路径规划; 态势评估; 模糊逻辑; 贝叶斯网络

针对非线性动态系统辨识和控制的特点，对4层模糊神经网络进行了优化和改进，形成了动态模糊神经网络，提高了网络的稳定性和对动态系统的辨识能力，同时给出了基于Lyapunov函数稳定收敛定理的各权向量以及权矩阵学习速率的自适应调整算法．应用于非线性动态系统的辨识和控制仿真试验表明，改进后的动态模糊神经网络与模糊神经网络相比，可取得更好的辨识精度和跟踪控制效果。     

一种模糊神经网络自适应预测控制方案的研究

提出了一种模糊神经网络自适应预测控制方案,对学习公式进行了理论推导,并结合误差补偿以提高预测控制的精度。仿真实验表明,该算法可实现模糊控制和神经网络的优势互补,对非线性复杂系统具备良好的控制性能     

水轮机调节系统智能控制的研究

水轮发电机调节系统是保证水电厂发电机组稳定运行的重要控制设备,直接关系到发电机组的安全稳定运行.本文根据水轮机调节系统的工作原理,分析了几种智能控制策略在水轮机调节系统的应用情况,指出了这些控制方法的优缺点.为了克服单一控制策略存在的弊端,提出了将多种控制策略合理结合的模糊神经网络复合控制策略,复合控制将是水轮机调节系统控制的发展方向.     

模糊神经网络在转台系统中的应用研究

在自动飞行控制系统与惯性导航系统模拟试验中,飞行仿真转台控制系统性能的优劣严重影响了试验结果.为了研究自动飞行控制系统和惯性导航系统,将模糊神经网络自适应控制方法应用于飞行仿真转台中.该方法通过神经网络来实现模糊推理,利用神经网络的学习能力调整模糊隶属函数和控制规则,从而克服模糊控制精度不高和自适应能力差的缺点.仿真结果表明,该方法可以使飞行仿真转台具有高的定位能力和控制精度,操作失真度小及具有良好的动态性.     

基于模糊神经网络的积分自适应控制

将模糊神经网络应用于传统线性积分自适应控制,构造了一类模糊神经自适应方法,用于消除非线性系统响应偏差.模糊神经网构成直接非线性自适应控制器.对线性及非线性对象的仿真控制以及与经典自适应控制的比较,表明了模糊神经自适应控制器的有效性.     

一种改进的模糊PID控制器及其仿真

该文基于对一般增益调整型模糊PID控制的研究，提出了比例因子自调整模糊PID控制，通过对水轮机调速系统进行仿真，表明了该控制方式控制效果优于常规PID控制和一般增益调整型模糊PID控制的效果，有效的提高了系统的动态特性，稳态精度和鲁棒性。     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

基于模糊滑模的不确定混沌系统控制

提出了一种利用直接自适应模糊神经网络控制与模糊滑膜控制相结合来控制一类不确定非线性混沌系统的新方法。应用Takagi-Sugeno模糊逻辑系统设计系统控制律和参数在线调整规则,使控制系统能准确的跟踪给定信号,同时具有较强的抑制系统参数摄动的能力以及抑制随机噪声的能力。仿真实验结果表明,此算法有效地实现了不确定混沌系统的追踪控制,使系统的跟踪误差减小,提高了系统的鲁棒性,应用前景十分广阔。     

基于自适应神经网络的不确定非线性系统的模糊跟踪控制

提出了一种基于模糊模型和自适应神经网络的跟踪控制方法.在系统具有未知不确定非线性特性的情况下,首先利用T＿S模糊模型对系统的已知特性进行近似建模,对基于模糊模型的模糊H∞跟踪控制律进行输出跟踪控制.并在此基础上,进一步采用RBF神经网络完全自适应控制,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,从而有效地消除系统的未知不确定性和模糊建模误差的影响,保证了非线性闭环系统的稳定性和系统的H∞跟踪性能,而不要求系统的不确定项和模糊建模误差满足任何匹配条件或约束.最后,将所提出的方法应用到一非线性混沌系统,仿真结果表明了所提出的方案不仅能够有效地稳定该混沌系统,而且能使系统输出跟踪期望输出.     

