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．     

一种基于单神经元的模糊自整定PID控制器

为解决普通的PID控制器设计对系统模型有一定依赖性问题,本文将单神经元网络和模糊逻辑相结合,提出了一种基于单神经元的模糊自整定PID控制器。单神经元控制部分本身还是一个PID控制器,但由于权值可以在线调整,具有较强的自学习和自适应能力,而通过模糊控制器对输出整定,可加速控制过程。将该控制器应用于船舶运动控制仿真中,仿真结果表明,单神经元模糊自整定PID控制器能使船舶更快地达到设定航向,且航向曲线和打舵更加平稳,可明显改善对大纯滞后、大惯性系统的控制效果,在工业控制中有广泛的应用前景。     

钢管捆自动成形系统电液比例控制研究

为了满足钢管生产过程中对钢管捆成形和包装的需要，对钢管捆自动成形电液比例系统进行了模糊比例-积分-微分(PID)控制研究.基于该系统的组成和工作原理，分析了双缸管排水平定位和竖直定位堆放控制问题，给出了管排竖直定位堆放误差的补偿算法.采用专家智能控制与模糊PID控制技术相结合，得到了具有二级结构的模糊PID控制策略，并对实际系统设计了相应的模糊PID控制器.系统控制结果表明，模糊PID控制器能修正各控制参数，提高了系统控制的自适应性和鲁棒性.与常规的PID控制器相比较，该控制器具有更好的系统运行性能.     

具有非线性PI特性的模糊控制器

介绍了基本模糊控制器，阐述了具有非线性ＰＩ控制特性的模糊控制器的设计方法，并采用计算机仿真验证了这种模糊控制器的控制性能。仿真结果表明，当被控对象具有时滞环节和非线性时，它具有良好的动态和稳态特性。     

具有非线性PI特性的模糊控制器

介绍了基本模糊控制器，阐述了具有非线性ＰＩ控制特性的模糊控制器的设计方法，并采用计算机仿真验证了这种模糊控制器的控制性能。仿真结果表明，当被控对象具有时滞环节和非线性时，它具有良好的动态和称态特性。     

一种智能模糊—PID控制器的研究

本文提供了一种智能控制器的设计方法，在设计方法中综合运用了模糊控制技术、人工智能技术、ＰＩＤ控制技术。当完成阶跃响应任务时，采用一类模糊控制器，其控制器参数Ｋｕ由ＢＰ神经元网络推理得到，进入稳态后的消除余差、抗干扰任务由ＰＩＤ控制器宛成。对于一类大常值干扰，采用另一类模糊控制器改善了抗干扰性能。仿真结果说明了这种控制器设计方法的有效性。     

热电偶校验炉程序升温装置的智能PID控制研究

针对具有较大的滞后性、非线性和时变性特点的热电偶校验炉对象，常规方法难以达到良好的控制效果，结合模糊专家系统控制器与PID控制器，提出了一种智能PID控制器结构．它具有PID控制器的参数在线白整定和直接控制型模糊控制器的功能，既保持了模糊控制灵活而适应性强的优点，又具有常规PID控制器的动态跟踪品质好和稳态精度高的特点，解决了热电偶校验炉的控制问题．仿真结果表明：智能PID控制方案是可行性的、有效的，与常规PID控制器相比，系统的响应速度提高了、超调量减少了．     

基于永磁同步电机的电梯速度控制器研究

设计一种基于自适应模糊神经网络原理的永磁同步电机电梯曳引机速度控制器.这种控制器具有神经网络自学习能力和模糊控制器处理不确定信息的能力.网络初始参数通过离线训练方式获得,从而实现对电机速度的智能控制.将模糊神经网络(fuzzy neural network control,FNNC)速度控制器与常用的PI控制、模糊PI控制方式对比进行仿真研究.研究表明,采用自适应模糊神经网络的控制器比另外两种方法更具有良好的鲁棒性和动态性能.     

模糊PID控制交流伺服系统的研究

介绍了模糊PID控制器的构成与工作以及模糊PID控制器的交流伺服系统.交流伺服技术是研制开发各种先进机电一体化产品的关键性技术，由模糊PID组成的控制器无需知道系统的精确模型，采用模糊控制和PID控制的复合控制，使交流伺服系统具备了更强的鲁棒性和更为优良的动、静态性能.利用了变频器的多种控制功能，用编码器精确测速，控制算法采用了参数自整定PIDD算法，实现了精确的变频调速闭环控制.仿真结果表明，该交流伺服系统具有优良的性能和实际应用推广价值.     

