基于BP算法的自适应模糊控制系统研究*

在用模糊算法产生模糊规则的过程中，专家信息对算法是否收敛起到了很重要的作用。本文基于模糊控制器的一种解析结构，提出了用ＢＰ算法完善经验规则，加速非线性系统模糊控制过程的方法。     

一种模糊规则动态调整BP算法中参数的方法

文中首先对标准的ＢＰ算法进行了分析。然后在此基础上提出了通过模糊规则推理动态调整学习率和动量因子的改进的方法，并通过模糊推理系统实现了ＢＰ算法的模糊控制。最后通过实例将该算法与标准ＢＰ算法和Ｖｏｇｌ改进的算法进行了比较，实验结果表明通过模糊推理来改善神经网络的ＢＰ算法性能是一种很有前途的方法。     

用BP神经网络记忆模糊规则的控制算法及其实现

ＢＰ神经网络可有效地记忆模糊控制规则，并以“联想记忆”方式使用这些经验。用这种方法设计的控制器与模糊控制器一样，具有良好的控制效果。     

基于神经网络的模糊参数自校正控制系统

本文针对参数固定的模糊控制系统难以适应控制过程中的工况的变化的弊端,提出一种基于神经网络的模糊控制系统（ＮＦＣ）,引入３层ＢＰ网络在线修正模糊控制器的参数,使得控制系统具有更好的动态特性和静态性能。     

基于工程整定法的模糊PID

在ＰＩＤ工程整定法的基础上，提出了一种基于模糊规则的模糊ＰＩＤ复合控制算法，算法首先根据扩充临界比例法等工程ＰＩＤ整定的方法将ＰＩＤ公式简化，然后通过模糊控制规则和模糊推理确定一张模糊控制表，在时实控制中通过对模糊控制表的查询，在线调节ＩＰＤ控制参数，液压电梯 实验和仿真结果表明，本文提出了的控制算法具有算法简单，控制品质优良等特点。     

一种自组织模糊神经网络控制器

采用一种具有结构和参数学习能力的自组织模糊神经网络控制器设计方法。这种控制器无需事先确定模糊控制规则，能在控制过程中通过神经网络的结构及参数学习在线调整模糊神经网络的结构、产生模糊控制规则、调整规则的参数。仿真表明该控制器能用于一定纯滞后时变对象的控制，具有良好的控制性能。     

逆系统方法的径向基函数网络实现

研究采用径向基函数网络（ＲＢＦＮ）构造系统逆控制器的工程实现问题，同时给出该直接逆动态控制器存在的充分条件。为进一步改善基于ＲＢＦＮ的直接逆动态控制器的动态性能，对该伪逆系统进行ＰＩＤ综合。仿真研究表明，以ＲＢＦＮ拟合对象逆过程的ＰＩＤ综合控制策略不仅能改善系统的动态性能，而且具有良好的参数鲁棒性能。     

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。     

基于模糊推理的热轧带钢宽度控制

带钢热连轧宽度控制过程是一个复杂的非线性过程、难以建立精确的数学模型，对于传统的数学模型的轧机计算很难实现精度要求。设计一种用于宽度控制的模糊控制器。模糊控制器根据推理规则获得控制系统的查询表。并用Matlab语言的Simulink仿真工具，进行了常规控制与模糊控制的动态性能的仿真比较，结果表明模糊控制可明显提高宽度控制系统的动态性能。     

