CN108388115A - 基于广义预测控制的ncs网络时延补偿方法 - Google Patents
基于广义预测控制的ncs网络时延补偿方法 Download PDFInfo
- Publication number
- CN108388115A CN108388115A CN201810126756.9A CN201810126756A CN108388115A CN 108388115 A CN108388115 A CN 108388115A CN 201810126756 A CN201810126756 A CN 201810126756A CN 108388115 A CN108388115 A CN 108388115A
- Authority
- CN
- China
- Prior art keywords
- network
- delay
- output
- input
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于广义预测控制的NCS网络时延补偿方法,包括以下步骤:根据实际测得原始网络时延数据,建立人工神经网络模型并结合混沌纵横交叉的粒子群算法优化极限学习机的输入权值和阈值,以计算网络时延预测模型;选取网络控制系统中的网络时延,获得时延矩阵作为网络时延预测模型输入,由CC‑SPO‑ELM算法预测k时刻网络时延;并根据隐式广义预测控制采用最小二乘法对控制器参数进行辨识,通过IGPC的控制率,求得当前时刻控制量,且根据所预测得到的k时刻网络时延与采样周期之间的关系计算获得输出控制信号。本发明使用预测的结果结合隐式广义预测算法对未来控制量进行预测,对网络控制系统随机时延进行补偿,提高了网络控制系统信号的跟踪能力。
Description
技术领域
本发明涉及一种基于广义预测控制的NCS网络时延补偿方法,属于网络控制器的技术领域。
背景技术
网络控制系统(NCS)是指执行器,传感器与控制器之间通过网络连接形成的,拥有完整的通信网络、远程式的控制系统的闭环控制系统。考虑到控制回路中引入了网络,产生了一系列问题,尤其是网络中诱导时延的产生严重影响了系统的控制性能。
对于网络随机时延与丢包的补偿,D.W.Clarke等人在1987年提出了一种自适应控制算法,可以通过多步预测补偿网络中的时延与丢包。但是传统算法预测模型的精度不高,而将广义预测控制器用于网络系统中,受到随机时延的干扰可能会使被控对象输出不稳定,因此广义预测控制算法很难满足实际应用。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足,提供一种基于广义预测控制的NCS网络时延补偿方法,解决传统算法预测精度不高、训练速度慢且受到随机时延的干扰可能会使被控对象输出不稳定等问题。
本发明具体采用以下技术方案解决上述技术问题:
基于广义预测控制的NCS网络时延补偿方法,包括以下步骤:
步骤1、根据实际测得原始网络时延数据,建立人工神经网络模型并结合混沌纵横交叉的粒子群算法优化极限学习机的输入权值和阈值,以计算获得网络时延预测模型;
步骤2、选取网络控制系统中的网络时延,经归一化数据后将获得的时延矩阵作为网络时延预测模型输入,网络时延预测模型根据CC-SPO-ELM算法预测得到k时刻网络时延;并根据隐式广义预测控制采用带遗忘因子的最小二乘法对控制器参数进行识别,通过计算的IGPC的控制率,求得当前时刻的控制量,且根据所预测得到的k时刻网络时延与采样周期之间的关系计算获得输出控制信号,并将输出控制信号发送至执行器以控制被控对象。
进一步地,作为本发明的一种优选技术方案,所述步骤1中获得网络时延预测模型,具体为:
将实际测得原始网络时延数据作为所建立人工神经网络模型的输入,由人工神经网络模型计算获得包含输入权值和输出权值的输出矩阵;
通过混沌纵横交叉的粒子群算法对初始输入的权值和阈值进行优化迭代,得到最优输入权值和阈值;
将所得最优输入权值和阈值利用极限学习机算法计算,获得网络时延预测模型。
进一步地,作为本发明的一种优选技术方案,所述步骤1中由人工神经网络模型计算获得的输出矩阵为:
D=[D1,D2,…,DQ]m×Q,
其中,DQ为人工神经网络模型的输出;Q为样本的训练集数量;并且,Dj为时延矩阵,具体为:
式中,m为输出变量个数,ωi为输入权重,βi为输出权重,bi为第i个隐含层的阈值,l为隐含层的神经元个数;H为隐含层的输出矩阵;g为隐含层神经元的激活函数;dj=[x1j,x2j,…xmj]T为训练集输入矩阵。
进一步地,作为本发明的一种优选技术方案,所述步骤1中将所得最优输入权值和阈值利用极限学习机算法计算采用公式:
β=H+DT
其中,β为隐含层与输出层间的连接权值,H+为隐含层输出矩阵H的Moore-Penrose广义逆;DT为预测的输出矩阵D的转置。
进一步地,作为本发明的一种优选技术方案,所述步骤2中根据所预测得到的k时刻网络时延τk与采样周期T之间的关系计算获得输出控制信号,具体为:
其中,
式中,n为输出控制信号;τk为预测得到的k时刻网络时延;T为采样周期。
本发明采用上述技术方案,能产生如下技术效果:
本发明与现有技术相比,本发明的有益效果是考虑了被控对象受到随时延的影响,使得被控对象输出稳定,网络控制系统时延得到补偿,可以在网络控制系统下使用广义预测控制器,且结构简单、稳定性高、操作简单、移植性强、花费少等特点,可应用于工程实践当中。
