一种自适应模糊CMAC控制器

本文提出一种自适应模糊ＣＭＡＣ控制器的设计方法，该控制器由模糊ＣＭＡＣ神经网络的五层节点实现模糊控制的输入，模糊化，模糊逻辑运算，归一化及输出值准确化运算，并由合适的ＢＰ训练算法修改相应的权系数，实现模糊控制规则的调整。     

污水处理过程多变量控制方法研究

针对在污水处理过程中存在的多变量相互影响,单变量控制显然不能满足其要求的情况下,本文提出了2种分级多变量模糊控制方法,分别为基于模糊PID-Smith和模糊理论的2级控制和基于双模糊PID-Smith理论的2级控制。这2种控制方法均采用1个双输入、单输出的控制器,它在结构上分为2级,其中基于模糊PID-Smith和模糊理论的2级控制器的第1级结构为模糊PID-Smith控制,第2级结构为模糊控制;而基于双模糊PID-Smith理论的2级控制的2级结构均为模糊PID-Smith控制。这2种控制器的设计方法不但解决了多变量模糊控制规则难以制定的问题,又充分的考虑了其他因素对控制量DO的影响,从而实现了污水处理过程中的多变量模糊控制。本文利用MATLAB软件实现了这2种控制方法的设计与仿真,并和单变量模糊控制进行了比较,总结了多变量模糊控制的特点和优势,指明了把多变量模糊控制应用于污水处理系统是切实可行的。     

基于LQR三级倒立摆变论域自适应模糊控制

针对传统模糊控制的不足，以三级倒立摆为例，应用变论域自适应模糊控制理论，给出了三级倒立摆的数学模型，并验证了其可控性。考虑到三级倒立摆为多变量系统，为了解决模糊控制器规则组合爆炸问题，利用LQR理论先设计出状态反馈器，再进行降维处理。最后利用变论域自适应模糊控制理论给出伸缩因子，从而得到变论域自适应模糊控制器。仿真结果表明，该方法控制精度高，具有良好的稳定性和鲁棒性，可实现倒立摆系统的随动控制。     

SBR系统中的模糊神经网络控制器设计

将模糊控制与神经网络相结合,设计4层模糊神经网络控制器,分析其结构及算法。利用神经网络的自学习能力,在线动态调整模糊变量的隶属函数,优化控制规则,并对曝气池中溶解氧浓度与活性污泥浓度进行控制。通过Matlab对溶解氧的控制进行数字仿真实验,结果表明,具有学习能力的模糊神经网络控制可在污水处理系统的应用中获得更优的性能。     

神经模糊控制在船舶自动舵中的应用

针对常规模糊自动舵由于受船舶控制过程的非线性、时变性以及风浪干扰等因素影响,模糊控制规则和隶属函数需要校正,利用神经网络的自学习能力,用神经网络去实现模糊控制,设计自动舵神经模糊控制器,采用BP算法和最小二乘算法的混合学习算法实现对模糊规则和隶属函数的参数训练,提高控制器的自适应能力。仿真实验表明所设计的控制器有效可行,适应船舶在风浪干扰环境下的控制性能要求。     

神经模糊控制在船舶自动舵中的应用

针对常规模糊自动舵由于受船舶控制过程的非线性、时变性以及风浪干扰等因素影响,模糊控制规则和隶属函数需要校正,利用神经网络的自学习能力,用神经网络去实现模糊控制,设计自动舵神经模糊控制器,采用BP算法和最小二乘算法的混合学习算法实现对模糊规则和隶属函数的参数训练,提高控制器的自适应能力.仿真实验表明所设计的控制器有效可行.适应船舶在风浪干扰环境下的控制性能要求.     

潜艇垂直面运动自适应神经网络模糊控制仿真

神经网络控制和模糊控制技术的广泛应用为潜艇自动舵控制器的设计提供了新的思路.而模糊规则的提取和隶属函数的学习是模糊推理系统设计中重要而困难的问题,自适应神经网络模糊推理系统(ANFIS)结合模糊控制和神经网络控制的优点,基于sugeno模糊模型采用反向传播法和最小二乘法调整模糊推理系统的参数,并自动产生模糊规则.利用方法对潜艇乖直面运动自动舵控制器进行了设计和仿真.从仿真结果来看,自适应神经网络模糊控制器能较好的实现对潜艇垂直面运动的操纵控制,是一种很好的控制方法.     

