路径规划; 态势评估; 模糊逻辑; 贝叶斯网络

针对非线性动态系统辨识和控制的特点，对4层模糊神经网络进行了优化和改进，形成了动态模糊神经网络，提高了网络的稳定性和对动态系统的辨识能力，同时给出了基于Lyapunov函数稳定收敛定理的各权向量以及权矩阵学习速率的自适应调整算法．应用于非线性动态系统的辨识和控制仿真试验表明，改进后的动态模糊神经网络与模糊神经网络相比，可取得更好的辨识精度和跟踪控制效果。     

一种补偿递归模糊神经网络及其学习算法

文中在系统研究各种模糊神经网络的基础上,通过在传统的模糊神经网络中引入递归环节和补偿环节,提出了一种新型的补偿递归模糊神经网络(CRFNN)。在此基础上,进一步提出了一种序贯学习策略对网络进行结构辨识,可有效确定模糊规则的条数及相关参数的初始值。文中还针对CRFNN的特点,通过改进BP算法,对CRFNN网络的结构参数进行学习。通过对典型非线性系统的建模计算,结果表明:文中的CRFNN具有优良的动态响应特性和很强的学习能力。     

在线变结构模糊神经网络的自适应内模控制

本文提出一种在线变结构补偿模糊神经网络训练算法.该在线变结构算法,使得出的网络结构简单.并且由于该网络引入了补偿模糊神经元,使网络能对模糊规则进行在线的训练.将此算法应用到仿射非线性动态系统和大时滞线性动态系统的内模控制中.仿真结果表明,该方法能有效的控制动态过程,具有较好的自适应性和鲁棒性.     

非线性布尔网络系统模糊建模与动态性能分析

针对非线性系统难以精确建模与动态性能分析的基本控制问题,基于模糊动态模型把布尔网络系统理论推广到非线性布尔网络系统,建立了模糊动态布尔网络控制系统的模型。引入模糊动态模型,对非线性布尔网络进行模糊建模,分别建立了非线性布尔网络系统的局部模型和全局模型。从系统的局部意义和全局意义上,对系统进行了能控性、能观性、稳定性等动态性能分析。最后,以多输入多输出的非线性布尔网络系统实例为具体研究对象,建立了系统的局部模型和全局模型,并对动态性能进行了仿真分析,得到了实验结果。实验结果表明,模糊动态布尔网络控制系统对非线性布尔网络系统的建模是有效的,动态性能分析是合理的,对模糊动态布尔网络控制系统的进一步分析有重要意义。     

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．     

基于自结构动态递归模糊神经网络的无人机姿态控制*

针对无人机非线性、强耦合等特点,提出了基于该自结构动态递归模糊神经网络的姿态控制系统,给出了基于Lyapunov函数的系统稳定性证明。对四层模糊神经网络进行了优化和改进,设计了自结构动态递归模糊神经网络,该网络可以根据系统状态在线更新权值、创建/删除节点、优化网络结构。仿真表明：该控制方法的突出优点是,在兼顾考虑了系统中的不确定性因素、非线性因素及外部干扰并存的情况下,保证系统的稳定性和跟踪性能;同时此网络结构比固定结构的模糊神经网络响应速度快,因此更具优越性。     

化工过程建模中的一类复合型模糊神经网络

针对化工非线性过程建模问题,本文提出了一类由函数逼近和规则推理网络构成的复合型模糊神经网络,其规则网络基于过程先验知识用于对操作区间的划分,而函数网络采用改进型模糊神经网络结构完成非线性函数逼近。该技术已成功地用于某工业尿素ＣＯ２汽提塔液位建模。     

有色噪声中非线性动态系统的BP网络辨识

前馈多层神经网络为复杂的非线性系统提供了一种极具吸引力的模型结构。本文不利用仅含一个隐层的前馈多层神经网络来拟合离散时间非线性动态系统的问题进行了探讨。由于有色噪声的存在会导致网络模型偏差产生，文中引入了一种对噪声建模的方案。借助于非线性模型检验技术，本文给出了在有色噪声存在的情况下，利用ＢＰ网络辨识离散时间非线性动态系统的一般方法，仿真结果亦表明该方法行之有效。     

具有模糊分割的动态神经网络控制

提出了一种具有模糊分割的动态神经网络（ＤＮＮＦＰ）。给出了网络的拓扑结构,得到了该网络在监督学习与再激励学习方式下的学习算法,并将其成功地应用于ｐＨ中和过程这一典型的连续时间非线性动态系统的控制。该文的研究表明,这种动态模糊神经网络综合了模糊逻辑、ＣＭＡＣ网络以及再激励学习的有关结果,不仅具有明确的物理意义,而且无需以任何显式方式建立被控对象的数学模型。由此获得的动态学习控制系统结构简单、鲁棒性强     

