双容神经网络解耦控制的在线实现

主要进行基于神经网络的解耦控制研究.针对罗克韦尔实验室中的双容液位对象强耦合的特点,将模糊自适应PID算法控制和神经网络引入控制系统的设计中.提出一种神经网络在线解耦算法并用神经网络对双容液位系统进行建模.将该算法用于双溶液位控制系统的设计中,用来实现对被控对象的解耦控制.通过对设计方案的仿真研究和现场实时控制,结果表明:该设计方案具有良好的解耦效果;控制系统的调节品质令人满意.     

基于遗传算法的FNN-PID控制技术在溶解氧控制中的应用

构建一种基于多层神经网络结构的模糊PID参数自整定系统,将模糊规则和隶属函数的选取转化为神经网络中连接权系数和网络结构的优化问题;以氧化沟内溶解氧偏差最小为目标函数,采用改进的遗传算法作为模糊神经网络的学习算法对网络的参数和结构进行优化,实现PID参数的在线自整定;仿真实验表明此方法较好地提高了氧化沟溶解氧系统的自学习能力和鲁棒性,使控制系统的动、静态性能都有较大的改善。     

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。     

遗传模糊神经网络在航空发动机控制中的应用

模糊神经网络控制器是一种将模糊逻辑与神经网络相结合的智能控制器,其既不依赖于被控对象精确的数学模型,又能根据被控对象参数和环境的变化自适应地调节控制规则和隶属函数参数,但是存在着收敛速度慢,较多局部极小的情况下很容易陷入局部极小值等缺点。针对存在的问题,提出一种模糊神经网络控制器的优化方法。隶属度函数的参数具有全局性,用遗传算法来优化;神经网络的权值代表模糊系统的控制规则,它用神经网络的误差反传算法(BP)来调整。将算法用于航空发动机控制,实现对低压转子转速的无静差控制,与应用BP算法的模糊神经控制相比,控制性能改善较大,结果令人满意。     

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。     

一类非线性系统的模糊滑模控制

针对一类非线性不确定系统,提出了一种模糊滑模控制器的设计方法。采用模糊神经网络设计系统控制器,基于梯度符号变化的局部学习率自适应BP算法,对模糊神经网络的隶属函数中心、宽度和网络权值进行调节,使滑模等效控制的模糊系统后件参数是自适应的;在系统存在外部干扰并有界时,利用李亚普诺夫方法证明了系统控制的稳定性。通过Matlab仿真分析,表明了所设计的模糊滑模控制器不但具有鲁棒性,而且具有良好的跟踪性能。     

基于自组织模糊神经网络的出水总磷预测

针对污水处理过程出水总磷预测问题,本文提出一种基于改进Levenberg--Marquardt(improved Levenberg--Marquardt,ILM)学习算法和奇异值分解(singular value decomposition,SVD)的适于在线建模的自组织模糊神经网络(fuzzy neural network,FNN)预测方法.ILM-SVDFNN采用改进LM学习算法对隶属函数中心、宽度和输出权值进行训练.在参数自适应学习的同时,采用单边Jacobi变换实现规则层输出阵的奇异值分解,根据奇异值定义增长和修剪指标实现规则层神经元在线动态调整.此外,证明了所提方法在网络结构固定和调整阶段的收敛性.最后,利用典型非线性系统辨识、Mackey-Glass时间序列预测和实际污水处理过程出水总磷预测实验进行验证.仿真结果显示所设计的自组织模糊神经网络结构紧凑且预测精度较高,较好地满足了污水处理厂对出水总磷检测精度和实时性的要求.     

基于模糊神经网络的高速公路隧道照明节能控制系统研究

针对高速公路隧道照明控制系统存在的亮度控制不合理、能耗高等问题,提出一种基于模糊神经网络的高速公路隧道照明节能控制系统,并分别从硬件和软件两方面进行详细设计。系统硬件设计中,设计了系统硬件架构示意图,主要包括电容、PLC等在内的主控制器、从控制器和终端控制器,通过电流和电压信号变化控制提供硬件条件;软件设计中,通过图像采集技术,将获取到的图像进行二值化分离,利用车灯实现高速公路隧道车流量检测,建立模糊神经网络,设置网络的输入层变量和输出层变量,确定模糊子集以及模糊子集隶属函数,通过控制照明灯具的开关时间来调节亮度,实现高速公路隧道照明节能控制系统的设计。系统测试结果表明：在不同车速变量下,设计的照明节能控制系统在能够提供有效的照明功能下,减少了照明能耗。     

基于模糊神经网络的模型参考自适应控制

用模糊神经网络作为控制器,依靠参考模型产生理想的控制系统闭环响应,从而随时得 到控制系统的输出误差.用梯度法实时修正模糊控制器的输入和输出隶属度参数,得到一种 在线模糊自适应控制的新方法.通过倒立摆的仿真实验表明,该方法是可行的并能适应对象 特性的大范围变化.     

弧焊过程神经网络模糊控制

提出一种将FLC与神经网络技术相结合的方法对钨极氩弧焊（GTAW）过程进行控制,它克服了模糊规则产生对专家的依赖及模糊集非自适应性的问题。隶属函数的自适应及模糊规则的自组织通过神经网络的自学习和竞争获得。该方法实现了弧焊过程中模糊规则的自动确定和隶属度函数在线调度。 以GTAW过程焊缝几何参数调节为对象,验证了算法的有效性。计算机仿真表明,采用该方法的系统性能有较大的提高。     

二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器.该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练.能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则.通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器时二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度.     

