智能控制的新进展(Ⅰ)

对模糊智能控制的主要研究方向进行了较详细的分析和论述，包括模糊模型与基本控制算法，非线笥系统的模糊建模与控制，模糊预测控制，模糊控制系统的稳定性分析等。对它们的在智能控制中的地位和作用进行讨论，并对模糊智能控制的发展做了展望。  

基于神经网络误差修正的广义预测控制

本文基于ＢＰ结构神经网络，对系统的建模误差进行预测，并将其与模型预测相结合构成广义预测控制算法，目的在于抑制模型失配的影响，增强广义预测控制的鲁棒性；仿真结果表明了这一算法的有效性。  

模糊滑动模态控制系统的性质分析

根据滑动模态原理，将模糊控制系统的输入量简化为广义跟踪误差的一个超平面，并基于三角形的非线性发语言变量的隶属度，分析了模糊控制系统的某些性质，表明在系统稳定性、稳态误差等指标方面，模糊控制器优于一般的ＰＩＤ控制器。  

Sugeno模糊模型的辨识与控制

提出了一种新的Sugeno模糊模型辨识算法和对非线性系统进行并行化设计的方 法.在Sugeno模糊模型辨识中,应用模糊聚类方法可将其前提结构和结论参数的辨识分开进 行,减少了计算量;对于非线性系统的控制,Sugeno模糊模型实际上是动态系统的局部线性 化,可采用并行设计的方法设计控制器,然后通过模糊推理得到全局控制量.最后通过倒立摆 系统的控制说明了本文算法的有效性.  

一种新的遗传混沌优化组合方法

在分析了遗传算法与混沌优化方法的优缺点的基础上, 提出了一种新的遗传混沌优化组合方法. 该算法能克服混沌优化在大范围内失效的缺点, 并能提高遗传算法的局部搜索能力和搜索精度. 同时证明该算法能以概率 1收敛到全局最优值. 应用该方法对 6个测试函数进行优化计算得到了比较满意的结果.  

智能控制的新进展(Ⅱ)

对神经网络和遗传算法在控制和优化中的应用进行综述，着重讨论了模糊推理和神经网络的内在关系，并对智能控制的发展做了展望。  

小波分析及其在控制中的应用

对小波分析的主要研究方向和特点进行综述，并阐述了小波分析在模型辨识、有约束问题的求解等控制领域中的应用，特别论述了小波神经网络的结构、学习算法及其优良的逼近性能，最后介绍了目前已有的基于小波分析的自适应控制方案，并对未来的研究做了探讨。  

MIMO系统的多模型预测控制

针对非线性多变量系统提出一种多模型预测控制(MMPC)策略.首先给出一种多模型 辨识方法,利用模糊满意聚类算法将复杂非线性系统划分为若干子系统,并获得多个线性模型, 通过模型变换得出全局系统模型,接着对全局MIMO系统设计MMPC,并进行了系统的性能分 析,最后以pH中和过程为例,通过仿真研究验证了辨识和控制算法的有效性.  

加热炉钢坯温度软测量模型研究

研究基于模糊聚类的钢坯温度神经网络软测量模型.该方法由两个部分组成, FCM(Fuzzy C-Means)聚类算法用来对训练样本进行分类,分布式RBF(Radial Basis Function) 网络对每类样本进行训练.在线测量时,采用自适应模糊聚类算法对新的工况数据进行 隶属度计算.文中将该算法应用于步进式加热炉钢坯温度的预报,仿真结果表明该算法的有 效性.  

模糊控制器的结构化分析及系统化设计方法

对于模糊控制器的输入变量，采用一种新型的不均匀、全交迭、三角形的隶属度函数，推导了两输入（e,△e)－输出（△u）的典型模糊控制器输出的解析表达式，并对最常用的输入变量各取5个模糊变量的情况进行分析。在此基础上提出一种模糊控制系统的系统化设计方法，可根据已有的PI／PD控制器参数设计相应的模糊控制器参数。仿真实验说明了该方法的有效性。