模糊控制的现状与发展

<正>近些年来,模糊控制得到了很快的发展,这主要是由于模糊控制器可以应用专家的控制经验,对难以建立精确数学模型的北空过程实现自动控制。在日本,模糊控制得到了广泛的应用。许多公司成立了模糊系统研究机构专门从事模糊系统的研究。并取得了很好的进展。表现在模糊控制在洗衣机、吸尘器、冶金、制造等自动控制行业中的应用。除此之外,模糊逻辑芯片和模糊计算机的研制也取得了进展。模糊集合理论是模糊控制器的基础,模拟人的知识表达、知识推理方法是模糊理论的表达方法,其基本内容包括：模糊化、模糊控制规则、模糊推理和精确化。模糊控制是一种类人智能控制,可以实现非线性控制,可以得到比常规控制更优良的控制效果,能实现对复杂过程的控制。然而,模糊控制要有较好的发展,必须具有较完善的控制规则。对于某些复杂的工业过程,有时难以总结出较完整的经验,并且当对象动态特性发生变化,或者受到随机干扰的影响时模糊控制的效果为了促进模糊控制的深入发展。至今为止,国际上召开了五届IFSA全世界学术大会,众多学者也进行了卓有成效的工作,对常规模糊控制进行了改进。1常规模糊控制的改进1．1Fuzzy—PIS复合控制在模糊控制器中引入PI控制就构成了Fuzzy-PID复合控制。实现途径：大偏差范围内采用模糊控制,在小偏差范围内采用PID控制,二者的转换由软件根据事先给定的偏差范围自动实现。同PID相比,它具有更快的动态相应特性,跟小的超调,同模糊控制相比,具有更高的稳态精度。这种控制器无需对系统进行模型辨识,并且能用低档次危机实现,是改善模糊控制器稳态性能的一种途径。1．2三位模糊控制器在模糊控制器输入引入误差E,误差变化C和误差变化的速率R等三维变量。三位模糊控制器进一步结束了传统的为模糊控制器的快速响应与稳定性之间的矛盾,提高了对告诫系统进行模糊控制的适应性。1．3Smith-Fuzzy控制器将常规Smith预估控制中的PID控制器换成模糊控制器而构成的Smith—Fuzzy控制器能同时完成对时变系统控制和对纯滞后进行补偿的两个功能,即对纯滞后特性有较好的补偿作用,又对被控对象参数变化有较强的适应能力。1．4专家模糊控制器专家模糊控制器是在专家系统的一般结构与概念基础上,引入了模糊集合表达和模糊推理而构成的控制器。它可以积累、学习、修改专家的控制经验,表达复杂的过程知识,处理控制过程的不确定性,解决复杂的实际过程控制问题。它一般包括控制规则库、推理结构、规则学习单元等,其中控制规则库是系统的基础,存放大量用于过程的控制规则,而推理机是专家模糊控制器核心部分,它要求能根据事实推出结论,而不是简单地去搜索现成的     

脉冲GTAW熔池动态过程模糊神经网络建模与控制

展示了模糊推理与神经网络结合在脉冲GTAW熔池动态过程智能控制中的应用研究 结果.建立了脉冲GTAW平板对接动态过程特征:正反面熔池的最大宽度、长度与面积等参数 的神经网络模型,基于实验数据采用模糊辨识方法提取焊接过程的模糊控制规则,进而设计了 具有自学习适应能力的模糊神经网络控制器.建立了脉冲GTAW熔池动态过程智能控制系统, 焊接实验验证了所设计的模糊神经网络控制器具有智能控制效果.     

漂浮基双臂空间机器人系统的模糊神经网络自学习控制

讨论了载体位置、姿态均不受控制的情况下自由漂浮双臂空间机器人系统的高斯基模糊神经网络自 学习控制问题．此类空间机器人系统严格遵守动量守恒和角动量守恒,所以其动力学方程表现出强烈的非线性性 质．将神经网络与模糊控制相结合,即利用神经网络进行模糊推理, 可使模糊控制具有自学习能力．在此基础上, 设计了双臂空间机器人系统关节空间的高斯基模糊神经网络自学习控制方案．系统的数值仿真证实了该方法的有 效性．     

Identification and control of dynamic systems using recurrent fuzzyneural networks

Proposes a recurrent fuzzy neural network (RFNN) structure for identifying and controlling nonlinear dynamic systems. The RFNN is inherently a recurrent multilayered connectionist network for realizing fuzzy inference using dynamic fuzzy rules. Temporal relations are embedded in the network by adding feedback connections in the second layer of the fuzzy neural network (FNN). The RFNN expands the basic ability of the FNN to cope with temporal problems. In addition, results for the FNN-fuzzy inference engine, universal approximation, and convergence analysis are extended to the RFNN. For the control problem, we present the direct and indirect adaptive control approaches using the RFNN. Based on the Lyapunov stability approach, rigorous proofs are presented to guarantee the convergence of the RFNN by choosing appropriate learning rates. Finally, the RFNN is applied in several simulations (time series prediction, identification, and control of nonlinear systems). The results confirm the effectiveness of the RFNN     

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。     

Fuzzy neural networks for estimation and fuzzy controller design: simulation study for a pulp batch digester

A structural implementation of a fuzzy inference system through connectionist network based on MLP with logical neurons connected through binary and numerical weights is considered. The resulting fuzzy neural network is trained using classical backpropagation to learn the rules of inference of a fuzzy system, by adjustment of the numerical weights. For controller design, training is carried out off line in a closed loop simulation. Rules for the fuzzy logic controller are extracted from the network by interpreting the consequence weights as measure of confidence of the underlying rule. The framework is used in a simulation study for estimation and control of a pulp batch digester. The controlled variable, the Kappa number, a measure of lignin content in the pulp, which is not measurable is estimated through temperature and liquor concentration using the fuzzy neural network. On the other hand a fuzzy neural network is trained to control the Kappa number and rules are extracted from the trained network to construct a fuzzy logic controller.     

