具有时滞的不确定性系统神经网络模糊自学习控制

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．     

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。     

基于神经网络的时滞非线性系统的广义预测控制

针对一类时滞非线性被控对象,提出一种基于RBF神经网络的广义预测自校正控制方案,在广义预测控制中,采用RBF神经网络建立被控对象的多步预测模型,并不断修正预测输出,提高预测输出的精度.控制器则采用GPC隐式修正算法,不用辨识对象的模型参数,大大减少了计算量.经过仿真研究,与常规的PID自适应控制方法相比较,证明了该方法的优越性,预测控制误差小,实时性好,动态响应快.     

基于GA参数整定的时变时滞系统灰色预测控制

针对一类数学模型未知且存在时变时滞的复杂系统,提出一种基于遗传算法参数整定的灰色预测控制方法;该方法采用BP神经网络对系统的时变时滞进行辨识,利用灰色预测算法对系统的输出进行预测,进而使用基于遗传算法整定PID控制器对系统进行输出反馈控制;该方法将灰色预测算法与遗传算法相结合,有效提高了控制器的自适应性;通过仿真实例,结果表明该方法能够对具有大时滞、大惯性、模型不确定等特点的复杂系统进行有效地控制;该方法是可行的、有效的.     

一种具有PI结构的时滞系统APFC控制

提出了一种具有PI结构的时滞系统自适应预测函数控制（APFC）,该算法通过在性能指标函数中引入预测输出误差和预测输出增量误差,使最终形成的控制器具有比例-积分（PI）结构。结合了预测控制具有较好的处理时滞、快速跟踪和PID调节器抗干扰性强、鲁棒性强的优点,并且模型参数是通过带遗忘因子的递推最小二乘算法在线辨识得到。在具有时滞的工业过程数学模型上进行仿真研究,结果表明,该算法具有较好的跟踪效果、抗干扰能力和鲁棒性。     

基于模糊神经网络的变换器自适应控制方法

提出了一种新型的基于模糊神经网络自适应PI调节电流控制电压型PWM变换器方法.结合了模糊神经网络控制与PI控制器,根据三相电流比较产生的三相电流误差和电流误差变化率,自动调整P、I参数,提高了电流的控制精度和变换器的动态性能.采用MATLAB/Simulink对常规PI控制器和模糊神经网络自适应PI控制器进行了仿真对比.仿真结果表明了采用模糊神经网络自适应PI控制器,其系统输出的误差及误差变化要小,系统的跟踪精度得以提高,动态性能得到改善.     

多输入多输出非线性多时滞系统的直接自适应模糊跟踪控制

针对多输入多输出非线性多时滞系统,提出了一种直接自适应模糊跟踪控制方案．该方案有机综合了自适应控制和H∞ 控制,构建了一种自适应时滞模糊逻辑系统用来逼近有多重时滞的未知函数;设计了H∞ 补偿器来抵消模糊逼近误差和外部扰动．根据跟踪误差给出了参数调节规律,构造了包含时滞的李亚普诺夫函数,从而证明了误差闭环系统满足期望的H∞ 跟踪性能．仿真结果表明了该方案的可行性．     

一种基于内模结构的模糊控制算法及应用

基于模型的预测控制算法在工业控制中获得了广泛的应用,特别是针对非线性大时滞系统.本文提出了一种基于内模结构的模糊控制算法,它的最大特点是引入模糊内模预估器作为被控过程的内部模型,对过程输出进行预测,从而克服时滞对系统带来的不利影响.同时,根据预测误差,滤波器在线修正、补偿被控过程的模型失配.仿真及炉温实时控制实验结果表明,此种控制策略优于常规控制方法,实用前景明显.     

汽车制动系统可靠性预测的模糊神经网络研究

计时传统模糊神经网络算法在汽车制动系统(ABS)可靠性预测中存在预测精度不高、误差较大等问题,提出了一种基于优化隶属函数的改进模糊神经网络算法。采用偏移优化方法对模糊控制算法的隶属函数进行改进;引入粒子群算法进行自适应惯性权重的寻优能力、收缩因子的收敛速度优化;最后与模糊神经网络算法融合,调整原算法的中心值、宽度值和连接权值,避免原算法在汽车制动系统可靠性预测中陷入局部最小值。仿真实验表明,改进的模糊神经网络算法具有比传统神经网络算法和模糊控制算法更小的预测误差。     

一种新的模糊内模预估控制器及应用

对不确定时滞系统, 提出了一种新的模糊内模预估控制方法. 它的最大特点是采用智能化的模糊模型预估器作为被控过程的内部模型, 对实际输出起预测作用, 从而克服时滞对系统带来的不利影响. 同时, 根据预测误差建立一模糊内模控制器, 在线修正、补偿被控过程的模型失配. 数字仿真和电阻炉温度实时控制结果表明, 这种控制方法优于常规控制方法; 有一定的实用前景.     

