一种模糊神经网络及其应用

本文将模糊运算引入常规的Ｐｉ－ｓｉｇｍａ神经网络，大大增强了神经网络处理非线性和不确定性映射的能力，通过对Ｚａｄｅｈ模糊算子的等价变换，使模糊运算成为连续可微的函数，从而实现用梯度法对网络权值的更新，本文的结果显示，这种混合型神经网络在非线性建模和模糊建模等方面有重要的应用价值。     

最优模糊控制的两种设计方法

本文基于二次型性能指标，给出了采用梯度法和遗传算法的模糊控制规则优化方法，并比较了它们的优缺点。仿真结果表明，这两种方法对未知系统的模糊规则优化具有明显的应用价值。     

基于群智能求解带约束问题的时域鲁棒优化算法

针对现有的时域鲁棒优化算法无法解决带约束的优化问题,基于群智能优化方法,提出一种求解带约束优化问题的时域鲁棒优化算法.首先,用约束条件构造罚函数,将带约束优化问题处理成为无约束优化问题;然后,采用一个分段函数作为粒子的适应度评价函数,通过竞争规则筛选粒子,设计带约束问题的时域鲁棒优化算法.以优化碳纤维原丝的性能为背景,将算法在多组参数下进行测试和对比分析,结果表明了所提出算法的有效性.进一步分析AR模型对算法性能的影响,指出预测模型的改进是提升算法性能的一个重要手段.     

时滞忆阻神经网络动力学分析与控制综述

忆阻器(Memristor)是一种无源的二端电子元件, 同时也是一种纳米级元件, 具有低能耗、高存储、小体积和非易失性等特点. 作为一种新型的存储器件, 忆阻器的研制, 有望使计算机实现人脑特有的信息存储与信息处理一体化的功能, 打破目前冯·诺伊曼(Von Neumann)计算机架构, 为下一代计算机的研制提供一种全新的架构. 鉴于忆阻器与生物神经元突触具有十分相似的功能, 使忆阻器得以充当人工神经元的突触, 建立起一种基于忆阻器的人工神经网络即忆阻神经网络. 忆阻器的问世, 为人工神经网络从电路上模拟人脑提供了可能, 必将极大推动人工智能的发展. 此外, 忆阻神经网络的硬件实现及信号传递过程中, 不可避免会出现时滞与分岔等现象, 因此讨论含各种时滞, 如离散、分布、泄漏时滞以及它们混合的时滞忆阻神经网络系统更具有现实意义. 首先介绍了忆阻器的多种数学模型及其分类, 建立了时滞忆阻神经网络(Delayed memristive neural networks, DMNN)的数学模型并阐述了其优点. 然后提出了处理时滞忆阻神经网络动力学行为与控制问题的两种思路, 详细综述了时滞忆阻神经网络系统的稳定性(镇定)、耗散性与无源性及其同步控制方面的内容, 简述了其他方面的动力学行为与控制, 并介绍了时滞忆阻神经网络动力学行为与控制研究新方向. 最后, 对所述问题进行了总结与展望.     

基于进化计算的模糊控制规则优化

在改进的遗传算法基础上，提出了模糊控制规则的一种优化方法，模糊规则的优化基于类似最优控制的二次型性能指标，不需要任何被控系统的先验知识，因而适合于一大类复杂非线性系统的控制，仿真结果表明，这种方法是有效的。     

神经网络自学习模糊控制及其应用

本文提出了一种新的自学习模糊控制算法。利用改进的ｐｉ－ｓｉｇｍａ神经网络，对模糊控制器的结论参数进行辨识，并不断修正隶属函数，实现了模糊规则的自动更新。这种方法被用于机器人解耦控制，取得了满意的仿真结果。     

人工神经网络在机器人控制中的应用

本文介绍了人工神经网络在机器人运动学、动力学机器人控制中的应用现状,指出了其中存在的困难,并提出了可能的研究方向.     

结合模糊推理的多变量神经自适应控制

本文提出了一种结合模糊推理的多变量控制系统的神经自适应控制结构。利用初控系统少量的先验知识和在线推理，加快了神经网络的学习速度，改善了控制性能。对聚合反应的仿真结果证明了本算法的有效性。     

机器人神经模糊控制

本文首先讨论了机器人动力学的特殊性，提出了一种基于神经网络的模糊控制方法。该方法借助于一类新型的神经网络结构，实现了模糊规则的自动更新和隶属函数的自调整。该算法被用于机器人动态控制，取得了满意的仿真结果。