基于LQR的二级倒立摆的变论域自适应模糊控制

针对传统模糊控制的不足,以二级倒立摆为例,采用了变论域自适应模糊控制理论.考虑到二级倒立摆为多变量系统,为了解决模糊控制器规则组合爆炸问题,利用LQR理论先设计出状态反馈器,再进行降维处理.最后利用变论域自适应模糊控制理论给出伸缩因子,从而得到变论域自适应模糊控制器.仿真结果表明,该方法控制效果好,鲁棒性强.     

一种多电机同步传动模糊神经网络控制器的设计

设计了具有知识表达和自学习能力的模糊神经网络同步控制器．建立了模糊控制规则，进而提出了多电机同步控制的模糊神经网络学习算法．对四轴同步控制系统进行仿真实验．结果表明模糊神经网络同步控制器能有效实现多电机同步控制，收敛速度较快．鲁棒性较好。     

附加力外环的机器人力／位置自适应模糊控制

提出一种由神经网络训练模糊控制规则的自适应模糊控制器,并应用附加力外环的机器人力／位置控制。在不改变一般工业机器人原有位置控制的前提下,实现力／位置自适应模糊控制。实验结果表明,该方法可使机器人控制系统对工作环境接触刚度的自适应能力得到显著改善。     

溶解氧浓度的直接自适应动态神经网络控制方法

针对污水处理过程溶解氧浓度的控制问题,提出一种直接自适应动态神经网络控制方法(direct adaptive dynamic neural network control,DADNNC).构建的控制系统主要包括神经网络控制器和补偿控制器.神经网络控制器由自组织模糊神经网络实现系统状态与控制量之间的映射;提出一种基于规则无用率的结构修剪算法,并给出结构调整后网络收敛的理论证明.同时,为保证系统稳定,设计补偿控制器减小网络逼近误差,参数调整由Layapunov理论给出.国际基准仿真平台上的实验表明,与固定结构神经网络控制器、PID和模型预测控制等已有控制方法相比,DADNNC方法具有更高的控制精度和更强的适应能力.     

Design of an adaptive self-organizing fuzzy neural network controller for uncertain nonlinear chaotic systems

Though the control performances of the fuzzy neural network controller are acceptable in many previous published papers, the applications are only parameter learning in which the parameters of fuzzy rules are adjusted but the number of fuzzy rules should be determined by some trials. In this paper, a Takagi–Sugeno-Kang (TSK)-type self-organizing fuzzy neural network (TSK-SOFNN) is studied. The learning algorithm of the proposed TSK-SOFNN not only automatically generates and prunes the fuzzy rules of TSK-SOFNN but also adjusts the parameters of existing fuzzy rules in TSK-SOFNN. Then, an adaptive self-organizing fuzzy neural network controller (ASOFNNC) system composed of a neural controller and a smooth compensator is proposed. The neural controller using the TSK-SOFNN is designed to approximate an ideal controller, and the smooth compensator is designed to dispel the approximation error between the ideal controller and the neural controller. Moreover, a proportional-integral (PI) type parameter tuning mechanism is derived based on the Lyapunov stability theory, thus not only the system stability can be achieved but also the convergence of tracking error can be speeded up. Finally, the proposed ASOFNNC system is applied to a chaotic system. The simulation results verify the system stabilization, favorable tracking performance, and no chattering phenomena can be achieved using the proposed ASOFNNC system.     

Neuro-fuzzy position control of demining tele-operation system based on RNN modeling

The paper considers the neuro-fuzzy position control of multi-finger robot hand in tele-operation system—an active master–slave hand system (MSHS) for demining. Recently, fuzzy control systems utilizing artificial intelligent techniques are also being actively investigated in robotic area. Neural network with their powerful learning capability are being sought as the basis for many adaptive control systems where on-line adaptation can be implemented. Fuzzy logic on the other hand has been proved to be rather popular in many control system applications providing a rule-base like structure. In this paper, the design and optimization process of fuzzy position controller is supported by learning techniques derived from neural network where a radial basis function (RBF) neural network is implemented to learn fuzzy rules and membership functions with predictor of recurrent neural network (RNN) model. The results of experiment show that based on the predictive capability of RNN model neuro-fuzzy controller with good adaptation and robustness capability can be designed.     

