一种基于模糊神经网络的可靠流量控制模型

为控制P2P流量,本文从数据缓冲区使用的实时状态出发,提出了一种基于模糊神经网络的拥塞控制模型,该模型把缓冲区划分为两个队列分别存放P2P和非P2P的数据包,通过模糊神经网络预测评估缓冲区队列的拥塞状况,并建立一个评估函数对各队列的空间分配作出指导,使得能够控制各队列的拥塞状况,并动态的调整缓冲区队列的分配,在缓冲区溢出前主动丢包,避免缓冲区锁定。模拟实验的结果表明,该模型在保证网络资源分配的公平性方面取得了较好的效果,它降低了数据包排队延时和丢包率,提高了路由器处理网络拥塞的能力。     

四旋翼无人机时延模糊自抗扰容错控制

针对四旋翼无人机系统执行器故障问题,为改善飞行控制系统性能,提出一种时延模糊自抗扰容错控制。首先,根据四旋翼无人机系统非线性数学模型和执行器故障模型,选择模糊自抗扰控制器作为基准控制器,在未发生执行器故障的情况下,使飞行控制系统保持稳定;其次,在发生执行器故障的情况下,利用时延控制技术估计故障信息,并与模糊自抗扰控制相结合,实现容错控制;最后,对所研究的容错控制算法进行数值仿真分析,仿真结果表明:把时延控制与模糊自抗扰控制相结合,能有效调节执行器故障,使飞行控制系统对故障产生的干扰具有良好的鲁棒性。     

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RBF模糊神经网络模型的广义预测控制

广义预测控制对线性系统具有较好的控制效果，为将它应用到非线性系统，本文提出一种将RBF模糊神经网络与广义预测控制相结合的方法，仿真证明控制有效。     

通用模型模糊神经网络控制

针对通用模型控制要求被控对象有显式解的局限性,提出一种基于模糊神经网络的通用模型控制方法。该方法是在控制算法中直接嵌入过程模型,从而保证了通用模型控制策略的可实现性。通用模型模糊神经网络控制与基于模糊逻辑的通用模型控制相比,其控制性能更好。仿真实验验证了该控制策略的有效性和鲁棒性。     

基于T-S模型的模糊神经网络PID控制

针对在非线性、时变不确定系统中,常规PID控制器难以获得满意效果的问题,仿照传统PID控制器结构,设计了一种基于T-S模型的模糊神经网络PID控制器。该控制器基于T-S模糊模型,将PID结构融入模糊控制中,充分发挥了模糊系统非线性、可解释性的特点;然后又利用神经网络的学习算法,实现了对模糊控制器的参数调整,使控制器具有了适应时变、不确定系统的自学习和自组织能力。针对非线性、时变系统,将此控制器与传统PID控制器对比进行了仿真研究,并应用于啤酒发酵领域,其结果表明,该控制器取得了令人满意的效果。     

基于输入输出模型的模糊神经网络滑模控制

1　引言在实际系统中,一般难以取到系统的状态.因此,如何仅利用输入输出模型来控制系统一直是控制理论工作者关注的话题.Narendra等人[1]通过加入两个‘状态’滤波器设计了一种基于输入输出的模型参考自适应控制方案,提出了一个很好的思想.在其后的数十年中,基于输入输出?..     

面向无线网络的数据传输自适应拥塞控制

为提高无线网络数据传输的数据传输效率,提出面向无线网络的数据传输自适应拥塞控制方法。基于拥塞控制阶段的转换关系,自适应调节无线网络数据传输窗口大小,实现拥塞控制过程中数据传输流量的控制;构建无线网络的拓扑结构,以传输时延为约束,通过数据传输速率确定节点流量积压阈值,确定节点拥塞程度;预估无线网络数据传输各路径的拥塞程度,选定传输速率最高的路径作为最优数据传输路径。实验结果表明,文中方法应用后,可以将无线网络数据传输的吞吐率提高85%,节点死亡率控制在20%以下,并提高了120%的拥塞控制公平性。     

连续时延神经网络模型的Hopf分岔分析

1.引言神经网络是一个非常复杂的非线性动力学系统。在神经网络模型中,有时必须考虑到其内在的时延。目前,时延神经网络模型的动力学现象是一个热门的研究课题。文[2]中研究了离散时延和对称相关矩阵神经网络的线性稳定性。文[4]通过构造Lyapunov函数,取得了一些离散时延神经网络稳定性的充分条件。文[8]将时延神经网络推广到离散时延区间动力系统,取得了这些系统的鲁棒性准则。     

基于神经网络的无人机滑模飞行控制设计

针对无人机受扰运动,基于Backstepping方法和非线性滑模控制提出了一种鲁棒神经网络飞行控制方案。对无人机姿态角速度层的系统不确定性项,采用径向基函数神经网络并对其权值进行在线调整,从而实现对其进行逼近。将回馈递推设计方法与滑模控制方法结合起来,基于神经网络的输出为无人机设计了一种回馈递推滑模飞行控制器。所设计的飞行控制器用于无人机的姿态控制,仿真结果表明所研究的无人机鲁棒神经网络飞行控制方案是有效的。     

