基于改进遗传算法的FNNPID控制器在温度控制系统中的应用

根据温度控制系统的特点,为提高其控制质量,设计了一种模糊神经PID控制器。该控制器在温度偏差大时采用模糊神经控制,偏差小时采用模糊神经PID控制,由模糊控制开关保证两种控制方法的平滑过渡,用改进的遗传算法优化网络参数。仿真实验表明采用该控制方法系统响应速度更快、超调更小、精度更高、适应性更强。     

自适应神经模糊控制器及其在炉温控制系统中的应用

将自适应模糊控制技术与神经网络技术相结合,提出了一种自适应神经模糊控制器的实现方法,并用一种改进的快速ＢＰ算法来训练网络。该方法和算法用于炉温控制系统,获得了满意的控制效果,验证了方法和算法的有效性。     

基于模糊遗传算法的神经模糊控制器的综合优化

针对遗传算法的特点，提出一种用模糊控制的方法来调整交叉概率和变异概率的改进模糊遗传算法及其算法结构，并将其应用于神经模糊控制器的综合优化设计。在以二阶模型为控制对象的仿真结果表明，此种模糊遗传算法不仅加快了解的收敛速度，而且大大提高了解的质量。     

一种模糊神经解耦混合控制器的研究

该文将模糊神经网络与Pl控制技术相结合构成一种模糊神经解耦混合控制器。新控制器在控制过程中借助模糊神经网络的自学习算法实现控制参数的在线调整。仿真结果表明，该控制方法对非线性时变系统有较好的控制效果。     

一种新的分布式神经模糊控制器

提出了一种分布式神经模糊网络和自学习模糊控制器的构成方法。它是CMAC模型的一种扩展，使其能进行模糊推理和构成自学习的模糊控制器。该方法除具有CMAC优点外，还具有以下特点：输入数据通过模糊划分和隶属函数后自动编码，对精度没有限制；从现场数据直接获取控制规则，即使对未训练的数据，也能结合插值和泛化两种能力，推理给出合适的输出。学习实例证明了方法的有效性。     

用模糊RBF神经网络简化模型设计多变量自适应模糊控制器

针对多变量系统实时性要求,提出模糊径向基神经网络结构的简化模型及相应算法,并对由此简化模型设计的多变量模糊控制器模糊规则的在线自学习算法进行分析,提出一种系统动态增益的处理方法和基于过程最优的改进方案,仿真实验结果表明该控制器可实时自自应控制,改进算法是有效的。     

基于一种FGA–ANFIS技术的DMFC温度建模和控制

为了提高直接甲醇燃料电池(DMFC)的发电性能,采用自适应神经模糊推理技术(FGA-ANFIS)对电池的工作温度进行建模与控制.首先,基于实验的输入输出数据建立了DMFC电堆温度的自适应神经模糊辨识模型,避开了DMFC电堆的内部复杂性.然后,将训练好的网络模型作为DMFC控制系统的参考模型,采用一种改进的模糊遗传算法对神经模糊控制器的参数和模糊规则进行自适应调整.最后,通过仿真.将所提出的算法与非线性PID和传统模糊算法进行比较,结果表明所设计的神经模糊控制器具有较好的性能.     

一种新的分布式神经模糊控制器

本文提出了一种分布式神经模糊网络和自学习模糊控制器的构成方法，它是CMAC模型的一种扩展，使其能进行模糊推理和构成自习的模糊控制器，该方法除具有CMAC优点外，还具有以下特点；（1）输入数据通过 模糊划分和隶属函数后自动编码，对精度没有限制；（2）从现场数据直接获取控制规则，即使对未训练的数据，也能结合插值和泛化两种能力，推理出合适的输出。本文还对DNFN的逼近能力进行了讨论，学习实例证明了方法的有效性。     

一种无抖动的模糊控制器

提出了一种新型的模糊控制器─—无抖动模糊控制器的设计方法。无抖动模糊控制器的输出为误差的分段线性函数，用它控制的系统工作平稳，稳态无抖动，控制精度高，解决了常规模糊控制系统存在的稳态抖动问题。     

模型预测前馈控制

本文对传统的前馈加反馈控制器进行了深入的分析，在此基础上设计了一种使用模糊预测控制方法的新型前馈控制器，提出了反馈控制器和前馈控制器分离设计的构想。     

一种基于模糊径向基函数神经网络的自学习控制器

提出了一种新型的基于模糊径向基函数 (RBF)的神经网络学习控制器 ,并应用于电液伺服系统 .由于RBF网络和模糊推理系统具有函数等价性 ,采用模糊经验值方法选取网络中心值和基函数数目 .与一般的神经网络自学习控制器不同 ,以系统动态误差作为网络输入量 ,RBF神经网络控制器学习的是整个系统的动态逆过程 ,因而控制性能明显提高 .对电液位置伺服系统的仿真和实验结果表明 ,该控制方案可以有效提高系统的控制精度和自适应能力     

