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T- S模型的非线性系统多模型直接自适应控制

针对典型的高阶非线性系统，建立被控对象的多个论域不同的基于T—S模型的模糊控制器(TSFC)，用其加权组合控制系统的行为，并报据Lyapunov的综合方法设计一种自适应算法来调整每个TSFC的权值，形成被控对象的直接自适应模糊控制器。与采用单一TSFC的自适应模糊控制算法相比，该算法计算量小，响应速度快，能在局部上更有效地控制系统的非线性，使被控系统具有Lyapunov意义上的稳定性。仿真实验证实了算法的有效性。     

基于模糊多准则决策的谈判模型

针对目前谈判支持系统中谈判模型存在的难以准确获知谈判人的偏好,以及利用偏好构造其效用函数的问题,应用模糊数学的方法,将谈判人的偏好和对目标值的评价用梯形模糊数表示,由此提出一种基于模糊多准则决策方法求解谈判问题的模型。通过示例分析计算,表明该模型能帮助谈判各方达成一个满意解。     

基于模糊神经网络的模型参考自适应控制

用模糊神经网络作为控制器,依靠参考模型产生理想的控制系统闭环响应,从而随时得到控制系统的输出误差.用梯度法实时修正模糊控制器的输入和输出隶属度参数,得到一种在线模糊自适应控制的新方法.通过倒立摆的仿真实验表明,该方法是可行的并能适应对象特性的大范围变化.     

基于模糊模型的低阶系统自适应控制

本文提出了基于模糊模型的自适应控制，自适应性是通过对模糊过程模型的在线辨识而取得的。从粗糙的良初模型开始，自适应控制将模型调整到与过程相符合，以便自校正控制器。     

基于自适应模糊神经网络的多模型在线故障诊断

在讨论基于自适应神经网络的模糊系统(ANFIS)建模基础上，提出一种基于多模型的在线故障诊断策略。首先应用ANFIS建模方法建立一组模型，然后构造了一个基于多模型的故障诊断系统产生偏差信号，并首次提出用由偏差绝对值的累加和构成的最小指数来探测故障的发生。综合考虑故障诊断的灵敏度和鲁棒性，采用故障指数来确认故障的发生。     

泛在学习中基于模糊多属性决策的学习控制模型

作为一种新型的学习范式,泛在学习具有去计算机化的特性。在这种新型的学习环境下,课堂的组织具有分布式松散的特点,学习者不必受制于地理位置空间和时间的限制,从而拥有更好的学习自主性选择权以及更佳的学习体验,但这也对学习者的学习控制提出了更高的要求。文中提出了一种基于模糊多属性决策的学习控制模型,根据备选知识点的掌握程度、重要程度以及与当前知识点的依赖程度给出备选知识点的排序以供学习者选择,引导学习者完成对知识的掌握。     

多模型自适应控制

给出多模型自适应控制产生的背景,对模型集的建立、多模型控制器的形成以及算法的收敛性和稳定性进行了分析,介绍了多模型自适应控制在工业生产过程中的应用和最新研究成果,同时提出了存在的问题及进上步发展方向。     

基于模糊神经网络的通用模型自适应控制

自适应控制是一种提高系统鲁棒性的有效方法。模糊神经网络具有了模糊逻辑和神经网络两者的优点,结合模糊神经网络（Fuzzy Neural Network—FNN）自适应控制策略和通用模型控制（Common Model Control—CMC）方法,以此来实现被控对象的逆控制,提出了基于模糊神经网络的通用模型自适应控制（FNNC—CMAC）。此控制方法参考轨迹是一条典型二阶曲线,仿真结果验证了鲁棒性,与基于模糊神经网络的通用模型控制及基于模糊逻辑的通用模型自适应控制相比,其控制性能更好。     

基于模糊树模型的自适应模糊滑模控制方法

本文针对单输入–单输出仿射非线性系统提出了一种基于模糊树模型的具有监督控制器的模糊滑模控制方法. 该方法用模糊树模型逼近非线性系统中的未知非线性函数, 得到初始的控制器, 然后在线调节模糊树模型中的线性参数, 改善控制器的性能, 实现对有界参考输入信号的跟踪控制. 模糊树辨识方法自适应划分输入空间, 大大减少模糊规则的数目, 在一定程度上可以缓解困扰模糊控制中的”规则爆炸”问题. 该方法通过监督控制器保证闭环系统所有信号有界. 通过理论分析, 证明了跟踪误差收敛到零. 用倒立摆进行仿真验证, 结果表明该方法用较少的模糊规则, 就能得到满意的控制效果, 有推广应用价值.     

基于RBFN和贝叶斯准则的目标存在性判决

利用海杂波的混沌特性和神经网络的非线性拟合性能,训练并创建了海杂波的RBFN预测模型,以此来判断雷达回波信号中是否包含有目标信息.通过计算有目标和无目标时RBFN模型的预测输出均方误差e,将目标检测问题转化为二模式的分类问题,分类判决原则采用基于最小错误率的贝叶斯准则.仿真实验在假设有无目标的先验概率P(H0)和P(H1)相等的情况下,将预测均方误差的类条件概率密度曲线P(e|H0)和P(e|H1)的交点取为门限η,得到最小检测信噪比[SNR]=-13.271 dB.     

