基于T-S模糊模型的神经网络的系统辨识

基于T-S模糊模型,提出了利用神经网络实现非线性系统的辨识。首先,利用一种无监督的聚类算法分析输入输出数据生成初始的结构模型,确定系统的模糊空间和模糊规则数,构造神经网络辨识模型前提参数,使前提参数自适应变化,有较好的自学习能力和优化能力,采用最小二乘法取得结论参数。仿真结果验证了该方法是有效和可行的。     

基于T-S模型模糊PID控制器的设计

由于被控对象的复杂性使得PID的控制精度和鲁棒性较差。为了取得满意的控制效果,提出了一种新型基于T-S模型的模糊PID控制器。     

基于T-S模糊神经网络模型的汉中段汉江流域水质评价与分析

为了有效对汉中段汉江流域水质进行监控和评价,采用一种智能T-S模糊神经网络模型进行水质综合评价。利用建立的T-S模糊神经网络模型对水质评价标准进行训练;利用训练好的神经网络模型,选取汉江流域汉中段18个监测点的7项评价指标的监测数据,对该段水质进行综合评价。结果显示,汉水流域汉中段水质相对较好,除濂水河濂水桥监测站外,其余站点均属于Ⅰ类或Ⅱ类水质。通过计算机实验发现,该模型具有避免人工干预、提高水质评价精确度的优势。     

基于T-S模型的PID控制器的设计

针对普通PID调节器参数调节复杂,当被控系统性能发生变化时PID调节器的参数不能自适应地进行调整的缺点,提出了一种基于Takagi和Sugeno模糊控制模型的PID控制器.这种控制器将模糊控制器和PID控制器的优点有效地结合起来,它的前件采用模糊推理的方法将基于语言变量的专家经验转化为T-S模型的模糊规则,它的后件采用PID形式输出.通过对一个带有延时环节的一阶系统进行仿真,并将仿真结果与常规PID以及普通模糊调节器进行比较,结果表明,该控制器对系统的静态和动态性能有很大的改进.     

基于模糊神经网络PID的控制系统设计

目前,很多智能算法都融入到了非线性控制系统中,形成智能化的控制系统,例如神经网络、模糊控制等。本文结合神经网络和模糊控制,介绍了基于模糊神经网络PID控制系统的设计原理和实现方法。     

基于T-S模糊模型的滑模跟踪控制

基于T-S模糊模型设计跟踪控制器,它包括两个部分:权重最大子系统局部反馈控制和采用滑模控制设计的全局监督控制,能保证系统稳定.倒立摆跟踪控制结果证明了算法的有效性.     

基于T-S模糊神经网络分解炉燃烧控制系统设计

针对分解炉分解是非线性、大滞后、多扰动及多变量过程,难以实现其对温度自动控制的问题,提出了一种基于T-S神经网络的控制方法。针对这一问题,文章首先对水泥预分解工艺进行分析以及对燃烧理论进行研究,然后再利用T-S模糊控制理论确定规则数目和输入变量的隶属度函数,采用神经网络的自学习和自适应能力实现模糊推理。仿真结果表明：该控制器对分解炉燃烧控制起到很好的控制效果,并且比传统PID控制器具有更好的效果。在实际生产应用当中,具有很好地稳定性和鲁棒性,并且节省了煤的消耗和降低了环境污染。     

DE优化T-S模糊神经网络的交通流量预测

提出了一种差分进化算法优化T-S模糊神经网络预测交通流量的算法方法.该算法利用差分进化来弥补T-S模糊神经网络连接权值和阂值选择上的随机性缺陷,从而能发挥T-S模糊神经网络泛化的映射能力,而且能使T-S模糊神经网络具有较快的收敛性以及较强的学习能力.将该算法应用到实测交通流进行算法的有效性验证,并与传统的T-S模糊神经网络进行比较,仿真结果表明,该算法具有更好的非线性拟合能力和更高的预测准确性,在交通流量预测领域具备可行性和有效性.     

基于T-S模糊模型的状态反馈预测控制

将T-S模糊模型和状态反馈预测控制相结合,提出了一种基于T-S模糊模型的预测控制算法.该算法把T-S模糊模型作为预测模型得到状态和输出的预估值,并利用可测的过程变量对输出预估值进行反馈修正,然后利用最优控制理论,由修正后的预估值和给定值计算出控制整个系统的控制律.本文还对串级CSTR控制系统的不同的初态、设定值及干扰情况下进行了仿真,仿真结果表明了该方法的有效性和可行性.     

