基于T-S模型的模糊神经网络PID控制

针对在非线性、时变不确定系统中，常规PID控制器难以获得满意效果的问题，仿照传统PID控制器结构，设计了一种基于T-S模型的模糊神经网络PID控制器。该控制器基于T-S模糊模型，将PID结构融入模糊控制中，充分发挥了模糊系统非线性、可解释性的特点；然后又利用神经网络的学习算法，实现了对模糊控制器的参数调整，使控制器具有了适应时变、不确定系统的自学习和自组织能力。针对非线性、时变系统，将此控制器与传统PID控制器对比进行了仿真研究，并应用于啤酒发酵领域，其结果表明，该控制器取得了令人满意的效果。     

一种模糊神经解耦混合控制器的研究

该文将模糊神经网络与Pl控制技术相结合构成一种模糊神经解耦混合控制器。新控制器在控制过程中借助模糊神经网络的自学习算法实现控制参数的在线调整。仿真结果表明，该控制方法对非线性时变系统有较好的控制效果。     

基于有序神经网络的神经模糊预测控制

本文使用有序神经网络和改进的模糊控制器构成了一种新型的神经模糊预测控制方法，有序网络学习速度快，所需神经数目少，用事先训练好的有序网络代替传统的预测模型，以期增强输出预测的准确性；同时，用一种改进的模糊控制器原有的PID控制器，增强系统的鲁棒性。仿真结果表明，所提出的神经模糊预测控制方法可以获得理想的控制效果。     

基于网点的自学习模糊逻辑系统

提出网点的概念与构造模糊逻辑系统的方法，给出了易于实现的学习算法。该方法适用于模糊规则难以获得而输入输出数据可得的情况，可用于设计基于样本的模糊控制器和系统模糊建模。理论分析和数字仿真说明了该系统的正确性与实用性。     

基于单神经元的参数自学习模糊控制器的研究

为进一步改善永磁交流伺服系统的动静态性能，该文设计了一种基于单神经元的参数自学习模糊控制器，它在控制规则数与二维控制器相当的基础上，可实现三维模糊控制的效果。引入的单神经元采用改进的BP算法来实现比例因子的在线自学习。控制器具有结构及算法简单、易于解析实现的特点。为验证其有效性，该文通过仿真试验，将其与采用常规的PI调节器的控制系统进行比较，结果表明，这种模糊控制器具有较好的控制效果。     

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。     

模糊逻辑控制器的模糊神经网络实现

模糊逻辑是人脑思维活动的基本方式，而神经网络则是模仿人脑神经系统功能而设计的一类巨型非线性网络。所以将模糊逻辑与神经网络相结合具有很大的前途。本文利用模糊神经元突破了没有计算机就不能实现模糊控制的传统观点，给出了一种不用计算机就能实现的模糊神经网络控制器，对模糊控制的硬件实现起到积极的作用。     

用于模糊控制器设计的遗传算法研究

将遗传操作用于模糊规则和控制器参数编码，实现输入变量的合理组合、模糊规则的获取和控制器参数的优化，设计者仅需给出一个运行遗传算法(GA)的个体适应度函数。同时将模拟退火算法(SA)用于优化控制器参数，这种GASA混合优化策略在模糊控制器设计中取得了良好的效果。实例表明了算法的有效性。     

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。     

锅炉燃烧器模糊-PID复合控制器的设计

将模糊-PID复合控制器应用于锅炉燃烧器控制器的设计中，许用C8051F020 MCU及其外部接口电路来实现控制。从仿真结果表明，使用这种模糊-PID复合控制器可以获得很好的控制效果。     

Study of Learning Fuzzy Controllers

This paper compares two types of learning fuzzy controllers, the self-organizing fuzzy (SOF) controller and the hybrid self-organizing fuzzy proportional–integral–derivative (SOF-PID) controller. The SOF is an extension of the rule-based fuzzy controller, with additional rule creation and rule modification mechanisms. The hybrid SOF-PID comprises the SOF as a learning supervisory controller readjusting the proportional gain of the PID controller at the actuator section, when the system is on line. The structures of the SOF controller and the hybrid SOF-PID controller are studied. The performances of the SOF controller and the hybrid SOF-PID controller are compared by applying them to a two-link non-linear revolute-joint robot arm. For the path tracking experiments, the hybrid SOF-PID controller followed the required path more closely and smoothly than the SOF controller. The results of the experiments for the SOF controller and the hybrid SOF-PID controller are also compared with those obtained with a conventional PID controller, using the same values supplied at the setpoint.     

