线控转向汽车传动比智能控制策略的研究

以线控转向汽车的传动比控制为重点进行研究,提出了传动比智能控制策略,旨在进一步改善系统的转向性能。针对转向系统的不确定性、非线性的特点,在原有基于模型控制方法的基础上,研究了模糊控制和模糊神经网络在传动比控制中的应用;首先利用模糊控制技术设计传动比控制器,然后研究了模糊神经网络的结构和算法,利用模糊神经网络对理想传动比控制进行改进,实现了输入变量隶属函数中心值和宽度的在线调节,进而对传动比进行优化;从仿真结果可以看出基于模糊神经网络的控制方法比单模糊控制扩大了传动比变化的车速范围,更加符合理想传动比的要求,表明基于模糊神经网络控制方法更具有可行性和有效性。     

BP算法改进及在控制系统中应用

研究控制问题,为了解决系统的稳定性和系统的精度,采用模糊控制方法,对模糊隶属度函数输入域上致密分布的要求,采用隶属函数约束寻优对基于BP算法的模糊神经网络进行了改进。算法首先采用-S函数对输入变量进行非线性映射,函数在把输入变量映射人确定区域的同时最大程度上保留了原样本的信息,然后根据经验知识给出隶属函数参数的优化范围,保证了模糊变量在输入域上的致密分布。经过仿真实验,仿真结果取得了与理论分析一致的实验结果,保证系统的稳定性。     

神经网络工况识别的混合动力电动汽车模糊控制策略

采用模糊控制可以改进混合动力电动汽车(HEV)的燃油经济性和排放性,但是对模糊控制器进行优化时通常只针对某一典型工况.不同的城市的行驶工况有一定差别,影响了模糊控制改善混合动力电动汽车性能的效果.研究中以广州和上海市主干道行驶工况为例,首先建立了一个模糊控制策略,并采用遗传算法,以汽车燃油经济性和排放性为优化目标,分别针对广州和上海主干道行驶工况对模糊控制器中隶属度函数进行优化.然后建立了一个基于模糊神经网络的行驶工况识别方法,通过识别广州和上海的主干道行驶工况,对控制策略中模糊控制器的隶属度参数进行相应调整,结果证明采用模糊神经网络识别行驶工况的HEV模糊控制策略可以进一步提高汽车的燃油经济性和排放性能.     

基于改进的RBF神经网络的人民币汇率预测研究

针对RBF神经网络分段算法中对近似线性时间序列数据预测误差较大这一不足,在原有RBF神经网络模型基础上提出了一种改进算法。该算法以分段取中心值为基础,优化原算法中径向基函数中心点值的确定,提高了对近似线性时间序列数据预测的准确度。通过对近两年美元兑人民币汇率数据的预测测试,表明改进算法在预测准确性比原算法有较大提高。     

基于T—S模型的聚丙烯优化控制

针对模糊控制表达能力强,但学习能力、适应性差的特点,提出在聚合反应过程的温度控制系统中使用模糊控制与神经网络相结合的控制方案,控制方案给出了基于Takagi-Sugeno模型的神经模糊网络结构以及优化模糊规则和隶属函数的学习算法;仿真研究表明,神经模糊网络可以根据输入数据的分布情况,自动修改模糊规则的加权系数和隶属函数,克服了单纯的模糊控制其控制规则和隶属函数一经得到就固定不变的缺陷,具有较强的适应能力和学习能力,较单纯的模糊控制有更高的控制精度.     

基于改进遗传算法的模糊控制器设计

针对模糊控制器的隶属度函数和模糊控制规则的选取及优化缺乏自学习能力与知识采集的手段,以及遗传算法具有自适应、启发式、概率性、迭代式全局收敛的特点,该文章将遗传算法与模糊控制相结合,给出了一种基于改进遗传算法的模糊控制器设计策略.改进算法引入了分裂算子来避免遗传算法在寻优过程中陷入局部最优解,同时对编码方式、选择算子、交叉算子以及变异算子做了相应的调整与改进.并将此改进算法用于优化模糊控制器的隶属度函数与模糊控制规则.仿真结果表明用该改进算法优化后的模糊控制器较用普通遗传算法优化后的模糊控制器具有更好的控制性能.     

改进的粒子群算法优化TSFNN的交通流预测

为提高T-S模糊神经网络在交通流量预测的准确性,提出了一种改进的粒子群算法优化T-S 模糊神经网络预测交通流量的算法。该算法利用改进粒子群算法通过群体极值进行[t]分布变异,使算法跳出局部收敛,使用改进的粒子群算法优化T-S模糊神经网络,能够优化网络参数配置,进而提高网络的预测精度。利用优化后的T-S模糊神经网络对实测交通流量进行预测,实验仿真表明优化的T-S模糊神经网络可有效提高交通流量预测精度,减小预测误差。     

模糊神经网络在感应加热电源应用的研究

针对感应加热电源具有非线性、时变性、难以建立准确数学模型的特点,本文提出将神经网络与模糊PID相结合,并引入补偿运算,构成一种新的具有可学习的自适应控制方法。该方法利用神经网络的自学习和模糊控制的不确定性等特点,引入神经网络不仅能够适当地调整输入、输出模糊隶属函数,而且能够借助于补偿逻辑算法动态地优化模糊推理,从而优化整个控制系统。通过对本文提出的算法、传统模糊PID算法以及模糊神经网络算法的仿真结果的对比可以看出,该算法较之传统模糊PID控制算法以及模糊神经网络算法具有鲁棒性更强、控制精度更高、可靠性更强等优势。     

基于混沌遗传算法的模糊CMAC控制

分析CMAC神经网络和模糊控制的特性,给出了一种能反映人脑认知的模糊性和连续性的模糊CMAC神经网络控制器,该控制器采用高斯函数作为模糊隶属函数,利用神经网络实现模糊推理并可对隶属函数进行实时调整,从而使其具有学习和自适应能力;针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用混沌遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整;仿真结果表明了该方法的可行性和有效性.     

