基于改进粒子群算法的模糊神经网络PID控制器设计

针对模糊神经网络PID控制器中参数初始值的设置对控制器性能影响大的问题,提出一种改进的PSO算法优化模糊神经网络PID控制器参数的设计方法.该方法采用实数编码的方式对控制器参数进行优化,并以ITAT指标作为改进的PSO优化算法的适应度函数.实验仿真表明:经过改进的PSO算法优化的模糊神经网络PID控制器具有良好的动静态性能,响应速度更快,超调量更小,控制精度更高.     

遗传优化的径向基函数船舶模糊控制器

研究径向基函数模糊神经网络在船舶控制器设计中的应用 ,设计了一个新型的径向基函数模糊神经网络控制器用以适应船舶在时变和不确定环境下的控制性能要求 .控制器设计的主导思想是在传统的径向基函数神经网络中增加一个模糊隐层 ,并采用遗传算法对控制器参数进行优化 .与传统方法相比 ,控制器模糊规则库的设计过程所需的先验知识更少 .最后采用Matlab 6 .1的Simulink工具以船舶运动模型为对象进行了船舶控制的仿真试验 ,结果证明了其有效性     

基于HGA的模糊神经控制器设计及其应用

将神经网络与模糊控制相结合,实现了模糊控制器的自学习和自适应。给出一种基于递阶遗传算法的模糊神经网络优化算法,通过对每个染色体采用递阶编码,可以同时优化模糊神经网络结构和权值参数。将这种模糊神经网络控制器应用于镍氢电池的充电控制中,证明了算法的有效性。     

基于模糊神经网络的统一潮流控制器

为了减少先验知识对统一潮流控制器中模糊规则的设计和电力系统参数的变化对统一潮流控制器性能的影响,文中采用模糊神经网络来设计统一潮流控制器.为此首先简单介绍了统一潮流控制器的控制策略,然后阐述了自组织模糊神经网络和基于遗传算法的模糊神经网络的构造方法,接着将自组织模糊神经网络、基于遗传算法的模糊神经网络结合统一潮流控制器的控制策略应用于两种统一潮流控制器.最后通过MATLAB仿真例子来验证:这两种统一潮流控制器的设计方法的有效性.     

基于蚁群优化的模糊神经网络控制器的应用研究

针对传统PID控制方式的不足,文章提出了一种新的永磁同步电动机控制策略,即采用蚁群优化算法对模糊神经网络控制器的3个因子参数ka、kb、ku进行全局优化,给出了永磁同步电动机的数学模型,详细介绍了模糊神经网络控制器的设计,分析了蚁群优化算法,并进行了仿真实验。仿真结果表明,基于蚁群优化模糊神经网络控制器的永磁同步电动机调速系统具有很强的鲁棒性和自适应性,动态响应快,能够较好地跟踪负载变化。     

一种基于遗传算法的模糊神经网络最优控制

通过对控制系统的过程模拟,提出一种模糊神经网络最优控制方案。离线化部分基于遗传算法,分三阶段实现模糊神经网络控制器结构和参数的优化。在线优化部分通过重构模糊神经网络控制器的去模糊化部分,进一步调整控制规则,实现在线去模糊优化。仿真结果表明该方案优于常模糊控制方案和基于专家经验的模糊神经网络控制方案。     

基于CAFSA-FNN的扭矩加载系统控制研究*

针对磁粉制动器扭矩加载系统的非线性和滞后性,提出了一种基于混沌人工鱼群-模糊神经网络(CAFSA-FNN)PID控制器。该控制器采用基于Mamdani模型的模糊神经网络来整定PID控制器的控制参数,并结合混沌人工鱼群算法离线粗调和BP算法在线细调来学习和调整模糊神经网络的参数。利用Matlab进行离线仿真优化,在此基础上使用PID控制器、模糊神经网络控制器、人工鱼群-模糊神经网络控制器以及本文设计的控制器进行磁粉制动器扭矩加载实验,实验结果证明了该控制器的稳定性、快速性和有效性,能够解决滞后性问题。     

基于一种混沌BP算法的神经模糊控制器的优化

在模糊控制器设计问题的研究中,结合神经网络和模糊控制的优点,设计了一种全网络化的模糊控制器,使模糊推理的实现过程网络化,清晰化.针对BP算法学习速度慢、易陷入局部最小的缺点,引入混沌思维,提出了基于混沌Logistic方程的BP混合学习算法(CBP),将用于神经模糊控制器参数的优化设计中,使设计的神经模糊控制器具有更优的性能.通过仿真对算法及控制器进行验证,仿真结果表明,上述算法能有效地优化神经模糊控制器的参数和结构,所设计的神经模糊控制器具有较好的性能.     

