B样条基函数模糊神经网络控制系统及其混合学习算法

介绍了一种基于模糊B样条基函数神经网络的控制器,该控制器将模糊控制的定性知识表达能力、神经网络的定量学习能力和B样条基函数优异的局部控制性能相结合,采用B样条基函数作为模糊隶属函数。还提出了模糊神经网络控制器的混合学习算法,即先采用免疫遗传算法离线优化,再采用BP梯度算法在线调整。对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性。图4参3     

采用模糊小波基函数神经网络的控制系统及混合优化算法

提出了一种采用模糊小波基函数神经网络的控制器,该控制器采用小波基函数作为模糊隶属函数,利用神经网络实现模糊推理,并可对隶属函数进行实时调整,从而使控制器具备更强的学习和自适应能力.还提出了控制器参数的混合学习算法,即先采用混沌算法离线优化,再采用BP梯度算法在线调整.对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性.图3参6     

基于PSO算法的FCMAC控制器及其在主汽温控制中的应用

模糊CMAC神经控制器能反映人脑认知的模糊性和连续性,它采用高斯函数作为模糊隶属函数,利用CMAC神经网络实现模糊推理,并可对隶属函数进行实时调整,从而使它具有自适应和学习能力.文中讨论了这种控制器参数的PSO学习算法,对电厂锅炉主蒸汽温度控制的仿真表明了FCMAC控制器及其PSO学习算法的可行性和有效性.     

模糊神经网络控制技术在加热炉过程控制中的应用

加热炉是复杂不规则系统，采用模糊控制器可克服许多常规模型无法解决的困难，本文提出了一种自适应模糊神经网络控制器，并讨论了自适应模糊神经网络的学习算法。试验表明，模糊神经网络控制器具有良好的控制效果。     

PEMFC的Elman神经网络建模与模糊神经网络控制

从质子交换膜燃料电池（PEMFC）实际应用的角度出发，采用Elman动态神经网络对PEMFC系统进行建模，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度。设计了一种适应模糊神经网络控制器，根据经验确定了初始隶属度函数和模糊规则，并采用自适应学习算法不断调整隶属度函数与模糊规则参数，使控制系统获得理想的输出。仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法取得了较好的控制效果。总之，所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

模糊神经网络控制器用于电站主汽压控制的研究

锅炉的燃烧过程是一个多参数、非线性、时变以及变量强耦合的过程，很难建立被控对象的准确数学模型。根据主汽压被控对象的动态特性，设计了一个模糊神经网络自适应控制系统，引用模糊高斯基函数神经网络结构，并采用基于变尺度优化学习算法的改进型学习算法，其学习信号由神经网络辨识器(NNI)提供。利用神经网络的非线性映射能力，能很好的解决被制对象的动态特性具有非线性、时变性、参数可变等问题。仿真对比试验表明，主汽压控制系统引入模糊神经网络控制器(FNNC)后，系统的响应速度变快，调节精度提高。该控制器的适应性、鲁棒性也明显优于常规PID控制器。     

基于PID型模糊神经网络的火电站单元机组协调控制

针对火电站机炉协调控制对象的非线性，时变和纯迟延的特性，采用了一种PID型模糊控制器，为了使此控制器具有自学习功能，提出了一种包含一个自回归神经元的5层模糊神经网络，并根据梯度下降算法，给出了它各层权值的修正算法，通过对参考文献[2]的模型进行仿真研究，证明使用这种初值易选，学习能力较强的模糊神经网络控制器可以克服协调控制对象的时变性和随机性干扰，大大改善了控制品质。     

模糊自学习控制在水电机组控制中应用研究

采用具有自学习能力的自适应模糊控制器来控制水电机组运行。自适应模糊控制器将模糊控制和神经网络结合,根据运行情况在线调整模糊推理规则和隶属函数,使控制系统具有自适应学习的特性。学习中学习速率和平滑因子可根据误差情况在线修改,克服了网络学习速度慢和局部最优的缺点。仿真实验表明,设计的自适应模糊控制器具有良好的鲁棒性,可有效地改善水轮发电机组系统的动、静态性能。     

