基于模糊神经网络的电液位置伺服系统控制

采用将T-S模型与RBF神经网络相结合的网络结构,提出一种复合式控制方案,以解决传统自适应控制中模型的在线辨识和控制器的在线设计问题,以达到对不确定非线性系统的高精确度输出跟踪控制;通过引入运行监控器,克服模糊神经网络控制方法通常存在的实时性差的问题;同时,利用一个鲁棒反馈控制器,来保证模糊神经网络模型学习初期闭环系统...     

模糊RBF神经网络在麻醉深度控制系统中的应用

麻醉深度通常用病人的平均动脉压（MAP）值来直接反应和度量。针对平均动脉压的时变、非线性特点,提出了基于模糊RBF神经网络的麻醉深度PID控制系统。通过采用模糊RBF神经网络对检测到的平均动脉压值进行模糊化处理及神经网络辨识,从而在线整定PID控制器各个参数,以获得更好的控制效果。MATLAB仿真结果表明模糊RBF神经网络用于麻醉深度控制具有良好的动态响应性能。     

基于模糊RBF神经网络的永磁同步电机位置控制

针对比例-积分-微分(PID)控制器参数固定而引起永磁同步电机位置伺服系统控制效果不佳问题,设计了基于平滑切换的模糊PI控制和径向基函数(RBF)神经网络PID控制的位置控制器。暂态时,采用模糊PI控制;稳态时,采用RBF神经网络PID控制,两者中间采用模糊PI-RBF神经网络PID复合控制。该位置控制器既结合了模糊PI控制和RBF神经网络PID控制的优点又克服了各自的缺点。仿真结果表明,当永磁同步电机受到外部扰动时,采用模糊RBF神经网络控制器的永磁同步电机位置系统具有良好的动态性能,能够实现快速响应,做到精确定位,而且当负载变化时具有很强的抗干扰性。     

Estimation of equivalent internal-resistance of PEM fuel cell using artificial neural networks

A practical method of estimation for the internal-resistance of polymer electrolyte membrane fuel cell (PEMFC) stack was adopted based on radial basis function (RBF) neural networks. In the training process, k-means clustering algorithm was applied to select the network centers of the input training data. Furthermore, an equivalent electrical-circuit model with this internal-resistance was developed for investigation on the stack. Finally using the neural networks model of the equivalent resistance in the PEMFC stack, the simulation results of the estimation of equivalent internal-resistance of PEMFC were presented. The results show that this electrical PEMFC model is effective and is suitable for the study of control scheme, fault detection and the engineering analysis of electrical circuits.     

基于模糊-RBF神经网络优化的PID控制

采用模糊控制和RBF神经网络训练相融合的方法,应用于对PID控制器参数的调整中,对非线性系统的控制仿真试验结果表明,该方法的控制性能优于单独采用RBF神经网络的控制。     

基于模糊神经网络的自主车导向控制器

为了实现自主车跟踪固定路径的精确控制,建立了自主车路径偏差控制系统的数学模型。设计了基于神经网络的自主车导向控制器,建立了模糊神经网络控制器的结构,并由实验数据产生训练样本。该控制器通过精确控制两个驱动轮的差动转速实现路径跟踪。实验结果表明采用模糊神经网络的导向控制器能够稳定地实现跟踪导向路径的控制功能。     

T-S型模糊RBF神经网络多变量自适应控制器的研究

提出Ｔ Ｓ型模糊ＲＢＦ神经网络模型,并将该网络模型应用于多变量控制系统,构成多变量自适应控制器．同时对网络结构和参数的学习算法及网络参数的在线自学习算法进行研究．仿真结果表明本文提出的学习方法是有效的,该多变量控制器具有良好的自适应控制能力     

锅炉汽包水位模糊RBF自适应控制

针对汽包水位常规的PID控制方式,采用了一种模糊神经网络智能控制器,该控制器结合了模糊控制与神经网络学习能力强的特点,将2种智能控制相结合,在线调整控制器参数,整定出一组优化的控制器参数。仿真结果表明此控制器显著地改善了汽包水位的动态性能和稳定性能。     

A Direct Feedback Control Based on Fuzzy Recurrent Neural Network

A direct feedback control system based on fuzzy-recurrent neural network is prosed, and a method of training weights of fuzzy-recurrent neural network was designed by applying modified contract mapping genetic algorithm. Computer simulation results indicate that fuzzy-recurrent neural network controller has perfect dynamic and static performances .     