基于Fuzzy-PID智能车舵机控制系统

为提高智能车舵机的响应速度,分析了智能车控制系统的特点以及应用常规模糊控制器进行控制的局限性,提出了模糊PID控制算法.推导出模糊PID控制器消除稳态误差的原理,并介绍了模糊PID控制器的设计方法.实验结果表明,模糊PID控制器既能消除稳态误差,又有很强的鲁棒性,对于具有非线性和迟滞性特点的智能车舵机控制系统具有良好的控制性能.     

永磁同步伺服电机FNN控制的仿真分析

模糊神经网络结合了模糊控制和神经网络的优点,已广泛用在交流电机控制系统的研究中。本文作者利用MATLAB／SIMULINK仿真软件,建立了基于IP-模糊神经网络控制器的永磁同步电机仿真模型,实验结果表明：采用比例积分控制器（IP）-模糊神经网络控制时系统具有良好的抗干扰性,提高了控制精度和鲁棒性。     

道路交叉口信号的模糊神经网络控制

应用模糊神经网络对交通系统进行控制是一种新的尝试，它可以充分发挥模糊逻辑和神经网络的优势，实现更为有效的控制。提出了一种基于模糊神经网络的道路交叉口交通信号控制方法，根据两相位的关键车流信息来决定绿灯延长时间，形成控制策略。仿真结果表明，与传统的定时控制方法相比，所提出的神经网络控制方法在车辆平均延误时间和排队长度方面都有较大改进，该方法有效、可行。     

基于模糊神经网络的模糊辨识方法及其应用研究

利用模糊神经网络（FNN）的学习能力从控制操作的现场数据中获取模糊规则,并自动调节隶属函数,把建模的过程转化为FNN网络结构多数的生成与学习问题。用于一个非线性过程的模糊模型参数辨识问题,取得了满意的结果。     

基于模糊神经网络的移动机器人自适应行为设计

将模糊控制和神经网络相结合,形成模糊神经网络(fuzzy neural network,FNN)控制器,利用联想记忆进行离线训练,用来记忆预先利用强化Q学习(Q-Learning,QL)在线训练获得的移动机器人自适应行为的模糊控制规则。FNN经过离线训练后,把规则隐含地分布在整个网络之中,在控制应用时,不必进行复杂的规则搜索和推理,无需查表,只需通过高速并行的分布计算就可产生最佳输出的自适应行为。仿真结果表明,由于输入模糊子集接近于网络所用的训练模糊子集,所以输出几乎和该条训练规则的结果相同。     

人工智能在电梯群控系统中的应用

结合国内外发展趋势，对专家系统、模糊逻辑和神经网络等人工智能方法在电梯群控系统中的应用情况作以评述。重点介绍了基于模糊神经网络的群控算法，将此种方法应用在电梯群控系统的模型预报方面，可以达到很好的控制效果。     

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.     

基于模糊神经网络的彩色图像滤波器研究

为实现彩色图像噪声的滤波，基于模糊神经网络技术构建了一种新型的彩色图像滤波器．该滤波器通过对滤波窗口的彩色图像像素矢量进行模糊加权来判断邻近像素和中心像素的关系，针对不同性质的噪声由神经网络的自学习和自组织功能来自动调节滤波器的权值以实现噪声的滤除．用Flowers图像和Lena图像对经过训练的滤波器和矢量中值滤波器进行了测试对比．结果表明：模糊神经网络彩色滤波器无论对单纯的脉冲噪声及高斯噪声，还是二者的混合噪声，其滤除能力都要优于矢量中值滤波器，并且有较好的边缘和细节保持能力．     

故障预测中基于模糊神经网络的规则发现方法

为分析和发现故障预测中表征网络运行状态的多指标和故障间的关联关系,提出了一种基于模糊神经网络的规则发现方法. 该方法利用模糊神经网络具有的学习能力和模糊推理能力,分析和发现网管系统中多指标和故障的关联关系,实现基于多指标的在线故障预测. 仿真实验结果表明,有效的参数初始化确定了算法收敛方向,从而加速了收敛速度;新方法能够准确预测故障的发生,并且优化了预测准确度、真正率、误判率等性能指标.     

基于模糊神经网络的电液比例系统同步控制方法

以某厂钢坯翻转系统为例,建立电液比例阀动态方程及其控制框图,提出基于模糊神经网络的电液比例系统同步控制策略,构建基于模糊神经网络的同步控制器,详细叙述了模糊神经网络的基本结构和运算法则。结果表明,该控制方法具有控制精度高、动态跟踪性能好以及鲁棒性强等特点,能很好地满足实际工作要求。     

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。