基于国际评价基准的溶解氧控制方法研究

针对活性污泥污水处理过程溶解氧浓度(DO)控制的非线性特性，以DO为控制对象、国际评价基准（benchmark）为平台，将PID控制、增益调度控制和一般模型控制(GMC)方法应用于DO控制中，并进行了控制器性能的比较．仿真结果表明，所提一般模型非线性控制方法的性能优于其他两种控制方法，体现出该方法的有效性和优越性．     

基于专家控制逆系统的空调温控研究

逆系统控制的方法可以有效的控制非线性系统，专家控制能尽量的优化被控对象。本文采用专家控制逆系统方法，集合两种控制方法的优点，控制空调的输出功率，进而做到对空调房间的温度能进行控制，提高温度的快速响应，增大抗干扰性能。仿真结果证明本方法的正确性和有效性。     

基于预测控制的混沌系统参数微调控制方法

本文将预测控制理论引入混沌系统的控制研究中，提出一种基于预测控制的混沌系统参数微调控制方法，通过对控制参数进行微调，将模型未知时的混沌运动稳定到系统的不稳定不动点处．与现有同类方法相比，本控制系统具有快得多的响应速度，需要较短的时间就能实现混沌系统的控制．本方法能够控制超混沌系统，算法简便，控制算法的收敛性和控制系统的稳定性能够保证，理论分析和仿真实验都表明了本方法的有效性．     

血压的自适应控制

根据生物体血压控制特点及控制环境，本文提出了一种自适应控制方法，该方法使用最大似然法和递推最小二乘法建立生物体血压的数学模型和估计模型系数，使用控制加权和控制变化率加权，可避免控制过大和控制过快等情况，使用计算机，微流量泵及传感器，构成一血压控制闭环系统。     

适用于非线性对象的模糊-神经元控制方法

针对具有严重非线性的受控对象，提出了一种模糊-神经元控制方法。该方法将模糊PID控制器与神经元控制器相结合，用于改善控制器控制非线性对象的性能，以误差、误差变化率及设定值的变化来自调整神经元控制器增益，提高了控制系统的响应速度和鲁棒性。将所提出控制方法用于pH中和过程控制，仿真实验结果表明，该方法具有满意的控制品质及很强的适应性。     

柔性臂仿人智能变结构控制

柔性臂的位置控制中，最大的难点是柔性振动的抑制，常规控制方法往往不能同时得到良好的关节跟踪轨迹和对柔性振动的补偿。本文提出了仿人智能变结构控制方法，此方法综合了仿人智能控制与变结构控制的优点，仿真结果表明，这种控制方法能有效的抑制柔性振动，同时具有良好的关节跟踪能力。     

中厚板控冷过程机设计及其应用

从控制冷却过程机控制设备入手，系统地阐述了过程机设计的控制方法与策略，具体功能设计以及数据库等在现场实际生产中的具体可实施方案，针对其中采用的前馈控制与自学习策略，数学模型的设定，修正计算和控冷过程跟踪控制等作了深入的分析，实验表明，通过温度前馈控制与模型自学习，获得了较高的模型预设定精度和良好的温度修正效果，达到了板温均匀一致性的目的，该设计及其控制对改进中厚板控制冷却系统提供了方法和成功的范例。     

基于PLC的腔镜器械消毒灭菌自动化控制技术

腔镜器械消毒灭菌控制过程复杂度较高，为了提高腔镜器械消毒灭菌控制智能水平，提出基于PLC的腔镜器械消毒灭菌自动化控制技术，构建腔镜器械消毒灭菌控制系统功能组件，设计的腔镜器械消毒灭菌控制系统主要有物理控制模块、底层数据交互模块、总线通信模块、控制质量传输模块、底层控制信息交互模块和人机交互模块等。采用PXI、VXI、LXI联合总线交互控制方法，通过PLC逻辑可编程器件作为控制系统的核心组件，通过嵌入式调试和AD转换协议控制，建立腔镜器械消毒灭菌控制的指令交互协议，采用触发总线、模拟总线联合控制方法实现腔镜器械消毒灭菌自动化控制。测试结果表明，采用该方法进行腔镜器械消毒灭菌控制的稳定性较高，可靠性较好，提高了腔镜器械消毒灭菌控制的自适应性和过程优化性。     

海洋渔业数据库质量控制研究

为了利用可视化技术来对海洋渔业数据库进行质量控制，在综述了近年来GIS数据库质量控制的基础上，首先提出了GIS数据库质量控制的多层次概念模型；然后针对海洋渔业地理信息系统的特点，给出了海洋渔业数据库质量控制的体系结构和具体的控制方法，并在现有的元数据和数据仓库技术的基础上，提出了基于元数据的智能化控制方法原理；最后结合前人工作和国家863计划818主题的海洋渔业GIS课题研究成果，给出该质量控制的概念模型应用于海洋渔业具体的控制体系和方法。     

基于视觉引导的无人机自动着陆控制方法

由于无人机定位导航精度低，导致传统无人机自动着陆控制方法存在控制效果不佳的问题，为此提出基于视觉引导的无人机自动着陆控制方法。分别从无人机运动和飞行环境两个方面，构建数学模型，在该模型下，利用视觉引导技术通过实时图像采集、处理、目标检测、距离测量等步骤，规划自动着陆轨迹。设计并安装无人机自主着陆控制器，进而实现无人机的自动着陆控制。实验结果表明，应用设计方法能够沿着规划路线实现精准着陆，控制误差较小，由此证明设计方法的控制效果良好。     