IPC-PLC DCS在啤酒发酵过程中的应用

本论文介绍了啤酒发酵工艺过程，并针对发酵过程具有大惯性、时滞和非线性等特点，本文采用IPC-PLC DCS即工业控制计算机与可编程序控制器分布计算机控制系统．提出一种基于神经网络的模糊PID控制算法，实现了整个发酵工艺按预定的温度曲线进行，提高了啤酒的质量。     

一种自组织双模糊神经网络控制算法

针对传统模糊神经网络设计复杂、控制实时性滞后的问题,提出自组织双模糊神经网络算法。将样本数据进行聚类划分,形成原始的模糊隶属函数集;在神经网络的离线训练过程中,完善并优化模糊隶属函数和规则;采用双神经网络结构,在线工作时,一个神经网络完成在线学习任务,另一个神经网络完成工业控制任务;经过一定的系统周期,同步系统中两组神经网络的参数;提取完成控制任务的神经网络的输出作为算法的输出。应用于火箭发动机试验台控制系统中,表明算法能够提升控制系统中针对输入参数越界的鲁棒性,提高控制实时性,简化了模糊神经网络的设计复杂度。     

基于遗传神经网络的超混沌时间序列预测

研究了超混沌系统的预测问题。通过分析混沌时间序列,建立具有多个隐节点的3层前馈网络,基于泛化性考虑采用剪枝算法训练,在保证预测精度的基础上消去部分隐节点以降低网络复杂性,利用遗传算法具有的全局寻优能力重新训练网络,利用具有局部寻优能力BP算法再次训练该网络。对Mackey-Glass时滞混沌系统预测实验结果表明,改进算法的泛化性能优于经典BP网络,归一化预测精度提高10倍多,能够较好地解决超混沌系统的预测问题。     

基于可变学习率BP算法的空调控制系统的研究

通过分析控制器参数学习率和控制器性能之间的关系,设计一种基于可变学习速率反向传播算法VLRBP和模糊神经元网络的变频空调控制系统.该系统不仅可以通过反传误差信号训练控制器参数,而且可以根据网络的当前状态朝最优化方向调整控制器参数的学习率.实验结果表明,该控制系统不仅比传统的空调PID控制器和模糊控制器具有更好的控制性能,而且相比基于标准BP算法和动量BP算法的模糊神经网络控制系统,也具有更快的收敛速度和更好的控制精确度.     

一类非线性系统的自组织模糊CMAC神经网络自适应重构跟踪控制

提出了一种非线性系统的自组织模糊CMAC(SOFCMAC)神经网络自适应重构跟踪控制方法,首先通过构造增广系统,设计出线性渐近跟踪控制器,然后采用SOFCMAC神经网络在线重构系统的非线性特性,以消除非线性特性引起的系统误差,可保证非线性系统闭环稳定并使系统输出跟踪期望输出.仿真算例证明了SOFCMAC神经网络自适应重构跟踪控制系统的稳定性.     

基于改进型模糊聚类的模糊系统建模方法

结合减法聚类和模糊C均值聚类，提出了一种改进型聚类算法，加快了收敛速度．利用改进后的算法对模糊系统输入或输出的样本集聚类，对聚类结果采用Trust-Region法拟合高斯型和S型函数，以实现模糊系统输入、输出空间的划分和隶属度函数参数的确定．结合MATLAB的模糊和曲线拟合工具箱，详述了如何在标准算法上进行改进和模糊系统建模．通过对IRIS标准数据聚类实验以及在解决机械加工误差复映问题上的应用，验证了改进后算法和建模方法的有效性．     

纯滞后对象模糊控制方法研究

模糊控制由于自身的特点,在现代控制领的应用越来越广泛,但由于大纯滞后影响,其控制效果往往达不到要求。针对这种情况,在模糊控制中提出了引入线性前馈和利用Simith预估算法来提高其控制品质的两种方案。并针对北京理工大学车辆实验室传动实验平台的630KW液粘测功机,将两种方法引入模糊控制系统,并利用Matlab中的Simulink模块对其控制效果进行了仿真研究,针对仿真结果,验证了两种方案的改进的结论。     

多资料水淹层识别的模糊神经网络模型研究

该文研究了利用多资料识别水淹层水淹等级的模糊神经元网络自适应模型,模型由若干个规则网络和适用度网络组成,汇合了神经网络与模糊逻辑的优点,具有非线性系统的逼近能力。通过相关性分析和反复测试,最终选择13个参数作为输入参数,水淹层的含水饱和度作为输出参数,实际资料的检验证明该算法明显改进了识别效果。     

自适应模糊神经网络控制系统的研究

自适应模糊神经网络控制器是由模糊控制和神经网络相结合构成,它不依赖被控对象的数学模型,并能自动产生模糊控制规则,又具有良好的自适应性,是目前受人们关注的课题。本文在对其分析的基础上又提出了卡尔曼滤波的学习算法,解决了原BP算法实时性差的问题,通过仿真实验说明了其优越性,并体现了模糊神经网络与最优控制相结合的思想。