应用单层神经网络设计多变量自适应模糊控制器

提出一种应用单层神经网络设计多变量自适应模糊控制器的方法。应用单层神经网络可以学习多变量模糊控制规则中的未知参数，还可由它来实现多变量模糊推理过程。该方法能解决多变量模糊控制中普遍存在的规则获取困难和难于实现实时自适应等问题。仿真试验表明，所设计的多变量模糊控制器不仅实时性好，而且可得到满意的控制效果。     

用GA寻优线性系统模糊控制器规则

控制精度和自适应能力一直是模糊控制应用中较难解决的问题，解决这一问题的关键在于选取适当的控制规则，而遗传算法可以较好地解决常规的数学优化技术所不能有效解决的问题。该文给出了对于具有修正因子的控制规则，采用遗传算法对其参数进行自调整的方法，它可提高模糊控制器的性能。通过仿真实验表明了该方法对于线性系统的控制是有效的。     

基于积分自整定模糊控制的无刷直流电机伺服系统

为了解决基本模糊控制稳态精度欠佳的问题，提出无刷直流电机伺服系统积分自整定模糊控制器设计方法。该方法在基本模糊控制的基础上增加一个系数自整定积分器，根据实际工程经验并采用模糊控制规则确定积分因子，从而自动地调整积分系数。仿真结果表明，积分自整定模糊控制的动态和稳态性能均优于常规模糊控制。     

基于遗传算法的机器人分层模糊控制

为解决模糊多变量控制中规则数随系统变量数呈指数增长的问题,针对机器人轨迹跟踪的特点,提出了一种分层模糊控制器的设计方法。该方法不仅减少了模糊规则数,而且使模糊控制逻辑变得清晰明了,其中控制参数采用遗传算法整定。实验结果证实:该方法控制效果好、系统跟踪速度快。     

基于蚁群算法的模糊控制规则的过滤简化

针对设计高维模糊控制器过程中会遇到的“规则爆炸”问题，利用蚁群算法进行控制规则的过滤简化。为了用尽量少的规则得到尽可能好的控制效果，利用蚁群算法在饵决组合优化问题中的强大优势，在已有的完备规则中优选出若干条规则嵌人模糊控制器。采用带有时间窗口的蚁群算法去克服遗传算法优选模糊控制规则时可能产生的规则不连续的问题。该文还从遗传算法和蚁群算法工作机制的角度分析了对这两种算法加入约束条件的可操作性。以单级倒立摆控制系统为对象进行仿真研究，最后的仿真结果表明该文方法可以使模糊控制规则具有更好的简化效果和鲁棒性，并能具有好的控制效果。     

基于量子遗传算法的模糊滑模控制

针对一类具有不确定性的非线性系统,提出了一种新的基于量子遗传算法的模糊滑模控制器的设计方法.将模糊控制与滑模控制相结合,利用滑模控制使系统跟踪误差进入边界层内;启用模糊控制替代切换控制,并在边界层上通过监督函数平滑控制作用.在滑动模态产生条件下,通过量子遗传算法优化模糊控制器的控制规则,有效地解决了模糊滑模控制中模糊控制规则的确定问题,从而削弱了系统的抖振,改善了控制器的控制性能.仿真结果表明了该方法的有效性.     

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。     

基于规则相容性的模糊控制规则GA生成方法

基于目前采用遗传算法模糊控制规则优化存在的没有考虑规则的相客性、得到的模糊控制规则难以理解的问题，介绍了以模糊贴近度为评价标准，定量评价模糊规则相客性的方法。在此基础上，提出了新的适应度函数，即遗传算法的适应度函数由控制性能指标和规则相客性指标两部分组成。利用遗传算法生成了模糊规则，同时保证规则之间的相客性。仿真结果表明，生成的模糊规则具有较好的相容性和控制性能。     

基于遗传算法的磨机负荷模糊控制研究

提出了一种磨机负荷模糊控制规则的优化方法。该方法利用遗传算法的全局搜索能力，通过重新设计交叉算子和变异算子，较好地解决了磨机负荷模糊控制规则的获取和寻优问题。     

模糊控制系统的现状与发展(下)

在模糊控制中,模糊推理是为了解决使用模糊规则时的冲突问题,因为给定输入事实后,需要推理方法综合所有模糊控制规则,得到相应的结论。有许多文献研究了推理方法。不同的方法有不同的特性,产生不同的推理结果。     

