基于聚类有效性神经网络的模糊规则提取方法

模糊控制以其自适应性、鲁棒性和易于实现等优点得到广泛应用 .然而模糊控制规则的获取通常由专家根据经验给出 ,这就存在诸如规则不够客观、专家经验难以获取等问题 .作者给出一种基于聚类有效性神经网络的模糊规则提取的新方法 .该方法采取对训练样本预划分子集聚类 ,模糊语言量的自动确定 ,模糊隶属度函数自适应调整等策略 ,克服了以往规则提取法在训练样本不充分时 ,规则提取不足及规则数目难以确定等缺点 ,并结合神经网络技术使所提取的控制规则的质量得到提高 ,改善了模糊控制器的性能 .最后 ,以倒车系统为例证明了该方法的有效性     

基于神经网络的模糊控制器及其应用

本文提出了一种基于神经网络的模糊控制器，采用神经网络技术实现模糊控制的知识规则的获取、隶属函数的确定及模糊推理，最后通过仿真实验证明了这种方法的有效性。     

一种自学习模糊控制器

基于模糊控制理论，提出了一种新型自学习模糊控制系统。该系统采用基于ＢＰ的模糊控制器，根据工况自动学习和提取所需控制规则，不需要专家经验和被控过程的数学模型。将该算法用于多变量球磨机系统中，大量仿真结果表明了这种算法的有效性和可行性。     

基于递归神经网络的减震结构模糊控制研究

根据神经-模糊控制理论和减震结构混合控制理论,利用基于弹塑性时程分析自动提取减震结构模糊控制规则的方法获取原始训练样本,能考虑不同地震动特性的影响.应用带偏差单元的递归神经网络(RN-NWBU)形成减震结构模糊控制规则的关系生成方法和推理合成算法,能够实现神经网络驱动的混合控制结构体系模糊推理,从而能实现神经-模糊控制器的设计,应用装设有神经-模糊控制器的系统能够在线控制结构地震反应.通过半主动调谐质量阻尼器(SATMD)与消能减震相结合的混合控制结构体系的数值仿真分析,可看出本文方法能有效地在线控制结构地震反应.本文对推动结构控制理论的发展具有重要意义.     

一种基于粗集的模糊系统设计方法

利用粗糙集理论可以高效地进行属性约简和规则提取，并且在规则提取过程中能自动的生成各规则的强度，针对模糊系统设计过程中输入变量的约简、模糊规则难以提取等问题，将粗糙集理论与模糊集理论相结合，提出了一种基于粗集设计模糊系统的方法，并给出了具体的设计过程；最后给出了该设计方法的应用，结果表明了该设计方法的有效性．     

用多种群遗传算法优化结构振动模糊控制器

在结构控制中模糊控制是被采用的方法之一，基于遗传算法的模糊系统的优化设计，把模糊控制和遗传算法结合起来．利用遗传算法的优点，克服了一般模糊控制设计中模糊变量的隶属度和控制规则的选取通常靠经验来获取的不足．使得系统的模糊控制设计更灵活方便，能取得更好的控制效果。采用实数和整数混合编码技术来设计遗传算法的染色体和相应算法，为了避免早熟和加快收敛速度，采用了多种群的遗传算法。为了验证优化的效果．对一个三层框架进行了仿真分析，结果显示，采用遗传算法优化后的模糊逻辑控制优于常规模糊逻辑控制。     

一种基于粗集的模糊系统设计方法

利用粗糙集理论可以高效地进行属性约简和规则提取,并且在规则提取过程中能自动的生成各规则的强度,针对模糊系统设计过程中输入变量的约简、模糊规则难以提取等问题,将粗糙集理论与模糊集理论相结合,提出了一种基于粗集设计模糊系统的方法,并给出了具体的设计过程;最后给出了该设计方法的应用,结果表明了该设计方法的有效性．     

一种自适应模糊神经控制系统设计

提出了一种自学习模糊逻辑推理网络的系统设计方法。专家经验可以自动提取出来。这种方法学习速度快 ,且易于追加学习。模糊控制规则以自组织的方式产生。数值仿真表明其效果良好。     

一种粗糙模糊神经网络识别器及其应用

结合粗糙集和模糊神经网络提出了一种粗糙模糊神经网络识别器的模型.该模型根据粗糙集理论对训练样本进行建立决策表、离散决策表、约简决策表、提取分类规则等推理过程设计.粗糙模糊神经网络识别器的输入层、两个隐含层、输出层的神经元个数分别根据决策表的约简结果、离散结果和分类规则、决策属性决定.将该识别器用于车牌字符识别,实验表明:该方法比粗糙集规则匹配识别方法识别率提高了18%,比BP神经网络识别方法识别率提高了2.7%.     

基于密度聚类的模糊神经网络和CHP分解过程建模

针对基于样本数据的复杂系统建模问题,提出了基于密度聚类的模糊神经网络（DFNN）的建模方法,研究了利用密度聚类原理提取数据样本的内在规则的理论和方法,提取的规则能较好地反映样本数据输入输出的对应联系,根据提取的规则给出了模糊神经网络的模型结构.本文以化工生产过程过氧化氢异丙苯（CHP）分解反应过程为对象进行仿真建模,结果显示在模型精度和可靠性上均优于基于c均值聚类提取规则的模糊神经网络模型（CFNN）.     

