基于模糊神经网络控制的AGV避障路径规划仿真

自动导引车(AGV)作为一种现代化物流设备,在许多领域得到了越来越广泛的应用。AGV在行进过程中的主要任务是避障及路径规划。针对AGV的避障路径规划问题,定义了AGV的行驶环境,提出了AGV避障路径规划的模糊神经网络控制方法,设计了模糊神经网络控制器,并用Matlab进行了仿真。仿真结果表明该模糊神经网络控制器满足控制要求,该研究为进一步精确控制AGV奠定了基础。     

基于神经网络的制冷模糊控制系统仿真与优化

针对制冷系统被控对象模型建立了一个基本模糊控制器,并给出一组较优量化因子,在此基础上建立和训练了一个模糊神经网络控制器,并在MATLAB仿真环境下对制冷模糊控制进行仿真和优化。根据得到的一系列仿真结果对所设计的制冷模糊控制系统性能进行了分析,探讨了神经网络训练样本数据对FNNC系统控制性能的影响,结果表明采用合理的样本数据可以优化模糊神经网络制冷控制系统。     

基于BP神经网络的磨床主轴系统动态优化方法研究

提出了采用多水平正交表选取ＢＰ神经网络训练样本的方法,在保证足够建模精度的条件下,采用此法大大减少了神经网络的建工作量,因而有很大的实用价值。基于此法建立了磨床主轴系统的ＢＰ神经网络模型并进行了结构修正与优化计算,利用ＢＰ神经网络模型进行大型复杂结构的分析优化具有简便、高效的优点。     

基于模糊小波神经网络的加工过程自适应控制

为了克服模糊控制动态响应慢和鲁棒性差的缺点,将模糊控制的定性知识表达能力与小波分析优异的局部控制性能和神经网络的定量学习能力相结合,提出了一种模糊小波神经网络自适应控制器,并将其应用于加工过程控制。对变切削深度的铣削加工过程控制的仿真结果表明,基于模糊小波神经网络的加工过程自适应控制,其控制效果优于一般的模糊控制和神经网络控制,具有很好的动、静态性能。该自适应控制器能有效防止刀具损坏和提高加工效率,是一种有效的加工过程控制方法。     

静变电源的优化模糊神经网络PID控制研究

为提高静变电源输出电压的质量,采用了优化模糊神经网络PID控制器代替模糊PID控制,所采用的优化模糊神经网络充分融合了模糊逻辑和神经网络两者的优点,使推理速度加快,并通过在系统运行时神经网络不断地增加和完善模糊控制规则,单神经元通过自学习调整控制因子,提高了系统控制的精度.将该方法和PID稳态控制性能的优势相结合,实时地对系统控制量进行调整.在MATLAB/SIMULINK环境下,对于优化模糊神经网路PID和模糊PID在静变电源控制中的应用分别进行了仿真.仿真分析结果表明,经过BP神经网络和单神经元网络学习后,控制器具有良好的控制性能和自适应能力,很好地满足了系统的鲁棒性、快速性的要求.     

基于模糊神经网络的超声电机位置控制

由于超声马达的时变和非线性。使其速度与位置的高精度控制成为难题。为了提高超声马达伺服系统的精度，把模糊逻辑控制应用到神经网络中，设计了模糊神经网络控制器．通过模糊逻辑部分获得专家知识．神经网络部分调整参数。通过改变超声电机的驱动频率来实现精确的位置控制。在控制系统中采用5层网络结构和误差反向传播算法，算法的收敛速度很快。通过实验和仿真验证了这种方法的可行性。     

柴油机模糊优化控制

本文将模糊优化控制方法应用于对柴油机的燃油消耗率进行控制。通过模拟与实际实验相结合，证明该方法在不牺牲精度的前提下优化控制过程所需的时间要比传统的优化方法大为缩短，同时在优化过程接近优化点时不会出现振荡现象。     

电厂球磨机的模糊神经网络控制

广泛应用于火电厂的钢球磨煤机制粉系统是一典型的多变量非线性时变系统．各控制量之间存在着严重的耦合．这些因素使得基于常规PID方法设计的控制方案达不到控制作用。本文设计了一个模糊神经控制器并进行了仿真研究。并且用改进的粒子群优化算法对控制器的初值进行离线优化训练、最后的仿真结果表明优化后的模糊神经网络控制器对本文控制对象具有良好的控制性能，该控制方法可用于磨煤机制粉系统这类复杂过程的控制。     

项目管理中进度调整的模糊动态规划方法

针对项目运行阶段进度控制的特点,提出了一种模糊优选理论与动态规划法相结合的进度调整方法。该方法采用模糊决策集优越性二元对比矩阵结合语气算子,定量标度定性指标的相对优属度。利用两级模糊优选模型,融合进度调整的历史数据与经验,综合计算定性与定量指标的方案相对优属度。基于关键路径的阶段划分,结合动态规划的基本思想,运用决策序列相对优属度总和最大法,求解进度调整的最优化方案。最后,使用自主开发的软件系统,对某型飞机装配计划进行了实例仿真,验证了方法的有效性。     

模糊神经网络控制器参数修正方法研究

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 ,但是存在着在线修正权值计算量大、过度修正权值还可能导致系统剧烈振荡等缺点。针对存在的问题 ,提出了一种模糊神经网络控制器的优化方法 ,即在线自学习过程中 ,仅对控制性能影响较大的控制规则所对应的权值进行修正 ,以减小计算量 ,根据偏差及偏差变化率的大小自适应调节权值修正步长 ,避免系统发生剧烈振荡。     