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。     

基于模糊神经网络PID的舵机控制系统

针对某型号导弹中舵机控制系统进行优化研究。对于具有非线性、时变特性的复杂系统,在分析传统PID控制算法和模糊神经网络控制算法的基础上,提出一种经过改进的模糊神经网络PID控制器。通过采用自组织学习阶段和有教师学习阶段的分阶段学习方式,提高网络的学习效率。建立直流无刷舵机控制系统的数学模型,利用MATLAB进行仿真分析。实验结果表明,所设计的控制器对阶跃响应更加迅速,基本无超调,对舵偏角指令执行准确,相位移动更小。     

基于神经模糊PID控制的四旋翼飞行器算法

四旋翼飞行器在执行任务时经常会出现稳定姿态精度低,抵抗干扰能力差等问题,提出一种神经模糊PID控制算法来调整原有模糊PID控制的模糊规则和隶属度函数,将设计的神经模糊PID控制算法与建立的四旋翼飞行器动力学模型相结合.为了验证神经模糊PID控制器的有效性,将传统PID、模糊PID控制算法作为对比算法,同时给定人为干扰因...     

神经网络PID在PLC系统控制中的应用研究

针对传统的PID算法由于难以给出精确的数学模型,使得系统参数设定困难,同时系统控制效果上存在一定的缺陷,造成系统安全性和可靠性降低,系统控制质量不高。为了解决传统的PID算法所带来的问题,提出了基于模糊神经网络的PID算法,将PID算法、模糊控制算法以及神经网络算法相结合,形成了一种智能控制算法。将算法应用在PLC控制系统中,实验表明算法有效的实现了PID参数的自整定,并且提高了控制质量,具有一定的实际应用推广价值。     

基于神经网络的模糊自适应PID控制方法

提出一种基于BP神经网络的模糊自适应PID控制器。该控制器综合模糊控制、神经网络与PID调节各自的优点，既具有模糊控制的简单和有效的非线性控制作用，又具有神经网络的学习和适应能力，同时具备PID控制的广泛适应性，仿真实验表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。     

基于T-S逆模型的航空发动机解耦控制

为了解决发动机控制系统中存在的耦合现象,以自适应逆控制原理为基础,提出了一种基于T-S逆模型的解耦控制器;该方法利用模糊T-S模型来辨识发动机的逆模型,从而得到实现解耦效果的伪线性化模型,再运用神经网络PID控制器的在线整定功能提高系统的动态性能和鲁棒性,使系统综合性能最优;仿真结果表明,该控制器具有理想的解耦效果,在发动机工作包线范围内具有良好的自适应能力.     

基于CMAC神经网络的PID控制

提出利用CMAC神经网络与PID的复合控制,实现非线性系统控制。由于CMAc网络的优点使PID控制效果有很大提高。仿真实验表明了该方法的有效性。     

一种改进的基于神经网络模式的PID控制研究

基于神经网络模式的PID控制是PID控制规律与神经网络的动态结合,本文分析了此控制的局限性,并提出了改进算法,扩大了此控制的适用范围。用Matlab软件对改进的算法进行仿真,结果证明改进的算法有很好的收敛效果,从实验上验证了算法的有效性。     

基于RBF神经网络的智能PID控制算法

针对工业中的纯滞后现象提出一种智能控制方法,在常规的PID控制器中引入Smith预估器,对纯滞后时间τ所产生的特性进行预估补偿,同时利用RBF神经网络对PID的参数进行自整定,在一定程度上增强了系统的鲁棒性和稳定性。实验证明,此控制方法对纯滞后工业对象进行控制可以得到良好的效果。     

三自由度飞行器模型的神经网络PID控制

对于具有非线性、时变和强耦合特性的三自由度飞行器模型系统,采用常规PID控制方法难以获得满意的控制效果,因此,设计一种基于免疫遗传算法优化的RBF网络PID控制器来实现该系统的稳态控制.在控制系统中,RBF网络实现对被控对象的Jacobian矩阵信息辨识,并通过在线学习自适应地调整PID参数;免疫遗传算法用于RBF网络的初值参数优化,以确保获得理想的控制效果.仿真实验表明,这种方法的控制品质优于LQR控制,具有较好的适应能力、鲁棒性和较快的响应速度.     

模糊神经网络PID在数字舵机控制中的应用

针对某型号数字舵机系统在非线性时变的复杂条件下,传统的PID控制器响应速度慢,精度低,抗过载能力差的缺点,通过对模糊神经网络算法的研究,结合传统的PID控制器,设计了模糊神经网络PID控制器。分别将两种控制算法应用到舵机系统进行实验可以得出,模糊神经网络PID控制器使得舵机位置环阶跃响应上升时间从80ms减小到35ms,超调量从10％减小到小于5％,在频率特性测试中反馈曲线衰减从-2.79dB减小到-0.77dB,相移从65°减小到35°,同时系统非线性引起的畸变明显改善。