基于神经网络和模糊理论的智能控制技术

将神经网络方法和模糊理论结合起来，讨论一种基于神经网络（NN）和模糊理论实现智能控制的方法。仿真表明这类智能控制器可用于难以建立数学模型的控制系统。     

基于神经网络和模糊理论的智能控制技术

将神经网络方法和模糊理论结合起来，讨论一种基于神经网络和模糊理论实现智能控制的方法。仿真表明这类智能控制器可用于难以建立数学模型的控制系统。     

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。     

补偿模糊神经网络在模糊规则训练中的应用

目前,自治式水下机器人（Autonomous Underwater Vehicle,AUV）、自动导引驾驶小汽车、轮船等领域应用模糊规则控制已经受到许多人的关注,模糊规则的制定与训练是其中之关键所在,该文将模朔规则控制应用在无人机自由编队飞行控制中。在训练模糊规则过程中,常规的BP神经网络法存在学习速度慢、无法结合号家知识以及容易陷入局部最小等缺点,为了克服上述不足,文中引人了补偿模糊神经网络,它足一个结合了补偿模糊逻辑和神经网络的混合系统,由面向控制和面向决策的神经元组成,其模糊运算采用动态的、全局优化运算,学习速度快、学习过程稳定。将其用于无人机自由编队飞行的模糊控制规则进行训练,结果表明用补偿模糊神经网络刘模糊规则的训练效果良好。     

智能控制中的模糊控制,神经网络控制及遗传算法（上）

回顾了模糊技术，神经网络技术和遗传算法在控制领域的应用；探讨了神经模糊技术在控制领域的应用以及遗传算法优化模糊神经网络结构的实现。     

智能控制中的模糊控制,神经网络控制及遗传算法（下）

回顾了模糊技术、神经网络技术和遗传算法在控制领域的应用；探讨了神经模糊技术在控制领域的应用以及遗传算法优化模糊神经网络结构的实现。     

基于模糊神经网络的无人动力伞控制

针对无人动力伞在执行任务时常常在低空、城市上空等复杂气流环境飞行,无人动力伞的响应特性受到飞行速度、航向角和各种风的综合影响,具有的非线性和不确定性.导致事先设计的控制规则不再适合,对此基于PID的控制算法难以达到满意的控制效果.本文提出了一种模糊神经网络控制无人动力伞航向控制策略,利用RBF神经网络所特有的局部逼近能力,对模糊控制规则进行在线推理并获得连续输出,采用GA算法对神经网络参数进行调整来实现对模糊控制器规则库的优化和模糊规则的自动生成.使控制器能够进一步适应无人动力伞实时控制中的时变性和不确定性,保持良好的控制性能；仿真表明算法是可行的.     

复杂工业过程的遗传模糊神经网络控制

本文提出一种基于遗传算法和监督学习方法的有效模糊神经网络控制，这种控制器采用并行处理的推理网络，具有两个重要特点：自适应和学习性，所提方法经过仿真和温控验证表明控制性能良好。     

神经网络模糊控制器的研究

本文讨论如何用人工神经网络（ANN）构成模糊控制器（FLC）的问题，基于ANN的FLC能通过在线学习提高它的适应能力实现智能控制，这里提出的经网络控制器NNFLCFC以动态系统的状态变量为输入，输出则是控制信号。     

基于神经网络的模糊预测控制及其应用

应用模糊控制的逻辑推理性能，借助神经网络的学习能力，提出了一种模糊神经网络预测控制模型。利用该模型对发酵过程的预测控制，实验曲线表明，可获得较高的预测精度和较好的控制效果。     

仿人智能控制与模糊控制神经网络融合技术

在分析了仿人智能控制器（ＨＩＣ）的特性基础上,针对其不足,提出将仿人智能控制器与模糊控制相融合的仿人智能模糊控制器（ＨＩＦＣ）,实践表明ＨＩＦＣ的性能大大优于基本ＨＩＣ和一般模糊控制器。最后提出一种正交基函数神经网络模型实现ＨＩＦＣ的方法,为ＨＩＦＣ的自学习提供了一条有效途径。     

一种用于非线性控制的神经网络模糊自组织控制器

本文提出一种神经网络自组织控制器，并应用于非线性跟踪控制中，为了加快模糊控制器的在线学习，文中给出了一种变的最速梯度下降学习算法，仿真结果表明，该控制是有效的。     

锅炉系统的神经模糊智能控制研究

将神经网络与模糊集相结合形成一类新的智能信息处理方法,利用神经网络的并行运算能力来实现模糊规则的快速推理,并用学习算法在线调整规则。通过在锅炉系统的仿真研究,证明了该系统的良好性能。     

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。     

一种用神经技术学习模糊分类规则的方法

本文提出一种用神经网络技术学习模糊分类规则的算法－有导师共振竞争学习算法（ＳＲＣＬ）。ＳＲＣＬ方法有机地把无导师ＡＲＴ学习方法和有导师竞争学习方法结合起来，可有效地学习模糊分类规则。警戒线参数是自适应变化的，从而可自动地确定连结权向量的个数。言语中给出一个数字例了，并对实验结果进行了分析。     

Knowledge Incorporation into Neural Networks From Fuzzy Rules

The incorporation of prior knowledge into neural networks can improve neural network learning in several respects, for example, a faster learning speed and better generalization ability. However, neural network learning is data driven and there is no general way to exploit knowledge which is not in the form of data input-output pairs. In this paper, we propose two approaches for incorporating knowledge into neural networks from fuzzy rules. These fuzzy rules are generated based on expert knowledge or intuition. In the first approach, information from the derivative of the fuzzy system is used to regularize the neural network learning, whereas in the second approach the fuzzy rules are used as a catalyst. Simulation studies show that both approaches increase the learning speed significantly.     

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。     

基于Q-学习的模糊神经网络控制器

神经模糊系统在机器人的智能控制中具有巨大的应用潜力,但已有的系统构造方法几乎都面临着样本资源匮乏这一巨大困难。为克服传统系统构造方法可能因样本获取困难而引起的“维数灾难”等问题,该文在模糊神经网络中引入了Q-学习机制,提出了一种基于Q-学习的模糊神经网络模型,从而赋予神经模糊系统自学习能力。文章最后给出了其在菅野模糊小车控制中的仿真结果。实验表明,在神经模糊系统中融入智能学习机制Q-学习是行之有效的;它可以被用来实现机器人智能行为的自学习。值得一提的是,该文的仿真实验在真实系统上同样是容易实现的,只要系统能提供作为评价信号的传感信息即可。     

基于神经网络的非线性学习控制研究

本文将多层前向传递神经网络应用于非线性系统控制,通过对神经网络的训练,实现非线性系统的状态反馈控制。本文还介绍了用神经网络控制一类非线性系统的学习控制算法,该算法对对象的数学模型依赖程度较低,为非线性系统的学习控制提供了一种有效的研究方法。另外还给出了该算法应用于几个不同非线性对象的学习控制仿真结果。