建立在神经网络基础上的模糊控制器的设计

提出了建立在神经网络基础上的模糊控制器设计方法，这个控制器实际上是一个模糊控制规则被一个神经网络学习和联想使用的模糊控制器，从而获得一种比模糊推理更自然的使用人类经验的方法。仿真结果表明这种控制器是有效的。     

基于神经网络的永磁同步电动机模糊控制

针对永磁同步电动机矢量控制系统，提出了一种将神经网络与模糊控制相结合的控制方法.通过对神经网络进行训练来记忆模糊控制规则，不需要存储模糊控制表，不依赖被控对象的精确数学模型，而且该方法具有很强的自学习能力，在模型参数发生变化时，可通过调整控制器在线自学习达到最佳效果.仿真结果表明此控制方案是十分有效的，具有响应快、鲁棒性强、较好的动、静态特性等优点，基于神经网络的模糊控制特别适用于结构复杂、干扰大、控制精度要求高的系统.     

汽车半主动悬架神经模糊融合网络控制

针对汽车半主动悬架模糊控制器的模糊控制规则无法有效调整的问题,建立了两自由度1/4车辆模型.利用白噪声模拟路面激励并作为系统的输入,将人工神经网络与模糊逻辑控制相融合,采用人工神经网络模拟模糊控制过程,实现了模糊规则的自适应调整.将直接控制力作为参考控制力对神经网络进行训练,输出控制力结合开关控制策略实现悬架的半主动控制.仿真分析表明,神经模糊融合网络控制器相对于模糊控制器和被动悬架,使悬架性能得到了显著的改善.     

基于神经网络参考模型的船舶航向智能自适应控制系统

为使船舶能在不同状态和环境下按所希望的要求改变船舶的航向，提出了一种基于神经网络参考模型的船舶航向智能自适应控制算法，利用神经网络建立了参考模型和船舶航向运动的辨识模型。并将模糊控制与神经网络相结合，设计了模糊神经网络控制器。利用神经网络的学习功能对控制器的隶属度函数及推理规则进行修正，以提高其自适应能力。仿真结果表明该算法对船舶转向控制有良好的效果。     

基于神经网络的模糊控制器

将神经网络的非线性与自学习特性有机地应用于模糊控制系统中，用神经元节点及其相应的内部函数代替模糊控制系统的各个模糊子集及其隶属函数，而神经元节点间的连接代替模糊推理机，设计了一类基于神经网络的模糊器，以克服复杂非线性系统难以确定模糊子集的划分及其隶属函数和模糊推理规则等问题。     

在线学习自适应模糊控制器在水轮机调节中的应用

针对水轮发电机组系统具有时变非线性,传统的控制方法很难达到最优控制的特性,提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来控制水轮发电机组运行.模糊控制器的比例因子、模糊推理规则和隶属函数由遗传算法在线寻优.由RBF神经网络进行被控对象的动态特性模型辨识,以评价模糊控制器控制性能.仿真实验表明,控制效果良好,特别在变工况和扰动情况下优于最优PID控制.     

一种基于粗集理论方法的水位模糊控制器设计

应用粗集理论中知识表达系统决策规则的简化方法对模糊控制规则进行约简来设计粗糙模糊控制器,通过约简简化控制系统,从而得到一个最简控制决策规则,使系统更易于控制。完成了水箱水位粗糙模糊控制器的设计,并分别进行了模糊控制和粗糙模糊控制仿真研究,研究结果表明该粗糙模糊控制能有效改善模糊控制的性能。     

灵巧手指力回路自适应神经网络模糊PID控制

在多指灵巧手位置控制的基础上 ,提出一种在力控制回路采用基于模糊规则的自适应神经网络 PID控制的方法 ,将神经网络、模糊规则和 PID控制相结合 ,以 Fuzzy控制粗调 ,ANN控制为细调 ,改善了常规 PID控制中参数线性组合的缺点 ,有利于提高系统对灵巧手指与外界工作环境接触时 ,接触力控制的自适应能力和对外部干扰的抗干扰能力。最后 ,通过仿真实验验证了提出方法的有效性     

一种具专家能力的模糊神经网络自组织控制器

随着现代科学技术的迅猛发展,人们所面临的问题日益复杂多变。传统的控制技术与信息处理技术对这些复杂问题时常无能为力,因而产生了智能控制技术。近年来智能控制的研究主要集中在模糊系统、神经网络以及二者结合的模糊神经网络技术方面,特别是模糊神经网络已成为研究者们倾注的焦点。因此提出了一种具有专家调整策略的模糊神经网络自组织控制器的设计方案。其特点是：用神经网络代替传统模糊控制器的隶属函数和权值,实现了模糊规则的自动更新;采用一种对量化、比例因子进行专家调整的策略。仿真结果表明,这种智能控制器具有良好的控制性能。