基于非线性函数的移动机器人模糊避障算法

根据模糊逻辑的特点,利用非线性函数对传统的模糊控制算法的隶属度函数进行了改进.通过MATLAB给出的仿真证明,在采用多传感器避障过程中,机器人不仅能成功避开障碍物达到目标所在位置,并且非线性函数隶属度函数优于传统隶属度函数.新算法使机器人的行进更加平滑、稳定且具有较高的实时性.     

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。     

遗传算法和模糊神经网络在齿轮传动中的应用

基于遗传算法优化模糊神经网络齿轮传动机构优化的新模型,首先将各参数用二进制串表示,用适合度函数衡量算法的收敛状况。然后寻找最优模糊隶属函数参数,按适值选取最后一代群体中N个可能具有全局性的进化解,分别以该进化解为初始权值,用BP神经网络进行求解,比较N个由神经网络求得最优解,从而获得全局最优解。Matlab仿真结果表明所构造的识别模型预测误差非常小。     

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Sugeno型神经模糊系统的交通流状态预测算法

从交通流状态的模糊特性出发,设计基于Sugeno型神经模糊系统的交通流状态预测算法.选择交通流状态的影响指标作为模糊推理系统的输入、交通流状态作为输出;据经验对输入、输出划分模糊子集,给出相应的隶属度函数并制定模糊规则;建立具有5层结构的神经模糊推理系统,利用神经网络优化调整模糊推理系统的隶属度函数和模糊规则.仿真实验表明,神经网络可直接优化模糊推理系统的隶属度函数,通过对连接权值的训练间接优化模糊规则,故Sugeno型神经模糊系统相比常规模糊系统具有更好的交通流状态预测性能.     

SBR系统中的模糊神经网络控制器设计

将模糊控制与神经网络相结合,设计4层模糊神经网络控制器,分析其结构及算法。利用神经网络的自学习能力,在线动态调整模糊变量的隶属函数,优化控制规则,并对曝气池中溶解氧浓度与活性污泥浓度进行控制。通过Matlab对溶解氧的控制进行数字仿真实验,结果表明,具有学习能力的模糊神经网络控制可在污水处理系统的应用中获得更优的性能。     

基于改进PSO与规则约简的模糊系统优化算法

模糊系统是一种具有强可解释性和高鲁棒性的智能方法,但目前仍存在精度不高、产生的模糊规则太多等缺陷.针对目前存在的问题,论文通过改进粒子群优化算法优化模糊系统高斯型隶属度函数的参数,以及计算规则支持度约简模糊规则,提出了CPSFS和SPSFS两种模糊系统优化算法.在两个不同领域的经典数据集上的研究结果表明:1)CPSFS算法在训练集和测试集上的预测精度明显优于传统的BP神经网络、RBF神经网络、线性回归等算法;2)CPSFS算法与SPSFS算法减少了大量模糊规则,保证了模型的可解释性;3)CPSFS算法在约简模糊规则后预测精度依然表现最优,符合新时代下回归问题对于AI技术的要求.     

扩展T-S模糊模型的PSO神经网络优化算法

针对机械设备具有模糊性和非线性的特点,提出了一种利用扩展T-S模糊模型的,自适应PSO算法和BP神经网络相结合的新型智能结构优化算法。通过自适应的高斯函数来更改基本T-S模糊模型中的隶属度函数,进而使用扩展的T-S模糊模型来调整PSO算法的参数。以BP 神经网络隐含层神经元数目为设计变量,提取训练后的均方误差作为评价函数,用改进后的粒子群算法进行寻优。把优化后的网络模型应用于轮盘结构优化中,实验表明,该方法在保证轮盘性能的同时,对其结构进行了重新优化,是一种可行的结构优化方法。     

神经模糊控制在船舶自动舵中的应用

针对常规模糊自动舵由于受船舶控制过程的非线性、时变性以及风浪干扰等因素影响,模糊控制规则和隶属函数需要校正,利用神经网络的自学习能力,用神经网络去实现模糊控制,设计自动舵神经模糊控制器,采用BP算法和最小二乘算法的混合学习算法实现对模糊规则和隶属函数的参数训练,提高控制器的自适应能力。仿真实验表明所设计的控制器有效可行,适应船舶在风浪干扰环境下的控制性能要求。     

神经模糊控制在船舶自动舵中的应用

针对常规模糊自动舵由于受船舶控制过程的非线性、时变性以及风浪干扰等因素影响,模糊控制规则和隶属函数需要校正,利用神经网络的自学习能力,用神经网络去实现模糊控制,设计自动舵神经模糊控制器,采用BP算法和最小二乘算法的混合学习算法实现对模糊规则和隶属函数的参数训练,提高控制器的自适应能力.仿真实验表明所设计的控制器有效可行.适应船舶在风浪干扰环境下的控制性能要求.     

改进PSO-BP神经网络对储层参数的动态预测研究

为提高BP神经网络的收敛速度和泛化能力,防止其陷入局部最优值,在前人工作基础上对传统粒子群算法进行了改进,具体包括：设定最大限制速度、改变惯性权重因子和改进适应度函数,并把改进粒子群算法应用于BP神经网络权值和阈值的优化。之后利用改进粒子群算法优化的BP神经网络实现对储层参数的动态预测,具体步骤为：确定神经网络的输入、输出神经元,定量化时间参数[T],利用训练样本构建神经网络模型并进行检验。最后通过平均训练误差对仿真过程进行分析,结果表明改进PSO-BP算法的收敛性与泛化能力均优于BP算法和PSO-BP算法。