神經網絡硬化實現的共性技術在電力傳動中應用研究.pdf

1、在概述人工神經網絡和神經網絡控制發(fā)展歷程和趨勢的基礎上，提出了基于專家控制、模糊控制和神經網絡控制的電力傳動控制系統(tǒng)，并總結出神經網絡應用于電力傳動控制的七種形式：利用神經網絡擔當電力傳動控制系統(tǒng)中的一個環(huán)節(jié)或實現一個組成部分的功能；利用神經網絡實現電力傳動控制系統(tǒng)中的信號檢測、參數估計或狀態(tài)觀測以用于實時補償或閉環(huán)反饋控制；利用神經網絡辨識電力傳動控制系統(tǒng)模型以實現模型參考自適應控制；利用神經網絡充當電力傳動控制系統(tǒng)中的控制器；利用神

2、經網絡實現交流電力傳動控制系統(tǒng)的神經網絡逆控制；利用神經網絡實現電力傳動控制系統(tǒng)狀態(tài)檢測與故障診斷；利用神經網絡實現電力傳動控制系統(tǒng)的復合控制。
　　 基于控制觀抽象出通用的神經元模型和神經網絡連接權值修正的通用學習算法，并分析了Hebb、Perceptron、δ(Delta)、Widrow-Hoff、Correlation、Winner-Take-All、Outstar和Boltzmann等8種常用學習算法的主要特點和選用原則

3、。然后，對Adaline神經元、BP、CMAC和BAM神經網絡的拓撲結構及學習算法和應用進行設計和數字仿真。
　　 基于FPGA提出了硬化實現神經網絡和可重構控制器拓撲結構的技術路線，特別對涉及到的共性核心技術開展了研究，包括：定點數乘/除法運算、浮點數加/減/乘/除法運算、Sigmoid轉移函數、神經網絡Hebb學習算法的硬化實現。明確定義了四種神經網絡系統(tǒng)節(jié)點的標準模型：1-1型、n-1型、n-m型和1-m型。
　　

4、 系統(tǒng)地闡述了神經網絡設計和工程應用的基本步聚，在介紹了神經網絡辨識的基礎上，總結出六種常用的神經網絡控制結構：直接型神經網絡控制器(DNNC)、復合型神經網絡控制器(CNNC)、自適應型神經網絡控制器(ANNC)、逆系統(tǒng)型神經網絡控制器(INNC)、監(jiān)督型神經網絡控制器(SNNC)和優(yōu)化型神經網絡控制器(ONNC)，并重點論述了其中的復合型、自適應型和逆系統(tǒng)型等三種形式。同時，對神經網絡控制系統(tǒng)穩(wěn)定性進行了分析和證明。
　　

5、分析了神經網絡學習和自學習控制的基本特點，概括了學習控制規(guī)律和相應的通用拓撲結構，研究了自學習控制系統(tǒng)的一般性原理及基于規(guī)則的產生式自學習控制系統(tǒng)，基于對象模型信息灰色的客觀事實引入耦合量的概念，借鑒復雜大系統(tǒng)采用的三級遞階智能控制結構，創(chuàng)新性地提出了基于定量模型和定性模型協(xié)同控制的三級遞階智能控制策略、前后臺型神經網絡自學習電力傳動控制系統(tǒng)的基本架構。
　　 利用構建的神經網絡控制理論和FPGA硬化實現的共性核心技術，實現了B