基于MATLAB的神经模糊聚合釜控制

针对模糊控制表达能力强,但学习能力、适应性差的特点,提出在聚合釜温度控制过程中使用模糊控制与神经网络相结合的控制方案.给出了神经模糊网络结构和学习算法,仿真研究表明,神经模糊网络可以直接从经验中获取知识,自动建立模糊规则和隶属函数,无需查表,具有较强的适应和联想能力,比单纯的模糊控制具有更大的优势.     

神经模糊控制在船舶自动舵中的应用

针对常规模糊自动舵由于受船舶控制过程的非线性、时变性以及风浪干扰等因素影响,模糊控制规则和隶属函数需要校正,利用神经网络的自学习能力,用神经网络去实现模糊控制,设计自动舵神经模糊控制器,采用BP算法和最小二乘算法的混合学习算法实现对模糊规则和隶属函数的参数训练,提高控制器的自适应能力.仿真实验表明所设计的控制器有效可行.适应船舶在风浪干扰环境下的控制性能要求.     

神经模糊控制在船舶自动舵中的应用

针对常规模糊自动舵由于受船舶控制过程的非线性、时变性以及风浪干扰等因素影响,模糊控制规则和隶属函数需要校正,利用神经网络的自学习能力,用神经网络去实现模糊控制,设计自动舵神经模糊控制器,采用BP算法和最小二乘算法的混合学习算法实现对模糊规则和隶属函数的参数训练,提高控制器的自适应能力。仿真实验表明所设计的控制器有效可行,适应船舶在风浪干扰环境下的控制性能要求。     

SBR系统中的模糊神经网络控制器设计

将模糊控制与神经网络相结合,设计4层模糊神经网络控制器,分析其结构及算法。利用神经网络的自学习能力,在线动态调整模糊变量的隶属函数,优化控制规则,并对曝气池中溶解氧浓度与活性污泥浓度进行控制。通过Matlab对溶解氧的控制进行数字仿真实验,结果表明,具有学习能力的模糊神经网络控制可在污水处理系统的应用中获得更优的性能。     

一种神经模糊系统模型

本文提出一种神经模糊系统模型,其中模糊规则前件用π隶属函数(形状类似于三角形隶属函数,但具有平滑性)表达,给出了类似于BP的参数学习算法.对于平滑函数近似问题的仿真结果表明,与模糊规则前件使用三角形隶属函数的神经模糊系统模型相比,本文提出的模型具有学习过程更加稳定平滑和逼近误差小的优点.对这两种模型性能上的差异做了定性解释.     

自适应神经模糊推理系统的参数优化方法

自适应神经模糊推理系统(ANFIS)将模糊推理系统(FIS)中的模糊逻辑规则及隶属度函数参数通过神经网络的自学习来整定,自动产生模糊规则和调整隶属度函数,解决了模糊控制系统中模糊推理规则主要根据专家经验设计、缺乏自学习能力、控制精度不高等问题.而在建立一个初始系统进行训练时,其训练次数、隶属度函数的数目及类型都是待定的,这三个参数的选择直接影响系统训练后的效果,其确定方法值得研究.本文应用自适应神经模糊推理系统对一个典型系统进行建模仿真,并提出三个参数的寻优方法.     

基于简约集向量的Takagi–Sugeno模糊模型

利用支持向量学习机制建立模糊模型时, 过多的支持向量将导致复杂的模糊模型. 为此提出了一种基于简约集向量的Takagi-Sugeno模糊模型. 该模型抽取简约集向量产生模糊规则, 规则前件的乘积型多维模糊隶属度函数直接由Mercer核构成, 而规则后件则采用非线性函数. 模型的结构和参数可通过自下而上的简化规则以及不敏感学习进行有效地辨识. 最终得到的模糊模型具有良好的推广能力与精确性, 同时拥有高透明度的模糊规则库. 通过二维sinc函数的逼近及球棍系统的模糊控制的仿真实例, 说明了提出模型的有效性.     

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.     

改进型模糊神经网络PID控制器的设计与仿真

传统PID控制器存在控制参数无法在线调整、控制效果差等问题.为了解决这些问题,本文提出了一款基于改进型模糊神经网络的智能PID控制器.该控制器不仅融合了模糊控制的推理能力和神经网络的学习能力,还创造性地将模糊规则参数化,使模糊规则也可以在线调整,进而提高了控制的准确性.同时,通过建构新型激活函数——IThLU函数,有效...     