降水量的自适应神经网络模糊推理预报

为了对降水量进行建模与预测 ,介绍了自适应神经网络模糊推理系统 ,设计了基于神经网络的自适应模糊控制器 ,该网络能从一组操作数据中提取模糊控制规则 ,提高降水量预报的准确度。仿真结果表明 ,该方法是非常有效的。     

基于模糊神经网络PID控制器的EEC数字化设计

为实现航空发动机模拟式电子控制器(EEC)的数字化设计,以其低压压气机导流叶片调节通道为主要研究对象,提出一种模糊神经网络PID控制器,将模糊控制、神经网络、PID控制相结合,利用模糊控制专家经验优势和神经网络的自学习、自适应能力,优化PID控制参数,实现控制性能提升。仿真结果显示,基于模糊神经网络的PID控制器控制性能有较大提高,具有比常规神经网络PID控制器更小的超调量和更好的抗干扰性;适用于定常系统和非定常系统,具有更好的自适应性与鲁棒性;可应用于航空发动机模拟式电子控制器(EEC)的数字化设计。     

多变量模糊神经网络控制器的研究

提出一种MIMO系统的模糊神经网络控制器结构,阐述了基本设计思想和具体算法过程。应用实例仿真结果表明,它可用于控制强耦合带时延多变量系统,并使系统具有良好的动态和静态性能。     

Self-organizing adaptive fuzzy neural control for the synchronization of uncertain chaotic systems with random-varying parameters

This paper proposes a self-organizing adaptive fuzzy neural control (SAFNC) for the synchronization of uncertain chaotic systems with random-varying parameters. The proposed SAFNC system is composed of a computation controller and a robust controller. The computation controller containing a self-organizing fuzzy neural network (SOFNN) identifier is the principle controller. The SOFNN identifier is used to online estimate the compound uncertainties with the structure and parameter learning phases of fuzzy neural network (FNN), simultaneously. The structure-learning phase consists of the growing of membership functions, the splitting of fuzzy rules and the pruning of fuzzy rules, and thus the SOFNN identifier can avoid the time-consuming trial-and-error tuning procedure for determining the network structure of fuzzy neural network. The robust controller is used to attenuate the effects of the approximation error so that the synchronization of chaotic systems is achieved.All the parameter learning algorithms are derived based on the Lyapunov stability theorem to ensure network convergence as well as stable synchronization performance. To demonstrate the effectiveness of the proposed method, simulation results are illustrated in this paper.     

基于Elman神经网络的浓相输送模糊控制系统

由于粉末物料的浓相输送系统存在严重的非线性和时变性,故要想建立其准确数学模型难度非常大,本文提出了使用模糊神经网络控制系统,并对于模糊控制规则由Elman神经网络联想记忆后提取,它不但可以获得最佳控制规则,而且响应速度快并能够进行在线进行规则的修正。经仿真实验,该控制器能够对粉末物料流量在一定范围内进行协调优化时实控制。     

自适应模糊神经网络控制系统的研究

自适应模糊神经网络控制器是由模糊控制和神经网络相结合构成,它不依赖被控对象的数学模型,并能自动产生模糊控制规则,又具有良好的自适应性,是目前受人们关注的课题。本文在对其分析的基础上又提出了卡尔曼滤波的学习算法,解决了原BP算法实时性差的问题,通过仿真实验说明了其优越性,并体现了模糊神经网络与最优控制相结合的思想。     

基于自适应神经元学习模糊控制规则

本文给出了利用自适应神经元学习、修改模糊控制规划的新方法，该方法可以学习与当前控制过程输出性能有关的在过去起作用的控制规划，可以随过程环境变化自动调整控制规划，以改善过程输出性能。