基于模糊神经网络的精密角度定位PID控制

针对精密角度定位系统存在非线性、时变性,传统PID控制难以获得理想控制效果的问题,提出一种基于模糊神经网络的PID控制方法,将模糊控制、神经网络与PID控制相结合,采用3层前向网络、动态BP算法,利用神经网络的自学习和自适应能力,实时调整网络的权值,改变PID控制器的控制参数,整定出一组适用于控制对象的kp、ki、kd参数,实现精密角度定位PID控制的自适应和智能化。实验结果表明,采用BP神经网络整定的PID控制较传统的PID控制,控制性能有较大的提高,能有效提高定位精度,缩短定位时间。     

基于模糊RBF神经网络的智能PID控制

针对常规PID控制参数变化系统效果不佳的缺点,设计一种利用智能控制理论RBF神经网络与模糊控制技术相融合的新型智能PID控制方法[1]。该控制方法将系统的输入误差及其变化率进行模糊化后,再利用RBF神经网络算法对PID控制参数进行在线学习、运算和整定[2]。MATLAB仿真结果表明,基于上述的PID控制方法能够克服传统PID控制器的局限性,具有较高的控制精度,较好的动态品质及较强的鲁棒性。     

基于RBF神经网络模糊PID控制的电液伺服系统

采用普通PID控制的复杂电液伺服控制系统(液压驱动的控制系统)存在控制柔顺性不佳的问题,达不到理想的控制效果,为了提高电液伺服系统的控制特性,提出了一种基于径向基神经网络(RBF)模糊PID的控制策略.首先,理论推导了伺服阀控液压缸的状态空间方程,建立了液压系统相关的数字模型;然后,在普通PID控制策略的基础上,提出了...     

基于B样条模糊神经网络的钎焊炉温度控制

针对钎焊炉温度控制系统,设计了一种基于PSO算法优化的B样条模糊神经网络温度控制方案,利用B样条模糊神经网络实现模糊推理,利用微粒群算法对网络的权值进行学习与训练.结果表明,该算法在钎焊炉温度控制方面具有有效性和可行性.     

基于搜寻者优化算法的PID神经网络解耦控制

传统的PID神经网络,由于初始权值随机选择,权值学习采用BP算法,所以容易陷入局部极值,进而导致该方法无法得到高精度的控制结果。该文提出采用搜寻者优化算法优化PID神经网络初始权值,再把最优初始权值带入PID神经网络,实现解耦控制。对一个耦合系统进行仿真实验,结果表明,与目前控制效果较好的粒子群算法优化PID神经网络相比,该算法收敛速度更快、稳态误差更小,同时也具有良好的自适应和抗干扰能力,能够实现快速、高精度、稳定的解耦控制。     

基于模糊神经网络的电网调度自动化控制系统

为了提高电网的调度效果,解决当前电网调度自动化控制系统存在的控制功能不佳的问题,利用模糊神经网络算法,从硬件、数据库和软件功能三个方面,实现控制系统的优化设计。改装数据采集器、控制器等设备元件,通过改装供电电路的连接,完成硬件系统的优化。从逻辑和物理两个方面,构建系统数据库,存储电网调度相关信息。在硬件设备和数据库的支持下,收集电网实时运行数据,利用模糊神经网络算法预测电网调度负荷,结合电网理想调度数据,度量调度控制量,进而完成系统的电网调度自动控制功能。通过系统测试实验得出结论:设计系统的IAE指标和容载平衡指数均低于预设值,即设计系统具有良好的控制效果。     

Compensatory fuzzy neural network control with dynamic parameters estimation for linear voice coil actuator

The object of this study is to develop an intelligent control strategy, which comprises a compensatory fuzzy neural network (CFNN) controller with a dynamic particle swarm optimization (DPSO) based estimator, for on-line parameter estimation and control of a linear voice coil actuator (VCA). Because the plant Jacobian of the VCA is nonlinear and time-varying, it is difficult to derive the learning algorithm for the CFNN by using the conventional back-propagation (BP) method directly. Therefore, it is strongly desirable that an on-line manner can provide a reasonably good estimation of the plant Jacobian in the practical applications. In this study, the operating principle and dynamic analysis of the VCA are introduced first. Subsequently, the algorithms of the DPSO and CFNN are given where the DPSO and CFNN are utilized to obtain the control signal and estimate the plant Jacobian, respectively. Moreover, a convergence analyses is given to derive specific learning rates for ensuring the convergence of the control error. Finally, the proposed control strategy is implemented on a 32-bit floating-point digital signal processor (DSP) for experimental verification. Experimental results demonstrate the improved tracking performance and robustness of the proposed CFNN-DPSO controller with online Jacobian estimation compared with the conventional CFNN controller with constant one, for the VCA control system.     

基于模糊神经网络的粉末冶金烧结炉温度控制

以工业生产中具有重要地位的粉末冶金烧结炉为研究对象,对其原传统控制方案进行分析,提出一种基于模糊神经网络的温度控制方案,充分利用模糊控制的推理性和神经网络控制的记忆和学习功能.仿真实验及现场测试结果表明,模糊神经网络用于粉末冶金烧结炉温度控制较原传统控制方案具有明显的优越性.     

基于BP网络的电厂发电机组动态控制算法

本文将BP神经网络模型应用到电厂发电机组动态控制中,并对发电机组进行数学建模,给出了发电机组在70%和100%不同负荷下的动态特性数学模型,提出了发电机组动态控制系统,并为减少系统的稳态误差,采用了FUZZY-PID复合控制结构,仿真结果表明,本文提出的动态控制算法比传统的PID控制算法在准确性和稳定性都更优.