基于神经网络的无人机负载模拟器的复合控制

衡量负载模拟器系统性能的关键指标是多余力矩的抑制。针对无人机负载模拟器系统的非线性及多余力矩强扰动的特点,依据神经网络的非线性逼近和自学习特性,提出了一种基于神经网络和前馈相结合的复合控制器,用来提高系统的性能。复合控制器利用前馈来补偿定常多余力,利用神经网络进行在线辨识、控制来补偿系统的非线性部分,很好地抑制了多余力矩。该文给出了具体的控制结构和算法。仿真结果还表明该方法极大地改善了系统动态加载性能,有很强的鲁棒性。     

基于自适应转发的大数据通信带宽时延感知拥塞控制技术

大数据通信带宽时延会导致通信拥塞故障,影响通信网络的正常运行,为此提出基于自适应转发的大数据通信带宽时延感知拥塞控制技术。根据通信网络的组成结构和通信原理,构建大数据通信网络模型。在该模型下,采集大数据通信带宽时延,通过特征提取与匹配,感知当前通信网络的拥塞状态。针对处于拥塞状态的通信信道,在考虑通信带宽的情况下,计算拥塞控制量,利用自适应转发技术调度并分配通信带宽,在差分流传输控制协议的支持下,实现大数据通信带宽时延感知拥塞控制。通过拥塞控制效果测试实验得出结论：与传统拥塞控制技术相比,在优化设计技术的控制作用下,移动通信网络的吞吐量有所增加,带宽时延降低了149.3ms,同时通信误码率降低了0.037%,即优化设计技术在拥塞控制效果方面具有明显优势。     

基于神经网络的拍翅式微型飞行器姿态控制

对于拍翅式微型飞行器姿态的控制,提出了一个基于BP神经网络和平均力矩的控制方案. 每个拍动周期结束后,依据姿态误差通过神经网络控制器来确定迎角的调整量, 微型飞行器在下一周期获得所需的姿态控制平均力矩. 对控制系统进行了仿真,仿真结果表明该系统具有鲁棒性.     

基于主从粒子群的模糊小波神经网络交通控制

城市交通智能控制是ITS的重要组成部分,交叉口是决定道路通行顺畅的制的基础.为提高路口的通行能力,提出了主从结构的粒子群算法优化模糊小波神经网络参数,并将其应用于交通信号的控制.算法中,主级粒子进行全局搜索,从级粒子以主级粒子找到的最优解为中心进行局部搜索.仿真结果表明该算法能够有效减少交叉口车辆平均延误时间,提高道路通行能力.     

基于神经网络的访问控制策略优化模型

访问控制是网络安全防范和保护的主要核心策略,其主要任务是保证网络资源不被非法使用和访问。将风险概念引入访问控制,分析了基于风险的权限委托以及权限再分配的基本性质;基于MUS集合的计算方法,给出了一种基于神经网络的风险评估方法。针对神经网络适合定量数据,而风险因素的指标值具有很大的不易确定性等问题,采用模糊评价法量化信息安全的风险因素指标,对神经网络的输入进行模糊预处理。仿真结果表明,模糊神经网络经过训练,可以实时地佑算风险因素的级别。     

RS-GA神经网络无人机受风情况估计

针对现有无人机（Unmanned Aerial Vehicle,UAV）风场估计方法中存在的计算复杂、需额外搭载传感器等问题,提出基于粗糙集遗传神经网络的无人机受风状态估计方法。该方法利用粗糙集分析方法对无人机上采集的姿态信息数据集进行约简;利用遗传算法全局搜索能力强的特点优化神经网络的初始权值;用简化的无人机数据集训练神经网络即得到所需神经网络风场估计模型。仿真结果表明,该方法具有较高的识别率以及较短的训练时间,证明了其在无人机风场估计上应用的有效性。     

基于模糊神经网络的道路交叉口交通控制方法

提出了一种基于模糊神经网络的道路交叉口交通控制方法,分别把关键车流信息和非关键车流信息作为控制输入,采用两级控制器结构,综合形成控制策略。仿真结果表明,与传统的定时控制方法和只考虑关键车流的情形相比,所提出的两级神经网络控制方法在车辆平均延误时间和排队长度方面都有较大改进。     

基于模糊神经网络的涡喷发动机控制系统设计

针对微型涡喷发动机ECU控制系统具有时变性和非线性的特点,为改善微型涡喷发动机控制系统的控制性能,将模糊神经网络PID控制方法应用于ECU的转速与推力控制系统中;首先,利用某微型涡喷发动机的试车数据通过系统辨识方法得到其数学模型,其次针对模糊PID无法在线调参的弊端,引入模糊神经网络控制方法对微型涡喷发动机ECU系统进行控制;为模拟发动机在工作过程中遇到的干扰问题,在仿真过程中加入了干扰信号,通过与传统PID、模糊PID的仿真结果对比验证得出,模糊神经网络PID在涡喷发动机转速控制系统中响应速度更快约为1 s,超调量更小约为0,在有干扰的情况下恢复稳定状态的时间更短,约为0.5 s。