多变量系统的模糊神经网络控制模型及其应用

本文综合模糊控制系统与人工神经网络的优点，提出了一种多变量系统的模糊神经网络控制模型并给出了其建模方法，该方法适合于多变量系统的建模及其模糊控制器的设计。笔者以此方法建立了渣贫化电炉生产过程的模糊神经网络控制模型并开发出相应的决策支持系统，该系统自１９９２年６月投入生产现场使用以来，一直稳定可靠地正常运行，取得了令人满意的效果和显著的经济和社会效益。     

具有学习功能的多值模糊神经网络控制系统

对于具有非线性、大时滞、不确定性等特性的难以用精确数学模型描述的多变量复杂系统,靠传统控制理论难以获得理想的控制效果。基于模糊神经网络控制技术不依赖于被控对象精确的数学模型,且能根据被控对象参数的变化自适应调节控制规则和隶属函数参数的特性,进行了采用模糊神经网络控制器实现其控制的应用研究。采用典型的前向型模糊神经网络模型,给出了具有学习功能的多值模糊神经网络控制系统的一种设计方法。仿真实验证明,该系统能够获得较理想的控制效果。     

非线性系统多步预测控制的复合神经网络实现

提出一种基于神经网络的非线性多步预测控制,采用由线性网络和动态递归神经网络构成的复合神经网络。在此基础上将线性系统的广义预测控制器扩展为非线性系统的多步预测控制器。通过对非线性过程ＣＳＴＲ的仿真表明,该方法的稳定性和鲁棒性明显优于线性ＤＭＣ预测控制。     

基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统, 提出了基于神经网络与多模型的非线性广义预测自适应控制方法. 该自适应控制方法由线性鲁棒广义预测自适应控制器, 神经网络非线性广义预测自适应控制器和切换机制三部分构成. 线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界, 神经网络非线性广义预测自适应控制器能够改善系统的性能. 切换策略通过对上述两种控制器的切换, 保证系统稳定的同时, 改善系统性能. 给出了所提自适应方法的稳定性和收敛性分析. 最后通过仿真实例验证了所提方法的有效性.     

轮式机器人横向纵向统一遗传模糊神经网络控制研究

在对轮式地面机器人进行纵、横向统一遗传模糊神经网络控制中，提出了一种多目标遗传优化的策略，用分别编码、先分再合的分步优化遗传算法寻找模糊神经网络的参数。并采用先对车体动力学模型进行仿真控制，再用仿真得来的数据控制实际车辆，进行车体在线遗传寻优的方法，这种方法能最直接地控制车体运动。经过实验研究，控制效果较好，有一定意义。     

基于模糊神经网络的5连杆双足机器人混杂控制

针对双足机器人单脚支撑期控制问题, 提出了一种新型的模糊神经网络混杂控制方法. 该种方法结合了模糊神经网络、H_∞ 控制及逆系统方法的优点. 应用了一种新的多层模糊CMAC神经网络对系统进行逼近, 一方面将模糊神经网络的构造误差看作系统的干扰, 利用H_∞ 控制对干扰进行抑制. 另一方面利用模糊神经网络对系统模型进行逼近, 为逆系统的构建和H_∞ 控制率的设计提供了有效的系统信息. 并证明了在采用本文提出的模糊神经网络和自适应算法后可以抑制 L₂ 增益.     

无刷直流电机的模糊神经网络控制设计

在无刷直流电机(BLDCM)的控制上,传统PID等控制方法存在或多或少的不足.在模糊PID控制的基础上提出了一种模糊神经网络PI控制器的设计方法.该方法结合了模糊逻辑与神经网络,使得模糊控制器模拟了人的控制功能,不仅对环境变化有较强的适应能力,还拥有自学习能力.相比模糊PID控制,其具有计算量小、稳定性强等特点.对BLDCM进行建模与分析;在BLDCM数学模型的基础上,分别设计模糊PID控制器和模糊神经网络PI控制器;对设计的控制器进行仿真验证并分析.实验结果表明,模糊神经网络PI控制具有跟踪性能好、超调小、响应快、脉动小等优点,其动静态特性均优于模糊PID控制.     

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.     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。