一种基于Rough Sets和模糊神经网络的规则获取的方法

该文提出了一种基于RoughSets思想获取初始规则,并通过模糊神经网络优化,最后再进行简化获取模糊规则,及模糊系统参数学习的方法。并通过实例进行了自动列车运行系统仿真。文中还基于上述实例,将这种基于模糊神经网络的学习与控制方法与标准的BP网络和基本的模糊系统方法进行了比较,并总结了这种方法的特点。结论表明,该文所提出的模糊规则生成和模糊系统学习方法是行之有效的。     

关系数据库中模糊规则的快速挖掘算法

关联规则和时序规则是数据挖掘的任务之一.在以往的算法中,规则通常用确定的数值或概念来表示,往往不具有实际意义,而且不容易被用户理解.研究了从大型关系数据库中挖掘模糊关联规则和模糊时序规则的问题.基于模糊集合的理论,提出了两个模糊关联规则的挖掘算法,然后把它们分别扩展为模糊时序规则的挖掘算法.用模糊概念表示的规则更符合人的思维和表达习惯,增强了规则的可理解性.     

基于遗传算法获取模糊规则

针对传统利用遗传算法(GA)直接获得的模糊规则所具有的局限性问题,提出了一种带有加权因子的模糊控制规则计算方法,并利用遗传算法对加权因子进行全局寻优,最终由最优加权因子计算生成模糊规则。该计算方法针对不同的模糊输入等级施加不同的加权因子,并能够利用加权因子的相关性与对称性完整地评估所有的模糊规则,减少无效规则对系统响应所造成的影响。性能对比实验表明,该模糊规则所构成的模糊控制系统在控制过程中超调量小,调节时间短,在模糊控制的应用中具有可行性;不同激励的仿真实验表明,该模糊规则所构成的模糊控制系统的控制效果不依赖于系统的激励信号,跟踪效果好,具有很强的鲁棒性。     

一种基于模糊规则的分类方法

本文提出了一种基于模糊规则的分类方法。首先介绍了一种新的模糊规则提取方法，然后基于所提取的模糊规则给出了一个采用二级判决的分类算法，并利用IRIS数据对此分类算法进行了仿真测试。结果表明，该算法在训练样本较少的情况下，仍能得到很好的分类效果.     

基于规则熵函数法的结构自适应模糊辨识与控制

提出一种新的结构自适应模糊辨识器,其特点是采用“规则熵函数”法在线调节模糊逻辑系统参数,使规则前件参数趋于一致,从而进行规则合并,简化了系统结构。将该结构自适应模糊辨识器用于一类非线性系统的自适应控制,仿真结果验证了所提出方法的有效性。     

基于模糊加权神经网络的模糊规则自动获取

如何实现模糊规则的自动获取一直是模糊系统中的一个难题，文中在充分研究了模糊加权神经网络和遗传算法的基础上，给出了一种能够自动获取模糊规则的剪枝算法，并以此建立了新的网络模型。模拟结果验证了该模型的有效性。     

一种基于多精度模糊划分提取模式识别规则的方法

对于具有多模糊特征变量的分类问题，提出一种自动提取适当的模糊模式识别规则集的方法．首先通过多精度划分模糊空间产生多个模糊规则表，然后采用人工免疫原理的克隆选择算法，得出一个优化的模糊分类规则集用于模式识别．实验表明该方法所提取的规则集规则数目少、分类正确率较高．     

基于模糊聚类的模糊关联规则挖掘

通过模糊聚类，从已知数据中得到数据点对数据类的隶属度，并以此进行模糊关联规则的挖掘，从而使得模糊关联规则的发现不依赖于人类专家预先给出的隶属度函数；并且实验表明。聚类并没有带来显著的顿外计算时间，对于大型数据库，文章提出的方法是有效的。     

一种模糊规则提取方法的研究

提出了一种基于改进的模糊 C 均值聚类的模糊规则提取方法。然后基于所提取的模糊规则给出了一种分类算法,并利用 IRIS 数据对此分类算法进行了仿真测试。结果表明,该算法在训练祥本较少的情况下,仍能得到很好的分类效果,由此说明所提出的模糊规则生成方法有效。     

二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器.该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练.能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则.通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器时二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度.