自适应模糊控制器在水电机组控制中的应用

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控制水轮发电机组运行,由RBF神经网络和遗传算法在线寻优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。控制效果优于没有寻优的Fuzzy控制。     

在线学习自适应模糊控制器在水轮机调节中的应用

针对水轮发电机组系统具有时变非线性,传统的控制方法很难达到最优控制的特性,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控制水轮发电机组运行.模糊控制器的比例因子、模糊推理规则和隶属函数由遗传算法在线寻优.由RBF神经网络进行被控对象的动态特性模型辨识,以评价模糊控制器控制性能.仿真实验表明,控制效果良好,特别在变工况和扰动情况下优于最优PID控制.     

基于神经网络参考模型的船舶航向智能自适应控制系统

为使船舶能在不同状态和环境下按所希望的要求改变船舶的航向，提出了一种基于神经网络参考模型的船舶航向智能自适应控制算法，利用神经网络建立了参考模型和船舶航向运动的辨识模型。并将模糊控制与神经网络相结合，设计了模糊神经网络控制器。利用神经网络的学习功能对控制器的隶属度函数及推理规则进行修正，以提高其自适应能力。仿真结果表明该算法对船舶转向控制有良好的效果。     

基于改进最近邻聚类的机械手神经网络逆控制

机械手具有非线性时变、多变量、强耦合的特性,在机械手系统可逆的基础上,设计一种机械手的神经网络逆控制方案。通过神经网络逆辨识建立机械手的神经网络逆模型,把神经网络逆模型作为控制器模型与原机械手串联,构成一个伪线性动态模型,把非线性问题转化为线性问题。其中,辨识器和控制器均采用RBF神经网络结构,网络学习采用具有在线学习功能的最近邻聚类学习算法。仿真结果验证了本方案的有效性和可行性。     

非线性神经网络自适应控制及其在导弹中的应用

研究了用神经网络控制未知动态特性的非线性系统。基于神经网络学习系统的反向动态特性，调整控制网络的参数，使控制系统具有自适应的特性。网络学习采用误差反向传播算法，仅需要对象的输入输出值。对含有非线性环节的系统，该方法取得较好的效果。     

时滞系统的模糊神经网络补偿控制

针对传统的模糊神经网络(FNN)在线控制方法用于控制时滞对象时存在调节时间较长的问题,分析产生这一现象的原因,对传统的模糊神经网络在线控制进行改进,给出一种新的确定补偿量的方法.基于递推最小二乘(RLS)法在线辨识对象模型,通过时滞对象模型预测对象输出的变化,利用补偿方法得到控制量的补偿量.设计二维输入的带补偿的模糊神经网络控制器,进行实验与仿真研究.仿真结果表明,该补偿方法调节时间短,控制精度高,比传统的模糊神经网络的控制效果明显.     

基于BP神经网络的燃料电池发动机温度模型

燃料电池堆的热特性对燃料电池整体性能和寿命有重要影响,电堆温度特性具有不确定性和非线性,本文利用BP神经网络建立了电堆温度模型,并通过实测数据分析了神经网络模型的特性,研究结果表明,神经网络可以用于电堆温度模型的建立,为质子交换膜燃料电池电堆的建模与控制提供了一条可供参考的途径.     

基于模糊神经网络的汽车安全控制系统

针对国内汽车安全控制系统水平相对落后的现状,提出了一种模糊神经网络的汽车安全控制系统,采用基于标准模型的模糊神经网络作为控制器,包括输入层,模糊化层,规则层,归范化处理和输出层,应用多层前馈网络的反向传播算法网络作为学习算法,运用动态BP网络作为神经网络预测器。MATLAB仿真结果表明：该控制系统具有较好的快速性、稳定性、稳态性能以及鲁棒性。     

基于模糊神经元网络的阀控马达系统仿真

提出了一种基于模糊神经元网络的阀控马达控制方案.在系统中，将模糊控制技术与神经元网络技术相结合，构建了模糊神经元网络控制器.该控制器结合模糊控制与神经元网络各自的优点，既具有模糊控制器简单和有效的非线性控制作用，又具有神经元网络自学习和自适应能力,改善了控制系统的性能.     

预测模型的单神经元PI控制器

针对工业过程和实际控制对象的慢时变非线性的特点 ,设计了一种预测模型的单神经元 PI控制器。采用单神经元 PI控制算法与神经网络预测模型相结合的控制策略 ,用 PI控制规律来确定控制器的输出。用一个自适应神经元网络作为非线性系统的预测模型 ,估计下一步的输出值 ;用一个单神经元实现 PI控制来优化下一步的控制。利用 Matlab/Sim ulink工具对 PI控制器和预测模型的单神经元 PI控制器进行比较仿真实验 ,其控制对象为典型的非线性系统。仿真实验表明 :预测模型的单神经元 PI控制器具有结构简单 ,计算速度快 ,鲁棒性好等特点     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.