(wǎng)絡控制算法的實現(xiàn)66-69
• 5.5 本章小結(jié)69-70
• 結(jié)論70-72
• 參考文獻72-76
• 攻讀碩士學位期間所發(fā)表的論文76-78
• 致謝78

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 謝先偉;;大規(guī)模煤炭數(shù)據(jù)下分布式神經(jīng)網(wǎng)絡算法的研究與實現(xiàn)[J];煤炭技術(shù);2013年09期

2 高淑芝;徐曉劍;王會;趙娜;;LMBP神經(jīng)網(wǎng)絡算法的改進[J];沈陽化工大學學報;2014年01期

3 楊炳林,王良恩,黃詩煌;單一溶劑鹽溶液飽和蒸氣壓計算的新方法──改進的BP神經(jīng)網(wǎng)絡算法[J];福建化工;2000年02期

4 肖立川,薛國新;BP神經(jīng)網(wǎng)絡算法研究及其在燃煤鍋爐中應用[J];江蘇石油化工學院學報;2001年03期

5 孫開瓊,周云才;改進的神經(jīng)網(wǎng)絡算法及其在油層識別中的應用[J];石油機械;2004年03期

6 周橋;高謙;;樣條權(quán)函數(shù)神經(jīng)網(wǎng)絡算法在超前錨桿加固方式中的應用研究[J];金屬礦山;2009年11期

7 羅丹;李昌彩;吳長彬;;基于微粒群 BP神經(jīng)網(wǎng)絡算法的堆石壩壩體變形監(jiān)控模型研究[J];巖石力學與工程學報;2012年S1期

8 張引沁;;利用神經(jīng)網(wǎng)絡算法推算超額吉布斯自由能[J];新鄉(xiāng)學院學報(自然科學版);2008年04期

9 劉毅;張新;李艷;;基于虛擬儀器和神經(jīng)網(wǎng)絡算法的旋轉(zhuǎn)機械故障診斷系統(tǒng)設計[J];煤礦機械;2011年11期

10 朱云;;計算機網(wǎng)絡連接增強優(yōu)化中的神經(jīng)網(wǎng)絡算法[J];煤炭技術(shù);2012年04期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 呂慶U，

本文編號：322508