基于模糊神经网络的非线性大系统滑模自适应控制

针对一类非线性大系统，基于模糊神经网络，提出了一种分散滑模自适应控制方法。由模糊神经网络实现滑模控制，平滑了控制切换信号，消除了滑模控制中出现的颤动现象且使系统有强的鲁棒性，同时在控制器的设计中不需要知道系统中的不确定性和扰动的上界。利用Ｌｙａｐｕｎｏｖ稳定理论证明了闭环系统是稳定的且跟踪误差收敛到零的一个邻域内。     

一类非线性大系统递阶优化的神经网络方法*

本文给出了一种求解一类非线性大系统递阶优化问题的神经网络模型，克服了非线性大系统优化中的对偶间隙与不可分性问题，并且该神经网络具有全集成化的特点，易于硬件实现，其协调网络和局部优化网络同步工作，具有很高的求解效率，适宜于系统实时优化应用。     

基于神经网络的一类大系统动态递阶优化方法

提出了一种用于求解离散时间大系统动态递阶优化问题的神经网络模型(LHONN),该网络以全集成化为特征:1)各子系统的动态方程嵌入相应的局部优化网络中,使得网络结构具有较低的维数,易于硬件实现;2)其上级协调网络和局部优化网络的求解过程同时进行,优化求解速度高,适宜于实时系统优化.     

大系统的动态递阶伺服控制

本文针对大系统的伺服控制问题,提出了动态递阶伺服控制这一新的伺服控制方案,给出了动态递阶伺服控制器的结构及动态递阶伺服控制问题可解的条件。研究结果表明,这种伺服控制方案可用来解决有不稳定分散固定模的大系统的伺服控制问题。     

基于模糊神经网络的滑模控制

研究了一类不确定性非线性系统的滑模变结构控制,提出了一种基于模糊神经网络（Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）的滑模变结构设计方法,设计了控制器的结构,利用动态反向传播算法实现滑模控制,这种方法与一般变结构控制相比不但具有强的鲁棒性而且还能有效地消除抖动现象,同时在设计中不需要知识系统中不确定性和扰动的上界,另外还运用Ｌｙａｐｕｎｏｖ函数从理论上分析上了系统的稳定性。仿真结果说明了本文所提     

复杂系统的递阶模糊辨识

针对Takagi_Sugeno模糊模型 (T_S模型 )严重的维数灾问题, 借鉴GMDH算法, 提出了一种新的复杂系统递阶模糊辨识方法. 本文首先详细描述了由两输入变量的特殊T_S模型所组成的递阶模糊模型 ;然后提出了具体的辨识该递阶模糊模型的方法. 该方法的特点是 :a)在结构辨识阶段, 用FCM模糊聚类方法评价系统中每个输入变量的重要性, 以便构造合理的递阶模糊模型 ;b)预先合理地确定了所要辨识的参数的初始值, 用扩展卡尔曼滤波方法可很快地得到这些参数. 最后, 给出的仿真实例说明了本文辨识方法的有     

基于神经网络的工业大系统辨识及稳态递阶优化方法

为了对工业大系统进行稳态递阶优化,必须首先获得系统的稳态模型.从神经网络的分析人手,给出了工业大系统稳态模型的动态辨识方法及基于神经网络模型的推导方法.为了提高算法的收敛速度,引入Lagrange函数解决大系统优化问题中的各种约束,并用Hopfield网络实现了大系统稳态递阶优化的网络算法,最后给出了某一大系统辨识及优化的仿真结果.     

基于递阶遗传算法模糊加权神经网络的模糊规则自动获取

针对模糊规则的自动获取一直是模糊系统的一个瓶颈问题,提出一种基于递阶结构的混合编码遗传算法与进化规划相结合的模糊加权神经网络学习新算法,利用该算法同时优化模糊加权神经网络的结构和参数,最后说明了从网络中提取模糊规则的方法,从而自动获得最优的模糊规则。分析和实验结果表明,本文方法在规则提取和分类准确性等方面比其他方法更好。     

《混沌系统的模糊神经网络控制理论与方法》评介

由谭文教授和王耀南教授撰写的《混沌系统的模糊神经网络控制理论与方法》专著,较系统地介绍了混沌系统模糊神经网络控制的基本理论和新方法、新成果。全书12章,涵盖了混沌系统的BP神经网络控制、混沌系统的RBF神经网络控制、超混沌系统的模糊滑模控制、不确定混沌系统的模糊自适应控制、无穷维时滞混沌系统的混合模糊神经网络时间序列预测、混沌系统的复合遗传神经网络控制、不确定混沌系统的模糊神经网络自适应控制、动态神经网络的不确定混沌系统辨识与控制、基于线性矩阵不等式方法的不确定混沌系统模糊控制、不确定混沌系统的递归高阶神经网络同步控制等,具体内容如下：     