一类随机干扰作用下的非线性系统的自适应控制

利用随机干扰作用下的采样数据训练模糊神经网络可得到对象含噪声信息的统计辨识模型 ,通过预估及校正算法在线调整控制输入以弥补模型偏差的影响 ,实现系统的自适应控制 .仿真实验结果表明该控制方案具有较高的控制精度、较强的抗干扰能力和良好的自适应性能     

直流无刷电机智能控制系统研究

阐述直流无刷电机工作原理,分析直流无刷电机的数学模型;介绍模糊控制理论与神经网络控制理论,提出模糊自适应PID控制策略;在MATLAB环境下,分别使用反电动势建模法建立直流无刷电机控制系统的模型,并对各个模型进行仿真分析。然后利用BP神经网络控制策略,模糊自适应PID控制策略改进速度控制器中的常规PID算法,进行仿真,并将所得结果进行对比。从对比结果可以得出模糊自适应PID控制策略更适合直流无刷电机的控制。     

基于模糊径向基函数神经网络的PID控制算法仿真研究

在传统的PID控制算法基础上,提出了一种基于模糊RBF神经网络的PID控制算法。该算法将RBF神经网络学习能力强与模糊理论的推理能力强的特点结合起来,在线调整比例、积分、微分三个控制参数,仿真结果表明,该算法的控制品质优于常规PID控制,具有较强的自适应能力和鲁棒性。     

基于自适应模糊神经网络控制器的网络控制系统

网络控制系统中存在着时延、丢包、网络干扰等问题。针对网络控制系统中存在恶化系统的控制性能,甚至导致系统不稳定的因素,提出了一种基于自适应模糊神经网络控制器的网络控制系统,它能根据系统的实际输出与期望输出误差,利用自适应模糊控制和神经网络自学习的原理进行控制参数的自行调整,以符合控制系统的实际要求,同时,分析了网络延时,丢包率及网络干扰因素对系统性能的影响。利用TrueTime工具箱建立了包含自适应模糊神经网络控制器的网络控制系统的仿真模型,并将其分别与基于常规PID控制器的网络控制系统和基于模糊参数PID控制器的网络控制系统进行了比较。实验结果表明,在相同的网络环境下,基于自适应模糊神经网络控制器的网络控制系统的控制效果比基于常规的PID控制器和基于模糊参数PID控制器的要好,且具有较好的抗干扰能力和鲁棒性能。     

基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

溶解氧浓度的直接自适应动态神经网络控制方法

针对污水处理过程溶解氧浓度的控制问题,提出一种直接自适应动态神经网络控制方法(direct adaptive dynamic neural network control,DADNNC).构建的控制系统主要包括神经网络控制器和补偿控制器.神经网络控制器由自组织模糊神经网络实现系统状态与控制量之间的映射;提出一种基于规则无用率的结构修剪算法,并给出结构调整后网络收敛的理论证明.同时,为保证系统稳定,设计补偿控制器减小网络逼近误差,参数调整由Layapunov理论给出.国际基准仿真平台上的实验表明,与固定结构神经网络控制器、PID和模型预测控制等已有控制方法相比,DADNNC方法具有更高的控制精度和更强的适应能力.     

基于神经网络的PID控制器

提出了一种新型PID控制器,该控制器利用BP网络实现PID参数的在线调整,采用RBF网络对被控对象在线辨识。仿真结果表明该控制器的控制效果优于传统的PID控制算法和模糊自适应PID控制算法。     

基于模糊神经网络PID算法的电阻炉温控系统

由于电阻炉温控系统是一个大惯性、大滞后、时变、且非线性的系统,采用传统PID控制不能解决系统的非线性、时变和PID参数的在线整定难等问题,为此提出一种控制算法—模糊神经网络PID算法。可根据电阻炉的温度的偏差及其变化率实时对PID的3个参数进行优化,达到具有最佳组合的PID控制,从而实现PID控制的自适应和智能化性能。使用MatLab的simulink仿真,通过传统PID与模糊神经网络PID阶跃响应曲线的比较,表明系统采用模糊神经网络PID算法具有更好的动、静态特性和自适应性,对突加的外部的扰动具有良好的抗干扰能力,具有实用价值。     

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp, ki, kd参数。将算法运用到电机控制系统的PID参数寻优中,仿真结果表明基于此算法设计的PID控制器改善了电机控制系统的动态性能和稳定性。     

基于改进模糊神经网络的PID参数自整定

针对传统PID整定控制效果差且单纯神经网络整定存在参数学习和调整困难等问题,提出了一种基于改进模糊神经网络的PID参数整定方法。在该方法中,PID控制器的控制参数采用基于Mamdani模型的模糊神经网络进行自适应整定,模糊神经网络参数采用混沌遗传算法离线粗调和BP算法在线细调的方式进行学习和调整,仿真结果表明该整定策略动态响应快、误差控制精度高且网络中各节点及参数物理意义明确。最后分别从模糊规则数的变化及适应度函数的选取两方面提出两种优化方案,仿真结果表明增加模糊规则数或采用不同的适应度函数都有利于进一步减小控制误差。     

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。