基于修剪策略的D-FNN直接逆控制算法研究

神经网络是模拟人脑结构,它具有大规模并行及分布式信息处理能力,但是不能处理和描述模糊信息.模糊系统具有推理过程容易理解,但它很难实现自适应学习的功能.如果结合神经网络与模糊系统,可以取长补短.基于此,本文提出了一种新型动态模糊神经网络（Dynamic fuzzy neural network,D-FNN）学习算法.因为它具有结构和参数同时调整且学习速度快等优点,所以既可以在模糊逻辑系统中包含低级的神经网络学习和计算功能,也可以为神经网络提供高级的类似人的思维和推理的模糊逻辑系统.此外,本文还开发了生物医学工程应用算法程序,针对药物注射系统的直接逆控制案例进行了仿真,结果表明:D-FNN具有实时学习和控制能力强、参数估计和结构辨识同时进行等优点.     

基于动态模糊神经网络的生物工程算法研究

目前,模糊神经网络控制在控制领域已成为一个研究热点。把神经网络应用于模糊系统,可以解决模糊系统中的知识抽取问题;把模糊系统应用于神经网络,神经网络就不再是黑箱了,人类的知识就很容易融合到神经网络中。本文提出了一种新型的动态模糊神经网络的结构及其学习算法,该动态模糊神经网络的结构基于扩展的径向基网络。其学习算法的最大特点是参数的调整和结构的辨识同时进行,且学习速度快,可用于实时建模与控制。开发了相关的算法程序,最后针对实际案例进行了仿真分析。仿真结果表明,动态模糊神经网络具有学习速度快、系统结构紧凑、泛化能力强等优点。     

Evolutionary learning of fuzzy logic controllers and theiradaptation through perpetual evolution

This paper presents an adaptive control architecture, where evolutionary learning is applied for initial learning and real-time tuning of a fuzzy logic controller. The initial learning phase involves identification of an artificial neural network model of the process and subsequent development of a fuzzy controller with parameters obtained via a genetic search. The neural network model is utilized for evaluating trial fuzzy controllers during the genetic search. The proposed adaptive mechanism is based on the concept of perpetual evolution, where parameters of the fuzzy controller are updated at each time step with solutions extracted from a continuously evolving population of trials. There are two mechanisms that accommodate the real-time changes in the control task and/or the process into the continuous genetic search: a scheme that dynamically modifies the fitness evaluation criteria of the genetic algorithm, and an online learning of the neural network model used for evaluating the trial controllers. The potential of using evolutionary learning for real-time adaptive control is illustrated through computer simulations, where the proposed technique is applied to a chemical process control problem     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

一种基于Rough Sets和模糊神经网络的规则获取的方法

该文提出了一种基于RoughSets思想获取初始规则,并通过模糊神经网络优化,最后再进行简化获取模糊规则,及模糊系统参数学习的方法。并通过实例进行了自动列车运行系统仿真。文中还基于上述实例,将这种基于模糊神经网络的学习与控制方法与标准的BP网络和基本的模糊系统方法进行了比较,并总结了这种方法的特点。结论表明,该文所提出的模糊规则生成和模糊系统学习方法是行之有效的。     

An approach to enlarge learning space coverage for robot learningcontrol

In robot learning control, the learning space for executing general motions of multijoint robot manipulators is quite large. Consequently, for most learning schemes, the learning controllers are used as subordinates to conventional controllers or the learning process needs to be repeated each time a new trajectory is encountered, although learning controllers are considered to be capable of generalization. In this paper, we propose an approach for larger learning space coverage in robot learning control. In this approach, a new structure for learning control is proposed to organize information storage via effective memory management. The proposed structure is motivated by the concept of human motor program and consists mainly of a fuzzy system and a cerebellar model articulation controller (CMAC)-type neural network. The fuzzy system is used for governing a number of sampled motions in a class of motions. The CMAC-type neural network is used to generalize the parameters of the fuzzy system, which are appropriate for the governing of the sampled motions, to deal with the whole class of motions. Under this design, in some sense the qualitative fuzzy rules in the fuzzy system are generalized by the CMAC-type neural network and then a larger learning space can be covered. Therefore, the learning effort is dramatically reduced in dealing with a wide range of robot motions, while the learning process is performed only once. Simulations emulating ball carrying under various conditions are presented to demonstrate the effectiveness of the proposed approach     

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.     

一种改进的RBF网络结构及其参数的设计方法

针对神经网络在学习之后,模糊系统的原始结构被改变,或削弱了规则可解释性这一模糊系统突出特点的问题,给出了一种提取模糊If-then规则的径向基函数(RBF)神经网络结构。该神经网络结构具有能够同时清晰表达模糊控制系统输入空间划分和模糊规则可解释性的特点,克服了以往用神经网络提取模糊规则不能直观体现模糊语言规则可解释性的不足,并详细地讨论了此网络结构参数的设计方法。     

一种改进型T-S模糊神经网络

对T-S模糊神经网络进行了分析,提出了一种新型T-S模糊神经网络,改进了前件网络的结构及学习算法,减少了模糊规则层的节点数,有效地克服了T-S模糊神经网络模糊规则冗余的缺点。这种新型T-S模糊神经网络具有学习算法简单、收敛速度快等优点。把该网络应用到卷取温度控制中进行仿真,得到了满意的结果。