附图说明
图1为本发明基于广义预测控制的NCS网络时延补偿方法的原理图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示,本发明提出一种基于广义预测控制的NCS网络时延补偿方法,该方法包括以下步骤:
步骤1、根据实际测得原始网络时延数据,建立人工神经网络并结合混沌纵横交叉的粒子群算法(CC-PSO)优化极限学习机(ELM)的输入权值和阈值,以计算获得网络时延预测模型。具体如下:
根据实际测得原始网络时延数据,建立人工神经网络模型并结合混沌纵横交叉的粒子群算法(CC-PSO)优化极限学习机(ELM)的输入权值和阈值,完成对训练时延数组的预测模型。极限学习机是一种有效的单隐含前馈神往网络学习算法,该算法随机产生输入层和输出层之间的权值和阈值,且在训练过程中无需调整,只要设置隐含层神经元个数,便可以获得预测误差最小的唯一解。
所述建立人工神经网络模型为受控自回归积分滑动平均模型,其形式为:
A(q-1)y(k)=q-d(k)B(q-1)u(k)+C(q-1)e(k)/Δ
其中d(k)(dmin≤d(k)≤dmax)表示NCS的网络时延,由于控制器与执行器采用事件驱动方式,传感器采用时钟驱动方式,因此前向通道时延τca与反向通道时延τsc可以合并为一个,设网络总时延为d(k)=τsc+τca,使用CC-PSO-ELM预测算法得出;y(k),u(k),e(k)分别为被控对象的输出,输入及受到的白噪声;由测量确定噪声组成;引入网络后产生的网络时延,τsc为反向通道时延;τca为前向通道时延。
将具有Q个样本的训练集输入,建立人工神经网络模型,由人工神经网络模型计算得出包含输入权值和输出权值的输出矩阵,所述神经网络输出D为D=[D1,D2,…,DQ]m×Q,
其中,DQ为人工神经网络模型的输出;Q为样本的训练集数量;并且,Dj为时延矩阵,具体为:
上述两式中,m为输出变量个数,ωi为输入权重,βi为输出权重,bi为第i个隐含层的阈值,l为隐含层神经元个数。将输入样本代入初始设定的人工神经网络模型中计算隐含层输出矩阵H,由此计算输出层权值β=H+DT,H+为隐含层输出矩阵H的Moore-Penrose广义逆。g为隐含层神经元的激活函数;dj=[x1j,x2j,…xmj]T为训练集输入矩阵。
由于ELM初始输入权值和阈值是随机确定,训练的精度和时间都会受随机性的影响,因此采用CC-PSO对初始输入权值和阈值进行优化,从而避免盲目训练人工神经网络。
CC-PSO预测模型初始化粒子群体,确定粒子群大小及搜索维度,并设定相关参数。对种群中所有粒子进行两两不重复随机组合,进行横向交叉,计算粒子适应度值,适应度值小的粒子保留,对横向交叉得到的粒子的每一维进行归一化,然后对所有的维进行不重复两两随机配对,然后进行纵向交叉操作,反归一化后进行适度值比较,更新粒子。迭代次数加一,当迭代数达到最大迭代次数限制或最佳适应度达到设定阈值即停止寻优过程。通过CC-PSO算法得到的最优输入权值ω和阈值b后,利用ELM训练算法,代入公式:β=H+DT,即可计算出模型预测值。
步骤2、选取网络控制系统中的网络时延,经归一化数据后将获得的时延矩阵作为网络时延预测模型输入,网络时延预测模型根据CC-SPO-ELM算法预测得到k时刻网络时延;并根据隐式广义预测控制采用带遗忘因子的最小二乘法对控制器参数进行辨识,通过计算的IGPC的控制率,求得当前时刻的控制量,且根据所预测得到的k时刻网络时延与采样周期之间的关系计算获得输出控制信号,同时将控制量发送给执行器,执行器将控制量发送给被控对象,于K+n时刻返回步骤1。
具体地,选取网络控制系统的一段网络时延,归一化数据,将时延矩阵作为网络时延预测模型输入,根据CC-SPO-ELM算法预测k时刻的网络时延τk。并根据隐式广义预测控制采用带遗忘因子的最小二乘法对控制器参数进行辨识,通过公式Δu(k-τk)=(GTG+δI)-1GT(W-f)计算的IGPC的控制率Δu(k-τk),将Δu(k-τk)代入u(k-τk)=u(k-1-τk)+Δu(k-τk)计算出控制量u(k-τk),由此求得当前时刻的控制量u(k-τk),根据CC-PSO-ELM预测出的时延与采样周期T之间的关系决定输出N个控制信号,因为τk是k时刻CC-PSO-ELM预测出的网络时延,这样就可以满足k时刻控制器发出的控制信号经过时延d(k),于时刻k+n到达执行器,执行器将控制量发送给被控对象,于K+n时刻返回步骤1。从而补偿了系统的随机时延。
其中,当隐式广义预测控制在时刻k共计算出N个控制信号,一般的广义预测控制默认输出u(k+1/k)作为控制信号,而改进的算法根据预测出的时延τk与采样周期之间T的关系决定输出控制信号u(k+n/k)。
所述过程中控制器算法采取广义预测控制,具体如下:
首先,求得y(k+j)最合适的预测值:
其中,Ej、Fj是由A(q-1)和预测长度j唯一确定的多项式。
在GPC中,k时刻的优化性能指标具有以下形式:
其中,Δu(k-τk)=dT(ω-f),dT=(1,0,…,0)(GTG+λI)-1GT
其中,
设:y(k+n)=X(k)θ(k)+e(k+n)
其中:
X(k)=[Δu(k),Δu(k+1),…Δu(k+n-1),1]
θ(k)=[gn-1,gn-2,…,g0,f(k+n)]
所述隐式广义预测控制采用带遗忘因子的最小二乘法对控制器参数进行辨识,令:
式中,γ为遗忘因子,要求0≤γ≤1,
预测向量
则IGPC的控制率为:
Δu(k-τk)=(GTG+δI)-1GT(W-f)
可求得当前时刻的控制量为:
u(k-τk)=u(k-1-τk)+Δu(k-τk)
=u(k-1-τk)+[1,0,…,0](GTG+δI)-1GT(W-f)
隐式广义预测控制在时刻k共计算出N个控制信号,一般的广义预测控制默认输出u(k+1/k)作为控制信号,而改进的算法根据预测出的时延τk与采样周期之间T的关系决定输出控制信号u(k+n/k),其中n为:
所述公式中,n等于0为整数,不等于为非整数。
其中,τk是预测模型预测得到的k时刻网络时延,这样可以满足k时刻控制器发出的控制信号经过时延d(k),于时刻k+n到达执行器,从而补偿了系统的随机时延。
综上,本发明改进了预测时延模型的算法,使用基于混沌纵横交叉的粒子群算法CC-PSO与极限学习机ELM结合,在极短时间内建立NCS中随机时延的预测模型,CC-PSO-ELM算法有效减少预测模型的训练时间以及拥有良好的预测精度,使用预测的结果结合隐式广义预测算法对未来控制量进行预测,对网络控制系统随机时延进行补偿,提高了网络控制系统信号的跟踪能力。本发明结构简单、稳定性高、操作简单、移植性强、花费少等特点,可应用于工程实践当中。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.基于广义预测控制的NCS网络时延补偿方法,其特征在于,包括以下步骤:
步骤1、根据实际测得原始网络时延数据,建立人工神经网络模型并结合混沌纵横交叉的粒子群算法优化极限学习机的输入权值和阈值,以计算获得网络时延预测模型;
步骤2、选取网络控制系统中的网络时延,经归一化数据后将获得的时延矩阵作为网络时延预测模型输入,网络时延预测模型根据CC-SPO-ELM算法预测得到k时刻网络时延;并根据隐式广义预测控制采用带遗忘因子的最小二乘法对控制器参数进行识别,通过计算的IGPC的控制率,求得当前时刻的控制量,且根据所预测得到的k时刻网络时延与采样周期之间的关系计算获得输出控制信号,并将输出控制信号发送至执行器以控制被控对象。
2.根据权利要求1所述基于广义预测控制的NCS网络时延补偿方法,其特征在于,所述步骤1中获得网络时延预测模型,具体为:
将实际测得原始网络时延数据作为所建立人工神经网络模型的输入,由人工神经网络模型计算获得包含输入权值和输出权值的输出矩阵;
通过混沌纵横交叉的粒子群算法对初始输入的权值和阈值进行优化迭代,得到最优输入权值和阈值;
将所得最优输入权值和阈值利用极限学习机算法计算,获得网络时延预测模型。
3.根据权利要求2所述基于广义预测控制的NCS网络时延补偿方法,其特征在于,所述步骤1中由人工神经网络模型计算获得的输出矩阵为:
D=[D1,D2,…,DQ]m×Q,
其中,DQ为人工神经网络模型的输出;Q为样本的训练集数量;并且,Dj为时延矩阵,具体为:
式中,m为输出变量个数,ωi为输入权重,βi为输出权重,bi为第i个隐含层的阈值,l为隐含层的神经元个数;H为隐含层的输出矩阵;g为隐含层神经元的激活函数;dj=[x1j,x2j,…xmj]T为训练集输入矩阵。
4.根据权利要求1所述基于广义预测控制的NCS网络时延补偿方法,其特征在于,所述步骤1中将所得最优输入权值和阈值利用极限学习机算法计算采用公式:
β=H+DT
其中,β为隐含层与输出层间的连接权值,H+为隐含层输出矩阵H的广义逆;DT为预测的输出矩阵D的转置。
5.根据权利要求1所述基于广义预测控制的NCS网络时延补偿方法,其特征在于:所述步骤2中根据所预测得到的k时刻网络时延与采样周期之间的关系计算获得输出控制信号,具体为:
其中,
式中,n为输出控制信号;τk为预测得到的k时刻网络时延;T为采样周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810126756.9A CN108388115A (zh) | 2018-02-08 | 2018-02-08 | 基于广义预测控制的ncs网络时延补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810126756.9A CN108388115A (zh) | 2018-02-08 | 2018-02-08 | 基于广义预测控制的ncs网络时延补偿方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108388115A true CN108388115A (zh) | 2018-08-10 |
Family
ID=63074550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810126756.9A Pending CN108388115A (zh) | 2018-02-08 | 2018-02-08 | 基于广义预测控制的ncs网络时延补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108388115A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861039A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司广州供电局 | 基于lstm和广义预测控制算法的电力负荷预测方法、系统、设备及存储介质 |
