具有时滞的不确定性系统神经网络模型自学习控制

本文对具有时滞的不确定性控制对象提出了一种神经网络时滞补偿模糊自学习控制方法，模糊控制器采用误差、误差变化及误差加速度的加权和的解析描述形式，利用人工神经网络直接对过程建模，实现对时滞补偿预报以及对模糊加权因子的自学习优化调整，将上述方法用于焊接熔池动态过程控制试验，结果表明本文提出的自学习神经网络时滞补偿模糊控制方案有效。     

不确定时滞系统的模糊神经网络自适应PID控制

对于不确定时滞对象，提出了一种模糊神经网络自适应调整PID参数的控制方法，利用模糊逻辑实现了模糊化，利用多层BP神经网络来实现模糊推理。该网络通过学习并记忆PID参数调整规则，实现了在线调整PID参数。通过对一类不确定时滞系统的仿真，验证了该方法具有较好的控制效果。     

具有实质的不确定系统再励学习

本文对具有时滞的不确定控制对象提出了一种带有神经网络的Ｓｍｉｔｈ预估器再励学习控制方法,文中还给出了再励学习系统中模糊自适应控制器的网络结构及其有关算法的改进。仿真结果表明：本文提出的控制方法对具有时滞的不确定系统的自学习控制不仅是有效的,而且具有良好的鲁棒性。     

模糊神经网络在时滞系统中的应用

本文采用基于模糊神经网络的控制器实现了对时滞系统的控制，采取模糊规则对输出误差进行预测．预测中假设系统输出变化较缓慢．以至可以忽略高次项．得到的输出误差经过神经网络算法对控制对象进行控制．算法采用BP算法，仿真实验得到了很好的结果，系统的时滞基本消除．动态特性符合要求。     

一类不确定切换模糊时滞系统的鲁棒控制

针对利用模糊T-S模型建模的切换模糊系统,考虑当系统同时存在不确定和时滞的情况下,研究系统的状态反馈控制问题.利用切换技术和多Lyapunov函数方法,给出状态反馈控制器存在的充分条件,相应结果以矩阵不等式形式给出,并给出切换律设计.利用平行分布补偿算法(PDC),给出切换模糊状态反馈控制器设计,使得闭环系统在所设计的控制器和切换律下,对所有允许的不确定具有鲁棒性.仿真结果表明方法的有效性.     

大时滞系统的自抗扰控制

一个高阶被控对象含有几个小时常数惯性环节时,可简化成低阶时滞系统,依据这种认识,要用高阶自抗扰控制器来控制低阶大时滞对象。数值仿真结果显示了自抗扰控制器控制大时滞系统的有效性。     

时滞系统的神经网络预测控制

针对时滞系统的特点和采用神经网络单值预测控制存在的不足,提出了多步超前预测与补偿的控制算法,有效地增加了控制力度,改善了动态性能,并论述了增加的预测与补偿步数与稳定的关系。     

具有结构不确定性的时滞系统的最优非脆弱保性能控制

对一类具有结构不确定性的线性时滞系统的最优非脆弱保性能控制问题进行了研究.以线性矩阵不等式的形式给出了设计非脆弱保性能控制律的一个充分条件.然后给出了在使性能指标上界最小的意义下,最优非脆弱保性能控制律的设计算法.最后用例子演示了方法的有效性.     

模糊预测控制在时滞系统中的应用

几乎所有控制中都存在时滞,也叫死区时间,在此时间里,生产过程的实际值根本不会对控制器的调节作用起任何反应.时滞的存在会带来超调,震荡等诸多问题.测量方面有了时滞,控制器不能及时发现变量的变化,控制方面有了时滞,控制作用不能及时产生效应.本文结合模糊控制和模糊预测算法,预测控制量和输出量,减少了时滞,提高了控制质量.     

时滞系统的模糊旋转优化控制

针对一般的模糊控制器对时滞系统难以获得精确控制的现状,提出一种经过模糊旋转优化规则方法改进后的模糊控制器设计。旋转优化分为内圈旋转优化和外圈旋转优化两部分,内圈最优化规则和外圈最优化规则组合成一个完整的模糊规则表,这个规则表最趋近于最优规则。然后将基于改进后的模糊规则建立的模糊控制器应用到纯时间滞后系统的控制中。仿真实验结果表明模糊旋转优化方法得到的模糊控制器比常规的PID控制器和Smith预估控制器的控制性能优良,并且具有超调量小,稳态时间短,鲁棒性强等优点。     

不确定对象的人工神经网络自学习控制方法

利用模糊控制的思想,将误差、误差变化及加速度作为输入,建立一个神经网络控制器,对具有不确定性控制对象提出了一种自学习模糊神经网络控制方法.并将此方法用于焊接熔池动态过程控制的有效性试验.     

结合模糊控制的时序数据预测循环神经网络

时序数据处理任务中,循环神经网络模型以及相关衍生模型有较好的性能,如长短期记忆模型(LSTM),门限循环单元(GRU)等.模型的记忆层能够保存每个时间步的信息,但是无法高效处理某些领域的时序数据中的非等时间间隔和不规律的数据波动,如金融数据.本文提出了一种基于模糊控制的新型门限循环单元(GRU-Fuzzy)来解决这些问...     

Exponential Lag Synchronization of Memristive Neural Networks with Reaction Diffusion Terms via Neural Activation Function Control and Fuzzy Model

This paper is concerned with the problem of exponential lag synchronization of memristive neural networks with reaction diffusion terms via neural activation function control and fuzzy model. An memristor‐based circuit which exhibits the feature of pinched hysteresis is introduced and further, the memristive neural networks with reaction diffusion terms and such system containing fuzzy model are described at length, respectively. By utilizing the Lyapunov functional method and the neural activation function controller depending on the output of the system in the case of packed circuits, some concise conditions are acquired to guarantee the slave systems exponential lag synchronized with the master systems. Finally, several simulated examples are also presented to demonstrate the correctness of the theoretical results.     

时滞系统的神经网络辨识与控制算法

针对时滞系统、应用神经网络的非线性逼近能力,采用神经网络实现内模控制中被控对象的正模型及内模控制器,用Lyapunov稳定性定理证明神经网络控制系统的稳定性。仿真结果说明神经网络内模控制方案的优越性。     

模糊系统和神经网络的特征与比较

概述了模糊、神经网络 和人工智能技术之间的关系，尤其探讨了模糊系统和神经网络的特性；指出了模糊系统和神经网络的结合方式，分析了它们的特征。     

模糊神经网络补偿的伺服系统二次型最优控制

针对伺服系统二次型最优控制存在的问题,提出了基于模糊神经网络补偿的二次型最优控制方法,该控制方法利用模糊神经网络的实时学习能力,能够及时补偿被控对象建模不准确、参数摄动和外界干扰等非线性因素对控制系统性能的影响,增强控制系统的自适应能力,有效提高控制系统的跟踪性能和抗干扰鲁棒性能.仿真试验结果验证了该控制方法的有效性.     

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。     

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?..     

基于模糊神经网络的滑模控制

研究了一类不确定性非线性系统的滑模变结构控制,提出了一种基于模糊神经网络（Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）的滑模变结构设计方法,设计了控制器的结构,利用动态反向传播算法实现滑模控制,这种方法与一般变结构控制相比不但具有强的鲁棒性而且还能有效地消除抖动现象,同时在设计中不需要知识系统中不确定性和扰动的上界,另外还运用Ｌｙａｐｕｎｏｖ函数从理论上分析上了系统的稳定性。仿真结果说明了本文所提