水下机器人T-S型模糊神经网络控制

针对水下机器人模糊神经网络控制器运算量大和对强外界扰动的鲁棒性差及存在滞后性的问题,提出基于混合学习算法的水下机器人T-S型模糊神经网络控制方法.采用免疫遗传算法离线优化和神经网络自学习在线调整隶属函数的参数,从而减少神经网络的运算量,增强水下机器人对环境变化的反应能力.采用T-S模型,由后件网络动态调整模糊规则,提高控制系统的适应性.通过某微小型水下机器人的仿真和外场实验验证方法的可行性和优越性.实验结果表明,控制器对外界扰动具有较强的鲁棒性,保证即使在恶劣情况下,控制性能仍保持在较高水平.     

基于模糊神经网络的温度控制器研制

本文提出一种基于模糊神经网络的智能温度控制器，给出了模糊神经网络模糊帮一种快速的学习算法，并通过自学习砂断修正模糊控制器的隶属函数和权值，实现了模糊逻辑规则的自动更新。     

基于遗传算法的FUZZY+CMAC优化设计

针对模糊控制器甲的参数与CMAC权值的调整及学习很困难的问题,采用改进的遗传算法对模糊控制器和CMAC神经网络的比例因子和连接权值进行寻优,把模糊控制、CMAC和遗传算法的优点结合起来,设计了基于改进遗传算法的FUZZY＋CMAC控制系统,给出了系统的整体结构和各部分的控制设计。仿真结果表明,该控制系统具有超调量小和实时性强的特点。     

基于自适应模糊神经网络的起重机吊摆防摇控制

以起重机吊摆防摇控制为研究对象,设计基于BP算法的自适应神经网络-模糊控制器,用BP算法来训练网络权值,学习率自适应以调整隶属度函数,通过仿真对比实验得出,与一般模糊控制器相比,这种控制器控制过程更加平稳,振荡衰减较快,有效提高防摇控制效率。     

一种基于模糊神经网络的智能车运动控制器

以智能车为控制对象,为解决单一运动控制方法难以满足智能车控制准确度、稳定性等要求的问题,设计了一种基于模糊神经网络的智能车运动控制器。该控制器利用神经网络实现模糊推理,将智能车与预定轨迹之间的相对距离和方位信息模糊化后作为输入,并通过神经网络学习算法不断调整连接权值和模糊值中隶属函数的参数,提高了控制器的自适应能力,使智能车能够快速稳定地沿预定道路行驶。仿真和实验结果均表明,该控制器动态响应好、稳态误差小,能够满足智能车的运动控制要求。     

基于改进学习算法的模糊神经网络控制系统

针对一类复杂非线性系统，提出一种模糊神经网络(FNN)控制方案。系统中采用模糊神经网络控制器和神经网络辨识控制器相结合的结构，介绍一种改进的学习算法，对学习公式进行推导，利用改进的遗传算法来优化已经获得的隶属度函数，并结合误差补偿以提高控制精度。同时将混沌机制引入常规BP算法，利用混沌机制固有的全局游动，逃出权值优化过程中存在的局部极小点，解决了网络训练易陷入局部极小点的问题。用该方法对某非线性动态系统进行辨识和控制，仿真结果表明控制精度和实时性优于常规模糊控制器。     

模糊神经网络在能量缓冲统一潮流控制器中应用的研究

UPFC是最具有代表性的柔性交流输电系统(FACTS)装置，它集串、并联补偿为一体。通过能量缓冲装置的引入，使得UPFC中有功分布控制成为可能。该文采用模糊神经网络(FNN)来控制统一潮流控制器(UPFC)及能量缓冲装置；提出了一种改进的FNN控制器学习算法：在构成隶属函数的神经结构中采用遗传算法，在解模糊过程中采用最小二乘方法。模糊神经网络控制方法结合模糊理论与神经网络各自的优点，使其对于UPFC的控制具有更加灵活稳定和快速的特性和很强的鲁棒性，并使UPFC串并联侧协调控制更加可靠。通过大量的样本学习，验证了该控制系统能够确保各种运行模式下的UPFC正确工作，最后通过仿真证实了该方法的可靠性。     

电动汽车再生制动模糊神经网络控制策略研究

为延长电动汽车的续驶里程,对电动汽车进行再生制动控制是一种有效方法。对电动汽车进行再生制动控制研究,设计一种基于T-S模糊神经网络控制策略的控制器。该控制器以反馈电流与给定电流的差值和转速为输入,以PWM脉宽调节量为输出,采用BP神经网络算法自适应调整输入隶属度函数和模糊规则。最后,搭建了电动汽车再生制动控制系统模型,对设计的控制器进行仿真实验研究,结果显示,设计的T-S模糊神经网络控制策略能量回收率比模糊控制策略能量回收率最高提高了14.5%,验证了T-S模糊神经网络控制策略的有效性。     

神经网络自学习模糊控制及其应用

本文提出了一种新的自学习模糊控制算法。利用改进的ｐｉ－ｓｉｇｍａ神经网络，对模糊控制器的结论参数进行辨识，并不断修正隶属函数，实现了模糊规则的自动更新。这种方法被用于机器人解耦控制，取得了满意的仿真结果。     