CN113625556A (zh) * | 2021-07-06 | 2021-11-09 | 沈阳化工大学 | 一种循环流化床复杂工业系统的自适应控制方法 |
CN115598983A (zh) * | 2022-10-28 | 2023-01-13 | 湖南大学无锡智能控制研究院(Cn) | 一种考虑时变时延的无人车横纵向协同控制方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1490689A (zh) * | 2003-09-11 | 2004-04-21 | 中国科学技术大学 | 非线性时变自适应控制器及其控制方法 |
CN103324091A (zh) * | 2013-06-03 | 2013-09-25 | 上海交通大学 | 一种零阶接近有界的非线性多变量系统的多模型自适应控制器及控制方法 |
CN103761423A (zh) * | 2013-12-31 | 2014-04-30 | 中南大学 | 一种基于pso-elm的热轧板材组织-性能预测方法 |
CN103984311A (zh) * | 2014-05-13 | 2014-08-13 | 北京理工大学 | 网络化控制系统变采样预测控制器 |
CN104317195A (zh) * | 2014-09-28 | 2015-01-28 | 重庆邮电大学 | 一种基于改进极限学习机的非线性逆模型控制方法 |
CN104503229A (zh) * | 2014-11-24 | 2015-04-08 | 北京邮电大学 | 基于ls-svm时延预测的波积分双边遥操作控制方法 |
US20170060102A1 (en) * | 2015-09-01 | 2017-03-02 | The Florida International University Board Of Trustees | Detection of and responses to time delays in networked control systems |
CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
CN107516150A (zh) * | 2017-08-25 | 2017-12-26 | 广东工业大学 | 一种短期风电功率的预测方法、装置及系统 |
-
2018
- 2018-02-08 CN CN201810126756.9A patent/CN108388115A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1490689A (zh) * | 2003-09-11 | 2004-04-21 | 中国科学技术大学 | 非线性时变自适应控制器及其控制方法 |
CN103324091A (zh) * | 2013-06-03 | 2013-09-25 | 上海交通大学 | 一种零阶接近有界的非线性多变量系统的多模型自适应控制器及控制方法 |
CN103761423A (zh) * | 2013-12-31 | 2014-04-30 | 中南大学 | 一种基于pso-elm的热轧板材组织-性能预测方法 |
CN103984311A (zh) * | 2014-05-13 | 2014-08-13 | 北京理工大学 | 网络化控制系统变采样预测控制器 |
CN104317195A (zh) * | 2014-09-28 | 2015-01-28 | 重庆邮电大学 | 一种基于改进极限学习机的非线性逆模型控制方法 |
CN104503229A (zh) * | 2014-11-24 | 2015-04-08 | 北京邮电大学 | 基于ls-svm时延预测的波积分双边遥操作控制方法 |
US20170060102A1 (en) * | 2015-09-01 | 2017-03-02 | The Florida International University Board Of Trustees | Detection of and responses to time delays in networked control systems |
CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
CN107516150A (zh) * | 2017-08-25 | 2017-12-26 | 广东工业大学 | 一种短期风电功率的预测方法、装置及系统 |
Non-Patent Citations (4)
Title |
---|
ZHAO J M: "NN-adaptive predictive control for a class of discrete-time nonlinear systems with input-delay", 《NEURO COMPUTING》 * |
周颖,等: "具有时变时延和丢包的网络控制系统H∞控制", 《计算机技术与发展》 * |
张超: "基于广义预测控制算法的网络控制系统时延补偿研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