基于解析结构的模糊控制器的稳定性和一致逼近性分析

基于模糊控制的解析结构理论,设计了输入变量采用三角形、全交迭,等差间距分布的隶属函数,输出变量采用对称、均匀分布的单点隶属函数和线性控制规则的二维模糊控制器,推导了模糊控制器的解析表达式。利用Lyapunov第二法论证了该模糊控制系统在平衡点处的局部稳定性,并证明了模糊控制器的一致逼近性。     

基于T—S模糊神经网络的ATM网络业务量智能控制

ATM网络的业务量控制是ATM网络中的关键技术之一。在充分考虑了模糊神经网络的学习功能后,提出了利用T－S模糊神经网络算法对ATM网络进行呼叫接纳控制。仿真结果表明,该方法提高了网络对呼叫的实时处理能力,又增加了网络资源的利用率。     

Neuro-fuzzy position control of demining tele-operation system based on RNN modeling

The paper considers the neuro-fuzzy position control of multi-finger robot hand in tele-operation system—an active master–slave hand system (MSHS) for demining. Recently, fuzzy control systems utilizing artificial intelligent techniques are also being actively investigated in robotic area. Neural network with their powerful learning capability are being sought as the basis for many adaptive control systems where on-line adaptation can be implemented. Fuzzy logic on the other hand has been proved to be rather popular in many control system applications providing a rule-base like structure. In this paper, the design and optimization process of fuzzy position controller is supported by learning techniques derived from neural network where a radial basis function (RBF) neural network is implemented to learn fuzzy rules and membership functions with predictor of recurrent neural network (RNN) model. The results of experiment show that based on the predictive capability of RNN model neuro-fuzzy controller with good adaptation and robustness capability can be designed.     

一种基于FNN的高速网络拥塞控制策略

以ATM（asynchronous transfer mode)为研究对旬,同种基于模糊神经网络（fuzzy neural network,简称FNN）的流量预测和拥塞控制策略,拥塞控制是高速网络（如ATM）研究中的关键问题之一,传统的基于BP神经网络的流量预测方法因其收敛速度较慢且具有较大的误差,影响了拥塞控制效果,而模糊神经网络由于具有处理不确定性问题和很强的学习能力,很好地解决这一问题,最后通过仿真,比较和分析了基于BP神经网络和基于FNN方法和性能,证明此方法是有效的。     

基于ANFIS的火电单元机组协调控制设计方法

基于自适应网络模糊推理系统,将模糊推理、变结构控制和神经网络结合起来,提出了一种针对某火电厂300MW单元机组协调控制的方法。给出了控制系统的传递函数模型、结构图和自适应训练方法。仿真结果表明,该算法鲁棒性好,抗干扰能力强。自适应控制效果良好。     

Supervisory recurrent fuzzy neural network control of wing rock for slender delta wings

Wing rock is a highly nonlinear phenomenon in which an aircraft undergoes limit cycle roll oscillations at high angles of attack. In this paper, a supervisory recurrent fuzzy neural network control (SRFNNC) system is developed to control the wing rock system. This SRFNNC system is comprised of a recurrent fuzzy neural network (RFNN) controller and a supervisory controller. The RFNN controller is investigated to mimic an ideal controller and the supervisory controller is designed to compensate for the approximation error between the RFNN controller and the ideal controller. The RFNN is inherently a recurrent multilayered neural network for realizing fuzzy inference using dynamic fuzzy rules. Moreover, an on-line parameter training methodology, using the gradient descent method and the Lyapunov stability theorem, is proposed to increase the learning capability. Finally, a comparison between the sliding-mode control, the fuzzy sliding control and the proposed SRFNNC of a wing rock system is presented to illustrate the effectiveness of the SRFNNC system. Simulation results demonstrate that the proposed design method can achieve favorable control performance for the wing rock system without the knowledge of system dynamic functions.     

VBR MPEG视频源流量的智能集成预测模型

由于VBR视频流量的预测能力是直接关系缓冲区设计、动态带宽分配及拥塞控制等提高网络服务质量的关键因素,因此,以多媒体主要应用形式VBRMPEG视频源为研究对象,提出了一种基于模糊神经网络的视频流量智能预测模型。通过设计模糊预测器减少输出比特流的预测误差,采用神经网络减少多步预测的计算量。仿真试验表明,与标准AR模型预测结果相比,该模型显著提高了预测的准确度和可靠性,且易于推广使用。     

自适应模糊神经网络控制器设计的线性化方法

基于Ｔ－Ｓ模糊推理系统模型构造一个简化形式的Ｆｕｚｚｙ神经网络（ＦＮＮ），应用Ｓｔｏｎｅ－Ｗｅｉｅｒｓｔｒａｓｓ逼近定理证明了这种ＦＮＮ网络对非线性连续函数的全局逼近性质，并利用Ｃｌａｒｋｅ一步加权最优预报控制性能指标及前向ＦＮＮ网络辨识器模型的线性化思想，提出一种间接Ｆｕｚｚｙ神经网络自适应控制算法，仿真结果证实了该算法的有效性。     

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。     

基于模糊神经网络的5连杆双足机器人混杂控制

针对双足机器人单脚支撑期控制问题, 提出了一种新型的模糊神经网络混杂控制方法. 该种方法结合了模糊神经网络、H_∞ 控制及逆系统方法的优点. 应用了一种新的多层模糊CMAC神经网络对系统进行逼近, 一方面将模糊神经网络的构造误差看作系统的干扰, 利用H_∞ 控制对干扰进行抑制. 另一方面利用模糊神经网络对系统模型进行逼近, 为逆系统的构建和H_∞ 控制率的设计提供了有效的系统信息. 并证明了在采用本文提出的模糊神经网络和自适应算法后可以抑制 L₂ 增益.