姚锡凡，学者主页-中国科技论文在线

姚锡凡

主要从事机电一体化、机械加工自动化、计算机控制、智能制造和制造业信息等科研与教学工作

个性化签名

TA的关注(0) 关注TA的(0)

留言板

暂无留言

主页成果学术会议学者精选辑更多功能敬请期待

姓名：姚锡凡
目前身份：
担任导师情况：
学位：
学术头衔：

博士生导师
职称：-
学科领域：

机械制造自动化
研究兴趣：主要从事机电一体化、机械加工自动化、计算机控制、智能制造和制造业信息等科研与教学工作

个人简介

姚锡凡,1964年生，博士，华南理工大学机械工程学院教授、博士生导师，光机电一体化技术研究所副所长，广东省机械工程学会制造业信息化分会理事、压铸分会理事，广东省高校"千百十工程"的培养对象。主要从事机电一体化、机械加工自动化、计算机控制、智能制造和制造业信息等科研与教学工作。
　　1988年硕士毕业后，在华南理工大学从事科研与教学工作至今，曾获得省部级科技进步二等奖2项、校级科技进步一等奖1项、专利十佳项目奖和国际专利及新技术新产品展览会金奖。1995－1999年期间攻读机械制造及其自动化博士研究生，获得“广东省优秀博士生”等多项奖励。2000-2001年在美国麻省大学机械与工业工程系作访问学者。
　　主持国家863计划、国家自然科学基金、教育部留学回国人员科研基金和其它项目多项。在制造过程的模糊与神经网络控制、信息集成、不确定信息测度模型、基于信息优化的加工过程控制、企业信息化和智能制造等方面取得了重要成果，特别是在加工过程的智能控制（包括模糊控制、神经网络控制和信息熵为测度的控制）方面形成了自身的研究特色。在多种学术期刊和IEEE等国际学术会议上发表近100篇论文，出版了《加工过程的计算机控制》和《人工智能技术及应用》专著2本。主讲了《计算机应用基础》、《计算机在精密成型中的应用》、《Visual Basic程序设计》、《加工过程的计算机控制》、《凝固过程的计算机模拟》、《工艺过程的计算机辅助设计》、《智能制造基础》等课程。

主页访问

3360
关注数

0
成果阅读

337
成果数

11

TA的成果

上传时间

2012-03-17

【期刊论文】非线性系统的RBF神经网络建模与控制

姚锡凡， Xifan Yao， Zhaotong Lian， Dongyuan Ge， Yi He

International Journal of Innovative Computing, Information and Control，-0001，（）：

-1年11月30日

摘要

Many systems in reality exhibit nonlinear characteristics and in most cases they cannot be treated satisfactorily using linearized approaches over the full operating range. In this paper, an approximate modeling approach is introduced to overcome the mismatch between the linear/linearized model and the real nonlinear plant by treating the nonlinear system as a linear uncertain system that consists of a linear part and an uncertain part, for which a radial basis function neural network is employed to approximate and a nonlinear control scheme is proposed using a linear feedback PD controller to work concurrently with a nonlinear radical basis function neural network controller(RBFNNC). The PD controller, designed for the linear part, is used to improve the transient response while maintaining the stability of the system, and the RBFNNC, designed from fuzzy if-then rules with functional equivalence to a fuzzy inference system, is employed to compensate for the system nonlinearity/uncertainty and reduce the steady state error. The proposed modeling approach or control scheme can incorporate prior knowledge in its framework and provide a more transparent insight than the neural black-box approach. The simulation results reveal that the proposed modeling and control scheme for nonlinear systems is effective.

Nonlinear system,， Uncertain system,， Modeling,， Control,， Neural network,， Radical basis function,， Approximation,， Linearization