田中大,等: "基于预测控制的NCS时延补偿算法", 《系统工程与电子技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861039A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司广州供电局 | 基于lstm和广义预测控制算法的电力负荷预测方法、系统、设备及存储介质 |
CN113625556A (zh) * | 2021-07-06 | 2021-11-09 | 沈阳化工大学 | 一种循环流化床复杂工业系统的自适应控制方法 |
CN113625556B (zh) * | 2021-07-06 | 2023-08-01 | 沈阳化工大学 | 一种循环流化床复杂工业系统的自适应控制方法 |
CN115598983A (zh) * | 2022-10-28 | 2023-01-13 | 湖南大学无锡智能控制研究院(Cn) | 一种考虑时变时延的无人车横纵向协同控制方法及装置 |
CN115598983B (zh) * | 2022-10-28 | 2023-06-13 | 湖南大学无锡智能控制研究院 | 一种考虑时变时延的无人车横纵向协同控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021196997A1 (zh) | 基于模糊神经网络的串联输水渠道水位预测与控制方法 | |
CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
CN109839824A (zh) | 一种基于预测控制的网络控制系统时延补偿方法 | |
CN108388115A (zh) | 基于广义预测控制的ncs网络时延补偿方法 | |
CN111608868B (zh) | 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 | |
CN109725537A (zh) | 一种改进的线性最优半主动控制方法 | |
CN104155877A (zh) | 基于遗传算法的无刷直流电机模糊控制系统及控制方法 | |
CN110488759A (zh) | 一种基于Actor-Critic算法的数控机床进给控制补偿方法 | |
Hajebi et al. | Online adaptive fuzzy logic controller using genetic algorithm and neural network for networked control systems | |
CN111799808A (zh) | 一种电网无功电压分布式控制方法及系统 | |
CN114355848A (zh) | 张力检测与智能控制系统 | |
CN112564118B (zh) | 一种分布式可拓展量子深宽度学习的实时电压控制方法 | |
CN108153151A (zh) | Mimo全格式无模型控制器基于系统误差的参数自整定方法 | |
Adnan et al. | Artificial neural network for software reliability assessment | |
CN108459501A (zh) | 一种网络环境下的基于ga-powell算法的约束广义预测控制器 | |
CN108132600A (zh) | Mimo紧格式无模型控制器基于偏导信息的参数自整定方法 | |
CN116151385A (zh) | 一种基于生成对抗网络的机器人自主学习方法 | |
CN113935457A (zh) | 一种基于正态分布的脉冲神经网络输入信号编码方法 | |
CN113131771A (zh) | 一种基于强化学习的逆变器优化控制方法 | |
Li et al. | Research on dynamic switch migration strategy based on fmopso | |
CN117614270B (zh) | 基于神经网络的Buck变换器导通模式切换控制方法 | |
Xiao et al. | Research on congestion control model and algorithm for high-speed network based on genetic neural network and intelligent PID | |
Lin et al. | A pseudo-Gaussian-based compensatory neural fuzzy system | |
Chang et al. | Optimal digital redesign of hybrid cascaded input-delay systems under state and control constraints | |
Al_Duais et al. | Dynamically-adaptive Weight in Batch Back Propagation Algorithm via Dynamic Training Rate for Speedup and Accuracy Training |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180810 |