一种模糊神经网络控制器参数的混沌优化设计

通过模糊控制与神经网络相串联的方式构成模糊神经网络系统，然后提出一种基于模拟退火策略的混沌优化算法，将该算法引入模糊神经网络参数域中进行优化，实现混沌粗搜索与细搜索相结合优化目的，体现出具有更强的模糊神经网络参数全局最优解的搜索能力。采用该控制器对一个非线性对象进行控制。仿真实验表明，该方法能有效地实现模糊神经网络控制器参数优化，控制具有无振荡、超调小、调节时间短等优点，算法结构简单，容易实现。     

一种基于人工免疫原理的最优模糊神经网络控制器

提出了一种基于人工免疫原理的最优RBF模糊神经网络控制器设计方案．首先给出了控制器结构，其次将免疫进化算法用于控制器参数的优化，设计了一种满足二次型性能指标的最优RBF模糊神经网络控制器．将该控制器用于控制实际倒立摆系统，并采用状态变量合成方法以大大减少模糊规则的数目，实验结果验证了该控制器的有效性．     

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.     

基于自组织模糊神经网络电力系统稳定器的设计

采用一种自组织模糊神经网络设计电力系统稳定器,该稳定器能通过结构和参数的学习,克服传统模糊控制器设计过程吕存在的盲目性及拚养伤性,避免模糊控制器中模糊逻辑规则的冗余成欠缺。仿夫表明该电力系统稳定器具有良好控制性能。     

模糊神经网络pH控制器的DSP实现

针对pH值控制过程具有较强非线性、纯滞后性的特点，传统PID控制往往达不到满意控制效果。介绍一种将模糊控制技术与神经网络技术相结合构成的模糊神经网络pH控制器，通过数字仿真显示了该控制算法的控制效果优于传统的PID控制和一般的模糊控制算法。并将提出的模糊神经网络控制算法在DSP上进行了实现．通过模拟实验验证了该控制器的可行性。     

在线知识获得智能模糊控制器研究

对一些复杂的系统。传统PID或模糊控制很难得到满意控制效果,本文提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来进行控制。由遗传算法在线优化模糊控制器的比例因子、模糊推理规则和隶属函数。并由RBF网络辨识被控对象的动态特性,以评价模糊控制器控制性能。仿真实验表明。优化后的Fuzzy控制器具有较强的学习和自适应控制能力,控制效果优于没有寻优的Fuzzy控制。     

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。     

自适应B样条模糊神经网络控制器的设计

B样条具有最小局部支撑和易于实现的优点。文章利用多变量B样条网络在运算表达式上与模糊神经网络结构之间的对等关系,并通过对其权值的训练,设计出自适应B样条模糊神经网络控制器。应用于具有严重非线性摩擦力影响的速度跟踪系统的仿真实验表明,所设计的控制器完全等价于模糊神经网络控制器,同时在计算量和实现上具有明显的优势。     

非线性互联系统的分散混合自适应智能控制

针对一类高阶互联MIMO非线性系统，利用TS模糊系统和神经网络的通用逼近能力，在神经网络控制器中引入模糊基函数，提出一种分散混合自适应智能控制器设计的新方案．基于等价控制思想，设计分散自适应控制器，无需计算TS模型．通过对不确定项进行自适应估计，取消了其存在已知上界的假设．通过理论分析，证明了闭环智能控制系统所有信号有界，跟踪误差收敛到零．     

一种模糊支持向量机控制器的研究

将支持向量机与模糊逻辑相结合,设计了一种模糊支持向量机控制器,并分析了控制器的结构和学习算法.学习过程分为离线学习支持向量机和在线整定模糊比例因子两部分.与模糊神经网络控制器相比,模糊支持向量机控制器适应小样本学习,泛化能力强,解决了过学习、结构设计依赖经验等问题.仿真研究表明,所设计的控制器具有较优的控制性能.