一种参数自调整PID模糊控制器

结合传统PID控制原理,提出一种新型模糊控制器结构,即PID模糊控制器。为提高PID控制器性能,设计能在线调整PID参数的模糊控制方法。仿真结果表明,自调整参数PID型模糊控制器使系统在暂态响应及稳态性能方面性能优良。     

基于神经网络的自适应模糊控制器

本文提出了一种基于神经网络的自适应模糊控制器，控制器为５层前向结构，其输入和输出均为数值量。根据给定的训练数据，通过学习算法，能够实现前件参数和后件参数的辨识，提取控制规则，最后通过仿真实验证明了这种方法的有效性。     

一种最优模糊神经网络控制器

基于最优控制的思想,通过对控制系统的过程模拟,提出一种最优模糊神经网络控制器的设计方案,首先利用基于十进制编码机制的遗传算法寻找最优的控制器结构,然后利用基于浮点数编码机制的遗传算法寻的最优的控制器参数,仿真结果表明该控制器优于常规模糊控制器。     

一种自组织模糊神经网络控制器

采用一种具有结构和参数学习能力的自组织模糊神经网络控制器设计方法。这种控制器无需事先确定模糊控制规则，能在控制过程中通过神经网络的结构及参数学习在线调整模糊神经网络的结构、产生模糊控制规则、调整规则的参数。仿真表明该控制器能用于一定纯滞后时变对象的控制，具有良好的控制性能。     

一种新的分布式神经模糊控制器

本文提出了一种分布式神经模糊网络和自学习模糊控制器的构成方法，它是CMAC模型的一种扩展，使其能进行模糊推理和构成自习的模糊控制器，该方法除具有CMAC优点外，还具有以下特点；（1）输入数据通过 模糊划分和隶属函数后自动编码，对精度没有限制；（2）从现场数据直接获取控制规则，即使对未训练的数据，也能结合插值和泛化两种能力，推理出合适的输出。本文还对DNFN的逼近能力进行了讨论，学习实例证明了方法的有效性。     

一种新的分布式神经模糊控制器

提出了一种分布式神经模糊网络和自学习模糊控制器的构成方法。它是CMAC模型的一种扩展，使其能进行模糊推理和构成自学习的模糊控制器。该方法除具有CMAC优点外，还具有以下特点：输入数据通过模糊划分和隶属函数后自动编码，对精度没有限制；从现场数据直接获取控制规则，即使对未训练的数据，也能结合插值和泛化两种能力，推理给出合适的输出。学习实例证明了方法的有效性。     

基于混沌搜索的模糊控制器参数最优设计

基于混沌变量，本文提出一种模糊控制器最优设计方案．离线优化采用混沌算法，将混沌因子引入到模糊控制器参数域的优化搜索中，用载波方式将优化变量转变成混沌变量，再利用混沌运动的遍历性和随机性直接寻优，得到模糊控制器参数的全局次优解．在线优化采用共轭梯度下降法，把混沌搜索后得到的全局次优值作为梯度下降搜索的初始值，实现混沌全局粗搜索和梯度下降局部细搜索相结合的优化目的，能很快找到模糊控制器参数的全局最优解．最后对算法的收敛性进行了证明．     

模糊控制器参数调整的生产式方法

为了改善模糊控制器的性能,采用了产生式方法自动地调整模糊控制器的量化因子和比例因子。该方法克服了参数固定或者参数选择不合适而引起系统超调大或者系统响应慢的缺点。不需要反复试养伤就能获得较理想的经因子和比例因子。仿真结果表明,该方法能通过在线运行,较快地自动整定出一组满足性能要求的量化因子和比例因子。     

模糊神经网络控制器

自从1965年美国学者LAZadeh教授提出模糊集合论以来，模糊系统理论得到很大的发展，而1974年英国剑桥的E．H．MhlTldani首次应用模糊控制实现了对蒸汽机的控制。使人们对模糊控制引起了极大的热情。近二十年来，模糊控制经历了重大的发展与演变，现已深入到自组织控制，预测控制．多变量控制等方面。但是，无论是何种模糊控制系统，其核心都集中于模糊推理框架。如何将模糊规则表达与近似推理有机结合起来，实现高速动态推理，一直是尚待解决的问题。近年来随着人工种经网络理论的发展，人们开始将神经网络和模糊控制相结合，构成模糊神…     

一种新型自寻优模糊控制器

利用梯度下降法反向修改带有可调整因子的模糊控制器中的可调整因子。提出了一种对可调整因子进行在线实时修改和优化的方法。通过对被控对象的分析给出了控制器参数的初值。在运行过程中，利用该方法对可调整因子进行在线实时修改和优化，实现模糊控制器控制规则的自寻优，使过程具有较好的控制品质。     

一种模糊神经网络的快速参数学习算法

提出了一种新的模糊神经网络的快速参数学习算法, 采用一些特殊的处理, 可以用递推最小二乘法(RLS)来调整所有的参数. 以前的学习算法在调整模糊隶属度函数的中心和宽度的时候, 用的是梯度下降法, 具有容易陷入局部最小值点、收敛速度慢等缺点, 而本算法则可以克服这些缺点, 最后通过仿真验证了算法的有效性.     