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.     

应用单层神经网络设计多变量自适应模糊控制器

提出一种应用单层神经网络设计多变量自适应模糊控制器的方法。应用单层神经网络可以学习多变量模糊控制规则中的未知参数，还可由它来实现多变量模糊推理过程。该方法能解决多变量模糊控制中普遍存在的规则获取困难和难于实现实时自适应等问题。仿真试验表明，所设计的多变量模糊控制器不仅实时性好，而且可得到满意的控制效果。     

基于模糊神经网络的飞机防滑刹车系统研究

以某型飞机刹车系统为研究对象,为了使该系统以最佳滑移率工作,防止陷入深度打滑和获得最大的刹车结合系数,提出了一种智能飞机防滑刹车系统的设计方案,制定出刹车控制规律并对整个刹车系统进行了仿真。改进了现有飞机刹车防滑系统的控制算法,应用神经网络BP算法实时获取最佳滑移率,利用模糊神经网络实现快速逼近给定滑移率,并采用基于数字信号处理器（DSP）的硬件电路实现了智能刹车控制。实验结果表明,飞机防滑刹车效率有了明显改进,鲁棒性增强。     

一种新的模糊神经元网络学习方法

提出了一种模糊神经元网络的学习算法即利用多 层多层模糊IF/THEN规则表达专家知识的神经网络学习方法，在以此构造的基于多源信息融合的分类系统中，采用了多层模糊IF/THEN规则进行分类。为了处理模糊语言值，提出了一种能够控制模糊输入矢量的神经网络体系结构。该方法能够对非线性实间隔矢量和模糊矢量进行分类，工程实验表明，此学习算法是切实可行的。     

基于Type-2 FNN数据融合的双进双出磨煤机料位检测

针对双进双出磨煤机料位准确检测的难题,提出一种基于二型模糊神经网络（Type-2 FNN）数据融合的双进双出磨煤机料位检测方法．首先将多传感器采集的变量参数数据按照二型模糊规则进行模糊化处理;然后构造神经网络进行数据融合,所得融合结果即为检测的料位值．该方法具有较好的自组织、自学习、并行分别处理能力,保证了检测结果具有较高的准确性．仿真实验表明,该方法可有效弥补单—测量方法的不足,实现料位更为准确的测量．     

基于HGA的模糊神经控制器设计及其应用

将神经网络与模糊控制相结合,实现了模糊控制器的自学习和自适应。给出一种基于递阶遗传算法的模糊神经网络优化算法,通过对每个染色体采用递阶编码,可以同时优化模糊神经网络结构和权值参数。将这种模糊神经网络控制器应用于镍氢电池的充电控制中,证明了算法的有效性。     

A fuzzy neural network with fuzzy impact grades

Fuzzy rule derivation is often difficult and time-consuming, and requires expert knowledge. This creates a common bottleneck in fuzzy system design. In order to solve this problem, many fuzzy systems that automatically generate fuzzy rules from numerical data have been proposed. In this paper, we propose a fuzzy neural network based on mutual subsethood (MSBFNN) and its fuzzy rule identification algorithms. In our approach, fuzzy rules are described by different fuzzy sets. For each fuzzy set representing a fuzzy rule, the universe of discourse is defined as the summation of weighted membership grades of input linguistic terms that associate with the given fuzzy rule. In this manner, MSBFNN fully considers the contribution of input variables to the joint firing strength of fuzzy rules. Afterwards, the proposed fuzzy neural network quantifies the impacts of fuzzy rules on the consequent parts by fuzzy connections based on mutual subsethood. Furthermore, to enhance the knowledge representation and interpretation of the rules, a linear transformation from consequent parts to output is incorporated into MSBFNN so that higher accuracy can be achieved. In the parameter identification phase, the backpropagation algorithm is employed, and proper linear transformation is also determined dynamically. To demonstrate the capability of the MSBFNN, simulations in different areas including classification, regression and time series prediction are conducted. The proposed MSBFNN shows encouraging performance when benchmarked against other models.     

Image restoration techniques based on fuzzy neural networks

By establishing some suitable partitions of input and output spaces, a novel fuzzy neural network (FNN) which is called selection type FNN is developed. Such a system is a multilayer feedforward neural network, which can be a universal approximator with maximum norm. Based on a family of fuzzy inference rules that are of real senses, a simple and useful inference type FNN is constructed. As a result, the fusion of selection type FNN and inference type FNN results in a novel filter-FNN filter. It is simple in structure. And also it is convenient to design the learning algorithm for structural parameters. Further, FNN filter can efficiently suppress impulse noise superimposed on image and preserve fine image structure, simultaneously. Some examples are simulated to confirm the advantages of FNN filter over other filters, such as median filter and adaptive weighted fuzzy mean (AWFM) filter and so on, in suppression of noises and preservation of image structure.     

基于粗-模糊神经网络的决策控制

通过将模糊集和粗集,神经网络结合,提出了一种基于模糊规则的新的粗模糊神经网络,它通过利用误差反向传播算法实时修正该新型网络中的权值参数,从而能被有效地应用于不确定系统的决策分类与模式识别问题.最后通过对一个不确定决策系统的模式识别的仿真结果表明该粗模糊神经网络能大大提高模式识别决策的准确率.