基于RBFN逆控制策略的多变量非线性系统的解耦控制

基于逆动力学控制的思想,提出一种带前馈的RBFN逆模型控制策略,并将该控制策略对多变量非线性系统进行了在线解耦与控制;采用3个RBF神经网络分别对被控对象的3个输入进行逆辨识,每相神经网络逆辨识模型反向作为逆控制器模型与每相串联,从而构成3个已解耦的独立的伪线性对象,进而针对3个独立的伪线性对象进行线性控制,从而实现了对三相耦合系统的精确控制;经过实验室模拟调试的实测三相电流波形表明,在电流设定值为2100A时,升温速率为5.3℃/min,电流波动范围≤±10%.     

基于模糊神经网络水下机器人直接自适应控制

提出了基于广义动态模糊神经网络的水下机器人直接自适应控制方法, 该控制方法既不需要预先知道模糊神经结构, 也不需要预先的训练阶段, 完全通过在线自适应学习算法构建水下机器人的逆动力学模型. 首先, 本文提出了基于这种网络结构的水下机器人直接自适应控制器, 然后, 利用 Lyapunov 稳定理论, 证明了基于该控制器的水下机器人控制系统闭环稳定性, 最后, 采用某水下机器人模型仿真验证了该控制方法的有效性.     

基于RBFN的伺服系统逆控制器设计及仿真研究

飞行仿真转台伺服系统中有一些诸如负载变化、机械摩擦等不确定和非线性因素，而神经网络逆控制对模型的不依赖性能较好的解决这些问题。该文给出了转台伺服系统速度跟踪的神经网络逆控制方案，它可以克服转台中负载变化及一些参数变化的影响，且能显著的提高动态精度。通过使用RBF神经网络实现了对象逆动态模型的在线辨识。并直接将该RBFN与PI环节构成一种神经网络逆控制制器，仿真结果表明这种方法具有较好的鲁棒性及较高的跟踪精度，有实际应用价值。     

基于模糊逻辑的一类非线性系统直接自适应控制

针对一类连续非线性不稳定系统,基于模糊逻辑提出了一种新的自适应跟踪控制方法,在此方法中,控制器由两部分组成：模糊逼近控制器（FAC）和模糊滑模补偿控制器（FSMCC）,其中,FAC利用模糊逻辑系统全局逼近理论控制器,FSMCC用于全局补偿逼近误差和系统的不确定性及消除外部干扰的影响,整个闭环控制系统在Lyapunov意义下全局渐进稳定踊跃误差收敛于零的某一领域内,最后通过示例验证了本方法的有效性。     

基于模糊控制的汽车直接横摆力矩研究

为防止汽车产生测滑,针对汽车直接横摆力矩控制,提出了横摆角速度与质心侧偏角联合控制的模糊控制方法.横摆力矩控制采用分层控制方法,设计了模糊控制器和规则制动力分配方法.模糊控制器根据期望值和车辆状态决策出所需的附加横摆力矩,并通过规则制动力分配方法进行主动差动制动实现.采用Matlab/Simulink与CarSim联合仿真对控制方法进行了仿真验证.结果表明:横摆角速度与质心侧偏角联合控制的横摆力矩模糊控制方法使汽车能够较好地跟踪期望,有效提高汽车极限工况下的行驶稳定性.     

一种基于模糊辨识的模糊自适应控制系统

采用模糊基函数表示的模糊逻辑系统作为未知非线性对象的辨识器，以此为模糊自适应控制器提供参数自调整必需的梯度信息。仿真结果表明，此种控制方案对未知的非线性系统的输入有很强的自适应跟踪能力。     

基于模糊树模型的间接自适应模糊控制

提出了一种基于模糊树模型的间接自适应模糊控制器的设计方法. 采用模糊树辨识方法离线辨识系统中的未知非线性函数, 得到初始的控制器, 然后在线调节模糊树模型中的线性参数, 改善控制器的性能, 实现对有界参考信号的跟踪控制. 通过对倒立摆系统进行数值仿真, 验证了所提方法的有效性和优越性.     

一种鲁棒补偿的直接自适应模糊控制算法

针对一类含有不确定项的非线性系统,提出了一种鲁棒直接自适应模糊控制算法,可在系统的控制增益已知、部分已知和未知三种情况下,实现系统跟踪有界参考信号的控制目标。该算法采用广义模糊双曲正切模型逼近系统的等价控制项,广义模糊双曲正切模型具有模糊规则个数少,更易于用语言描述获取的特点,在实际应用中更易实现。同时,引入鲁棒补偿项消除系统的不确定项和逼近误差,放宽系统稳定条件为最小近似误差有界。利用Lyapunov函数证明了采用上述控制策略保证了控制系统跟踪误差收敛到原点的一个小的邻域内,且所有的变量一致有界。仿真例子说明了该算法的有效性。     

基于多控制器的直接自适应控制

为解决多模型自适应控制可能造成的模型失配不稳定性问题,利用非伪控制理论,提出了一种直接辨识控制器的方法。由一步超前控制器构造控制器集,通过一个具有一定属性的恰当选择的代价函数,只要控制器集中至少存在一个镇定的控制器,即自适应控制问题是可行的,滞后切换逻辑总能快速将镇定控制器切换到控制回路中,保证闭环系统稳定和输出误差渐近趋于零。给出了闭环系统在L2e意义下输入输出稳定性结论,并给出仿真实例验证其有效性。