一类非线性系统神经网络控制的稳定性分析

从理论上研究将神经网络用于非线性系统控制，通过对神经网络的训练，实现一类非线性系统的定点跟踪。证明了神经网络学习算法的收敛性不仅与系统的动态特性有关，而且与网络的初始条件有关。仿真结果表明，适当选取网络的初值和加权的调节速率，可以实现非线性系统的定点跟踪。     

Lugre摩擦模型的模糊神经网络辨识仿真研究

LuGre模型是典型伺服系统的摩擦模型,该模型能够准确地描述伺服系统摩擦过程复杂的动静态特性.模糊神经网络已成为模糊逻辑和神经网络研究最前沿的课题之一.模糊神经网络同时具有神经网络和模糊逻辑的优点.针对伺服系统所面临的摩擦问题,以低速伺服系统为对象,建立伺服系统的LuGre摩擦模型,采用模糊神经网络进行非线性在线辨识.仿真结果表明,采用模糊神经方法建立对非线性对象的辨识器,具有较高的辨识精度.     

脉冲GTAW熔池动态过程模糊神经网络建模与控制

展示了模糊推理与神经网络结合在脉冲GTAW熔池动态过程智能控制中的应用研究 结果.建立了脉冲GTAW平板对接动态过程特征:正反面熔池的最大宽度、长度与面积等参数 的神经网络模型,基于实验数据采用模糊辨识方法提取焊接过程的模糊控制规则,进而设计了 具有自学习适应能力的模糊神经网络控制器.建立了脉冲GTAW熔池动态过程智能控制系统, 焊接实验验证了所设计的模糊神经网络控制器具有智能控制效果.     

一种神经网络自组织模糊控制*

本文提出一类基于神经网络的模糊控制。首先，它利用具有动态结构的ＢＰ网络进行模糊推理，实现模糊控制的最优推理过程。其次，它采用另一具有动态结构的ＢＰ网络校正现有的控制规则，实现规则自组织，在控制过程中不断优化控制性能，从而使控制的效果更加理想。     

补偿模糊神经网络自适应逆控制的仿真研究

该文应用的补偿模糊神经网络（CFNN）是结合补偿模糊逻辑和神经网络的混合系统。由于引入补偿神经元使网络容错性更高,系统更稳定;同时模糊运算采用动态的、全局优化运算,并在神经网络学习算法中动态优化补偿模糊运算,使网络更适应,训练速度更快。将补偿模糊神经网络与白适应逆控制原理结合应用到某位置伺服系统噪声消除控制中,并同用BP网络,传统PID控制和常规模糊神经网络控制效果比较来证明此方法的优越性。仿真结果表明补偿模糊神经网络自适应逆控制在缩短训练时间,提高控制精度等方面都有显著改善。     

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.     

基于模糊神经网络的温度控制系统设计

实验室温度控制系统要求精度高,并且具有非线性、大惯性及数学模型难建立等特性,这使得用常规PID控制器以及一般模糊控制器无法很好地满足系统要求,而本文在一般模糊控制器的基础上,融合神经网络技术,设计出模糊神经网络控制器,它既有模糊控制鲁棒性好、动态响应好、上升时间快、超调小的优点,又具有神经网络的在线自学习能力,可以实现温度的智能控制,在实际应用中取得良好的效果。     

Handwritten Chinese Character Recognition Based on Primitive and Fuzzy Features via the SEART Neural Net Model

A handwritten Chinese character recognition method based on primitive and compound fuzzy features using the SEART neural network model is proposed. The primitive features are extracted in local and global view. Since handwritten Chinese characters vary a great deal, the fuzzy concept is used to extract the compound features in structural view. We combine the two categories of features and use a fast classifier, called the Supervised Extended ART (SEART) neural network model, to recognize handwritten Chinese characters. The SEART classifier has excellent performance, is fast, and has good generalization and exception handling abilities in complex problems. Using the fuzzy set theory in feature extraction and the neural network model as a classifier is helpful for reducing distortions, noise and variations. In spite of the poor thinning, a 90.24% recognition rate on average for the 605 test character categories was obtained. The database used is CCL/HCCR3 (provided by CCL, ITRI, Taiwan). The experiment not only confirms the feasibility of the proposed system, but also suggests that applying the fuzzy set theory and neural networks to recognition of handwritten Chinese characters is an efficient and promising approach.     

K-聚类的模糊神经网络对DO的控制研究

运用一种基于K-聚类算法的模糊径向基函数（RBF）神经网络对污水处理中的溶解氧质量浓度进行控制,该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制、RBF神经网络以及K-聚类学习算法相结合以在线调整隶属函数,优化控制规则。通过对阶跃输入仿真分析,其结果表明基于RBF的模糊神经网络控制器具有良好的动态性能、较强的鲁棒性和抗干扰能力,使其快速、准确地达到期望水平。