A recurrent self-organizing neural fuzzy inference network

A recurrent self-organizing neural fuzzy inference network (RSONFIN) is proposed. The RSONFIN is inherently a recurrent multilayered connectionist network for realizing the basic elements and functions of dynamic fuzzy inference, and may be considered to be constructed from a series of dynamic fuzzy rules. The temporal relations embedded in the network are built by adding some feedback connections representing the memory elements to a feedforward neural fuzzy network. Each weight as well as node in the RSONFIN has its own meaning and represents a special element in a fuzzy rule. There are no hidden nodes initially in the RSONFIN. They are created online via concurrent structure identification and parameter identification. The structure learning together with the parameter learning forms a fast learning algorithm for building a small, yet powerful, dynamic neural fuzzy network. Two major characteristics of the RSONFIN can thus be seen: 1) the recurrent property of the RSONFIN makes it suitable for dealing with temporal problems and 2) no predetermination, like the number of hidden nodes, must be given, since the RSONFIN can find its optimal structure and parameters automatically and quickly. Moreover, to reduce the number of fuzzy rules generated, a flexible input partition method, the aligned clustering-based algorithm, is proposed. Various simulations on temporal problems are done and performance comparisons with some existing recurrent networks are also made. Efficiency of the RSONFIN is verified from these results.     

一种鲁棒性较强的神经元在模糊规则发生摄动时的有效控制

一种基于弱T-范数和弱S-范数的神经元,可以实现与、或和混合-并模糊逻辑运算,并且拥有较强的鲁棒性。将它所组成的神经网络运用到模糊推理系统中,不仅可以简化网络,实现模糊推理最基本的一致性要求,还可以控制在模糊推理过程中当规则发生摄动时对推理结果的影响程度。     

Supervisory recurrent fuzzy neural network control of wing rock for slender delta wings

Wing rock is a highly nonlinear phenomenon in which an aircraft undergoes limit cycle roll oscillations at high angles of attack. In this paper, a supervisory recurrent fuzzy neural network control (SRFNNC) system is developed to control the wing rock system. This SRFNNC system is comprised of a recurrent fuzzy neural network (RFNN) controller and a supervisory controller. The RFNN controller is investigated to mimic an ideal controller and the supervisory controller is designed to compensate for the approximation error between the RFNN controller and the ideal controller. The RFNN is inherently a recurrent multilayered neural network for realizing fuzzy inference using dynamic fuzzy rules. Moreover, an on-line parameter training methodology, using the gradient descent method and the Lyapunov stability theorem, is proposed to increase the learning capability. Finally, a comparison between the sliding-mode control, the fuzzy sliding control and the proposed SRFNNC of a wing rock system is presented to illustrate the effectiveness of the SRFNNC system. Simulation results demonstrate that the proposed design method can achieve favorable control performance for the wing rock system without the knowledge of system dynamic functions.     

PDC控制器在车辆半主动悬架上的应用研究

讨论了整车八自由度模型并行分布补偿(PDC)控制器的设计,并求取了公共矩阵P及其对控制器稳定性的影响.基于自适应神经网络的神经网络模糊推理系统ANFIS的自学习和非线性逼近能力,提取模糊控制规则,增强了控制器对于不同路面的适应能力.在整车悬架T-S模糊动态模型的基础上,进行了Matlab软件仿真.仿真实验表明,该控制器对于悬架整体性能有所改善.     

一种用模糊－神经技术建造专家系统的方法

本文提出了一种用模糊－神经技术建造专家系统的方法（ＦＮＴ方法）。从领域专家处获取的知识是以模糊规则和隶属函数的形式表示的。根据本文提出的方法，首先将模糊规则和隶属函数用神经网络表示出来（导入）；生成的神经网络用于实现模糊推理，然后利用修改的反传算法训练神经网络，从而提高系统的精度，修改隶属函数，求精模糊规则；最后从神经网络中提取隶属函数和模糊规则（导出），帮助解释神经网络的内部表示和操作。利用本文所提出的方法建造的系统可实现快速的无匹配模糊推理，并具有较强的学习能力。