一种基于模糊CMAC神经网络的自学习控制器

通过分析模糊控制和基于广义基函数的ＣＭＡＣ神经网络,提出一种模糊ＣＭＡＣ（ＦＣＭＡＣ）神经网络。通过ＦＣＭＡＣ权系数的在线学习,实现修正模糊逻辑。给出一种基于ＦＣＭＡＣ的自学习控制器的结构及合适的学习算法,这种网络每次学习少量参数,算法简单。仿真结果表明所提出的控制器优于传统的ＰＩＤ控制器。     

利用BP算法的一种自适应模糊预测控制器

提出一种由模糊预测器和模糊预测控制器组成的自适应模糊预测控制方案,采用ＢＰ算法训练模糊预测器和模糊预测控制器,并给出这种模糊预测控制器的训练算法。控制系统对于具有纯时延的非线性被控过程有良好的控制性能。     

一类非线性系统的模糊滑模控制

针对一类非线性不确定系统，提出了一种模糊滑模控制器的设计方法。采用模糊神经网络设计系统控制器，基于梯度符号变化的局部学习率自适应BP算法，对模糊神经网络的隶属函数中心、宽度和网络权值进行调节，使滑模等效控制的模糊系统后件参数是自适应的；在系统存在外部干扰并有界时，利用李亚普诺夫方法证明了系统控制的稳定性。通过Matlab仿真分析，表明了所设计的模糊滑模控制器不但具有鲁棒性，而且具有良好的跟踪性能。     

在线知识获得智能模糊控制器研究

对一些复杂的系统。传统PID或模糊控制很难得到满意控制效果，本文提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来进行控制。由遗传算法在线优化模糊控制器的比例因子、模糊推理规则和隶属函数。并由RBF网络辨识被控对象的动态特性，以评价模糊控制器控制性能。仿真实验表明。优化后的Fuzzy控制器具有较强的学习和自适应控制能力，控制效果优于没有寻优的Fuzzy控制。     

基于神经网络的模糊自适应PID控制方法

提出一种基于BP神经网络的模糊自适应PID控制器。该控制器综合模糊控制、神经网络与PID调节各自的优点，既具有模糊控制的简单和有效的非线性控制作用，又具有神经网络的学习和适应能力，同时具备PID控制的广泛适应性，仿真实验表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。     

具有学习功能的多值模糊神经网络控制系统

对于具有非线性、大时滞、不确定性等特性的难以用精确数学模型描述的多变量复杂系统,靠传统控制理论难以获得理想的控制效果。基于模糊神经网络控制技术不依赖于被控对象精确的数学模型,且能根据被控对象参数的变化自适应调节控制规则和隶属函数参数的特性,进行了采用模糊神经网络控制器实现其控制的应用研究。采用典型的前向型模糊神经网络模型,给出了具有学习功能的多值模糊神经网络控制系统的一种设计方法。仿真实验证明,该系统能够获得较理想的控制效果。     

基于模糊树模型的自适应直接逆控制

基于模糊树模型, 结合神经网络中的逆向学习和专门化学习, 提出了自适应直接逆控制方法. 首先离线辨识对象的逆模型作为初始的控制器, 然后与对象串联, 用最小均方差 (Least mean square, LMS) 算法在线调节控制器中的线性参数. 本方法辨识得到的逆模型控制器可以减少需要的模糊规则数目, 同时达到较好的跟踪控制效果. 仿真结果表明了方法的有效性.     

基于自组织模糊神经网络电力系统稳定器的设计

采用一种自组织模糊神经网络设计电力系统稳定器,该稳定器能通过结构和参数的学习,克服传统模糊控制器设计过程吕存在的盲目性及拚养伤性,避免模糊控制器中模糊逻辑规则的冗余成欠缺。仿夫表明该电力系统稳定器具有良好控制性能。