基于混沌优化的非线性预测控制器

针对非线性系统的控制问题,本文将神经网络辨识、混沌优化和预测控制思想有机结合,提出了一种新型非线性预测控制器.该控制器以神经网络作为预测模型,混沌优化算法作为滚动优化策略,避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题.另外在训练神经网络过程中,采用了带混沌机制的自适应学习率的BP算法,以提高神经网络的收敛能力和收敛速度.仿真研究说明了该非线性预测控制器的有效性及实时性.     

模糊小波基神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络控制器并用于机器人轨迹跟踪控制.这种模糊神经网络利用了小波基函数作为隶属函数,可在线根据误差调整隶属函数的形状,使模糊神经网络具有更强的学习和适应能力.仿真与实验结果表明这种网络能很好的用于机器人的轨迹跟踪控制,具有很好的性能.     

基于神经网络的自适应模糊控制系统

针对啤酒发酵过程中罐内温度控制问题,研究神经网络对模糊控制规则的优化方法,利用径向基函数神经网络对模糊控制规则进行优化,提高其自适应能力。以啤酒生产过程中主发酵阶段的数据作为输入样本,通过径向基函数神经网络进行学习训练,校正模糊控制规则,优化模糊控制器。优化前与优化后响应特性曲线的比较结果表明, RB F神经网络学习能力强,收敛速度快;模糊控制规则的完备性和一致性明显改善,控制器的响应速度快、超调量小、稳定性强、控制效果好。     

基于模糊熵的BP算法改进

由于BP网络简单的拓扑结构和优秀的逼近能力,它已经被广泛地应用于预测和非线性系统的建模中。但是由于算法自身的不足,在实际应用中会产生很多问题。因此,BP网络的优化已经成为了一个重要的课题。为了提高BP网络的泛化能力,将模糊熵加入到BP网络的性能函数中,提出了基于模糊熵的BP算法。在实验中,将两种算法进行了对比,结果表明改进算法可以有效地提高测试精度,避免了过度拟合。     

混沌优化与模糊控制在混沌控制中的应用

为了解决延迟反馈控制中参数难以选取的问题,将混沌优化和模糊控制的方法应用到混沌系统的延迟反馈控制中,采用混沌优化方法确定出延迟反馈控制的延迟时间,利用模糊控制技术确定出控制刚度等参数,从而得到延迟反馈控制方法的参数.同时,利用本文算法,可以一次确定出混沌系统的多个不稳定周期轨道的周期.仿真结果验证了本文算法的有效性.     

基于FAM的模糊神经控制器的研究

根据模糊联想记忆(FAM)理论, 提出了预解模糊FAM原理, 给出了预解模糊FAM和一般FAM的等价性的构造性证明. 为了提高FAM推理过程的自适应能力, 将神经网络应用于预解模糊FAM推理, 提出了一种新的智能控制器——FAM神经控制器(FAMNC), 以小车倒立摆为控制对象进行了仿真研究, 表明了所提方法的可行性.     

基于Additive2multipl icative 模糊 神经网的ATM 网络拥塞控制

考虑了模糊神经网络的学习功能，提出利用Additive-multiplicative模糊神经网络(AMFNN)对ATM网络进行拥塞控制的方案．在拥塞控制过程中，利用AMFNN模糊神经网络预测下一个将要到达流的特征，结合当前缓冲区的队列信息预测网络是否发生拥塞．一旦预测出将有拥塞发生，控制器则向源端反馈拥塞控制信息，信源根据拥塞信息适当降低传输速率，从而避免了拥塞的发生．仿真结果表明，该方法可改善网络对拥塞的实时处理能力，提高网络资源的利用率．     

基于反传混沌粒子群训练的前馈神经网络研究

为了解决前馈神经网络训练收敛速度慢、易陷入局部极值及对初始权值依赖性强等缺点, 提出了一种基于反传的无限折叠迭代混沌粒子群优化(ICMICPSO)算法训练前馈神经网络(FNNs)参数。该方法在充分利用BP算法的误差反传信息和梯度信息的基础上, 引入了ICMIC混沌粒子群的概念, 将ICMIC粒子群(ICMICPS)作为全局搜索器, 梯度下降信息作为局部搜索器来调整网络的权值和阈值, 使得粒子能够在全局寻优的基础上对整个空间进行搜索。通过仿真实验与多种算法进行对比, 结果表明在训练和泛化能力上ICMICPSO-BPNN方法明显优于其他算法。     

模糊神经网络模型混沌混合优化学习算法及应用

基于混沌优化的思想,提出一种新的模糊模型的优化学习算法．将模糊推理规则转化为模糊RBF网络模型,用模糊C均值(FCM)聚类算法和分区效验熵得到模型结构。用混沌变换序列寻优得到优化的中心初值群,用FCM获得最优聚类中心,最后获得模糊神经网络模型．将该方法应用于转炉终点磷含量预报模型。取得了较好的结果．