前馈神经网络的模糊 PID 算法及其在电力系统负荷预测中的应用

提出了多层前馈神经网络的模糊ＰＩＤ学习算法（ＦＰＢＰ）。这种算法是把多层前馈神经网络的学习过程当作一个动态控制系统来处理,确定出动态控制系统达到稳态时的ＰＩＤ控制器参数,然后再基于模糊控制的思想,对确定出的ＰＩＤ控制器参数进行模糊调整。文中给出了这种算法在电力系统负荷预测中的实际应用,并与标准ＢＰ算法作了比较。结果表明,该算法提高了网络的学习速度和预测的精度。     

电液位置伺服系统的模糊神经网络控制

针对电液位置伺服系统中的非线性、参数时变性等复杂因素,设计了一种模糊神经网络控制方案。由于常规的模糊神经网络学习算法具有权值调整复杂,收敛速度慢的缺点,因此采用模糊逐级误差逼近方法来调整模糊神经网络的权值。该算法易于实现,网络权值在线学习速度较快,而且计算量小于其他的常规神经网络学习算法。将该方法应用于电液位置伺服控制系统中,在对象参数摄动情况下,进行了仿真研究。仿真结果表明,采用该方法所设计的控制器满足系统对快速性和稳态精确度的要求,系统的鲁棒性增强,验证了方法的有效性。     

BP神经网络模糊控制在电弧炉电极调节系统中的实现

针对电弧炉电极调节系统,建立其数学模型。分析了电弧炉电极调节系统的非线性,并针对控制对象的复杂性,将具有自学习功能的BP神经网络与模糊控制相结合,提出了基于BP神经网络模糊控制的控制算法。BP神经网络模糊控制的控制算法改善了传统神经网络学习时间长、收敛速度慢的弱点,解决了传统控制未知复杂系统的不足,Matlab6．5软件仿真结果表明,采用BP神经网络模糊控制的控制算法的控制效果是令人满意的。     

船舶发电机励磁系统的CMAC神经网络并行控制

结合CMAC神经网络控制算法与PID控制算法设计了船舶发电机励磁并行控制系统.在控制过程中CMAC神经网络控制器经过不断学习,最终在控制系统中发挥主要控制作用.在网内投入发电机额定负载的15%和75%时,用某大型船舶电力仿真系统对该控制系统进行了仿真试验,并对电网的单相接地短路和三相接地短路故障进行了仿真试验,结果表明该船舶发电机CMAC神经网络励磁控制系统具有良好的稳定性、准确性、快速性和一定的鲁棒性.     

基于模糊神经解耦控制的双馈水轮发电机系统仿真

双馈水轮发电机系统是一个涉及水力、水轮机和发电机的综合复杂系统。针对系统具有多变量、非线性、强耦合和参数不确定性的特点，本文提出了一种两级串联结构的自适应模糊神经网络解耦控制策略，前级为基于智能权函数规则的自调整模糊控制器，后级为基于动态耦合特性的自适应神经网络解耦控制器，并从理论上证明了学习算法的收敛性。为了验证所提出控制策略的有效性和正确性，本文对双馈水轮发电机系统在水力、水轮机和发电机参数变化时的鲁棒性分别进行了仿真研究。与常规PID控制的仿真结果比较表明，提出的解耦控制策略能较好地克服参数变化和对象模型结构变化对运行性能的影响，具有鲁棒性好，解耦能力强的优点。     

基于再励学习的交流调速系统模糊神经网络控制

针对矢量控制交流调速系统,该文提出并设计了一种基于再励学习的模糊神经网络速度控制器。详细介绍了基于遗传算法的神经网络权重在线训练方法,仿真对比了输入空间的划分即模糊子集数量对模糊神经网络控制器的训练及其控制效果的影响。仿真结果表明该速度控制器能通过在线训练方式获得最优参数以适应被控对象的参数变化,能使系统获得优良的动态和静态性能。     

一种新型模糊神经网络自适应控制器

文章利用模糊神经网络的模糊推理能力以及前馈神经网络的逼近能力,将其与自适应控制方案结合,并取带有控制增量约束的广义目标函数作为优化指标;从而推导出一种能对非线性非最小相位系统进行有效控制的模糊神经网络间接自适应控制器。在网络学习算法上分别采用Davidon最小二乘法和带有动量项的BP算法。仿真结果表明了该方法的有效性。     

一种前向模糊神经网络控制系统的研究

基于模糊逻辑和神经网络技术提出一种具有快速学习算法的模糊神经网络控制系统。     

二级倒立摆的递阶模糊神经网络控制

为了表明模糊神经网络控制器比较适合于控制快速、多变量、强非线性、绝对不稳定系统，可以克服用模糊神经网络控制多变量系统时的规则组合爆炸问题。本文提出用递阶模糊神经网络控制二级倒立摆。这种方法可以有效地减少多变量输入的模糊神经网络控制器的规则数，有利于利用专家的控制经验初始化网络参数，从而有利于下一步利用遗传算法对其进行优化。实验结果表明：与线性最优控制相比，本文方法的控制效果好、鲁棒性强。