模糊系统与神经网络的融合

1.引言近年来,模糊系统FS(Fuzzy System)与神经网络NN(Neural Network)的研究取得了很大进展。FS的显著特点是它能直接地表示逻辑,适于直接的或高一级的知识表达;而NN则是通过学习功能获得用数据表达的知识,这种知识在NN中是隐含表达的,难以对其进行分析。可以这样说,FS比较适于自顶向下过程,而NN则更适于自低向上过程。随着研究范围的扩大,逐渐改变了上述两个领域之间相互独立的关系,即一个领域的固有缺乏可以通过另一个领域的优     

交通系统的模糊控制及其神经网络实现

本文根据城市交通系统的特点设计了单个路口信号灯的模糊控制器,研究了用神经网络实现模糊控制器的方法和过程,并对该控制器进行了仿真研究,本文所设计的控制方法适合于各种车流大小随机变化的单个路口,且决策过程迅速、合理,无需对车流进行预测,是一种实时单点控制方法,由于模糊控制器由神经网络实现,控制具有学习和联想功能,仿真结果说明了该方法的有效性。     

动态大系统递阶实时控制的新算法及其实现

本文采用了一种新的适用于实时在线控制的递阶算法,并在分布式计算机控制系统上予以实现.应用这种算法,可减少两级之间通讯的信息量,使控制级任务减轻,协调级的计算简单,收敛速度快,局部任务的选择自由度大.本文所设计的分布式计算机控制系统具有通讯可靠,易于扩充、维护等优点.实验证明,用该系统实现实时动态大系统的递阶控制有较理想的结果.     

在FCS环境中神经网络模糊控制的研究

本文提出了在ＦＣＳ环境中的一种模糊控制方法，该方法采用了模糊ＩＦ．ＴＨＥＮ规则和数字数据两种方法进行学习在ＦＣＳ环境中，系统的正确性不但依赖于其计算出的逻辑结果，而且还依赖于该结果的计算时间。针对上述特征，提出了一种能够控制模糊输入矢量的神经网络体系结构，它将一个模糊输入矢量映射到其模糊输出中。     

具有模糊分割的动态神经网络控制

提出了一种具有模糊分割的动态神经网络（ＤＮＮＦＰ）。给出了网络的拓扑结构,得到了该网络在监督学习与再激励学习方式下的学习算法,并将其成功地应用于ｐＨ中和过程这一典型的连续时间非线性动态系统的控制。该文的研究表明,这种动态模糊神经网络综合了模糊逻辑、ＣＭＡＣ网络以及再激励学习的有关结果,不仅具有明确的物理意义,而且无需以任何显式方式建立被控对象的数学模型。由此获得的动态学习控制系统结构简单、鲁棒性强     

神经元网络控制系统

人工神经元网络基于其特有的功能而被应用于控制系统中,为智能控制提供了一个有潜力的发展方向,本文讨论了神经元网络控制的三种方法:基于模式识别功能的BP网络控制器,基于联想记忆模型的模糊控制,以及基于神经元网络优化功能的控制优化调节,并分别指出其优、缺点及有待解决的一些问题。     

四足步行机器人模糊神经网络控制

本文以模糊控制与神经网络应用于四足步行机器人的力与位置混合控制系统为目的，针对ＪＴＵＷＭ－ＩＩ四足步行机器人，进行了有关神经网络、模糊控制的理论研究和实验     

城市交通控制系统综述

本文给出了城市交通控制系统的概述。对集中、分布及递阶式交通控制系统均进行了阐述。对各种控制方法、控制策略、典型的交通网络模型及算法也进行了讨论。作为一个综合的交通管理与控制体系,其经济效益是极其显著的。     

AUV深度的模糊神经网络滑模控制

本文设计了一个模糊神经网络滑模变结构控制器，通过模糊神经网络对滑模控制律 的控制增益进行在线调整，并在海浪干扰条件下，用此控制器对AUV进行深度控制．仿真结 果验证了该智能控制方法具有很好的控制性能和鲁棒牲．     

一类非线性不确定系统的神经网络控制

针对一类非线性不确定系统,提出了一种自适 应神经网络控制方案．被控系统是部分已知的,其中系统已知的动态特性被用来设计保证标 称模型稳定的反馈控制器,而基于神经网络的动态补偿器则用于补偿系统的非线性不确定性 ,从而可以保证系统输出跟踪误差渐近收敛于0．     

高速公路动态交通系统的神经网络预测控制

提出一种高速公路动态交通系统的神经网络预测控制方法。根据高速公路的实际北景导出其非线性动态模型，利用神经网络及辨识的串并联结构来建立模型的映射，在此基础上给出控制变量带有上下界约束的预测控制算法。根据实测数据进行了仿真研究，结果表明算法是有效的，因而为解决高速公路的动态控制问题提出了一种新的方法。