应用神经网络模糊控制器的发动机怠速控制

应用模糊控制理论设计了一个用于发动机怠速控制的模糊控制器,并用ＢＰ人工神经网络实现这种模糊控制器输入输出的映射关系,在神经网络训练中采用了先进、有效的变尺度学习算法。最后给出了控制仿真结果。     

基于双模糊控制器的城市智慧照明系统

针对城市路灯照明系统存在电能消耗高、调控方案单一等问题,设计了一种基于光照和车流量双模糊控制器的智能照明系统,使用光照度和光照变化率作为光照模糊控制器的输入,车流量检测值和变化率作为车流量模糊控制器的输入。照度数据使用技术成熟且广泛使用的TSL256X光照传感器采集;车流量检测时针对视觉背影提取(visual background extractor,ViBe)算法有漏检静止目标问题,采用改进的ViBe算法;通过指数平滑(exponential smoothing,ES)和径向基函数(radical basis function,RBF)神经网络双模融合的方式得到车流量预测值。结果表明:智能照明系统节能效果理想,系统平均节能达到28.5%。该照明系统增强了天气异常情况应对能力,降低了能源浪费率,提高了路灯照明系统智能化水平。     

模糊滑模自适应控制及其在电厂热工过程中的应用

通过一种新学习算法的导出,并结合模糊逻辑系统中的模糊基函数,给出了一种带有通用规则库的模糊滑模自适应控制器。这种控制器能够在线自动调整参数,能对热工过程中的大惯性大迟延对象进行有效的控制。当对象参数变化或存在较大扰动的情况下,仍能保持很好的控制品质。该方法已被用于某电厂主汽压力控制系统。仿真结果表明:该算法具有良好的控制品质和很强的鲁棒性。图4表1参7     

电控喷射天然气发动机空燃比控制策略的研究

提高电控喷射天然气发动机的空燃比控制精度是改善发动机经济性、动力性和降低尾气排放的关键环节。提出了一种模糊神经解耦混合控制器，新控制器在控制过程中借助模糊神经网络的自学习算法实现控制参数的在线调整。该控制策略应用于电控天然气发动机的空燃比控制中表明控制效果较好。     

基于径向基函数神经网络的风速预测

针对短期风速预测问题,提出基于交叉迭代模糊聚类算法和正则化正交最小二乘法的径向基函数神经网络预测方法。该方法首先利用交叉迭代模糊聚类算法确定样本数据的模糊聚类中心,然后采用正则化正交最小二乘法进一步优选径向基函数中心,并将广义交叉有效性指标作为停止选择过程的标准。该方法可有效减小网络规模,提高网络推广能力,并能避免数值病态情况发生。以我国某风电场实测风速时间序列为例进行计算和分析,其结果验证了所提方法的有效性。     

神经网络自学习PID控制器的研究

从兼顾人工神经网络控制系统自学习能力和实时性角度出发，通过构建新的人工神经网络自学习PID控制器的结构，控制系统的样本拾取，更新与优化均采用在线学习方式，使控制系统具有较强的自学习能力。在分析了目前广为应用的多层前向神经网络误差反向传播算法(BP)的局限性及原因的基础上，提高了改进的BP算法-自适应动量项BP算法。从而提高了神经网络的收敛速度和收敛精度，并通过实例验证了自学习PID控制器的可行性及改进算法的合理性。图6参4     

热力系统局部非线性模型辨识

在多模型控制中,局部模型大多数是基于线性模型,其数量和精度影响多模型控制的效果。提出一种基于RBF神经网络的非线性模型辨识算法,采用G.B.Sentoni等人提出的非线性模型结构[2~3],利用径向基函数(Radial Basis Function,RBF)神经网络的逼近能力,实现热力系统非线性模型辨识。在RBF神经网络的学习过程中,根据性能函数调节学习率,可以加快学习的收敛过程。最后进行了仿真验证,基于2个局部非线性模型的多模型控制系统与基于5个局部线性模型的多模型控制系统相比,减少了切换时的震荡,控制精度有所提高。试验结果表明,该辨识算法能减少固定模型数量,从而减少模型搜索时间,并且能够提高模型预测精度。     

神经网络在电传动装甲车用发动机控制技术中的应用

文中利用实测到的装甲车发动机试验数据作为学习样本,采用径向基函数(RBF)神经网络建立了发动机的辨识模型,根据该模型可以得到发动机的最佳燃油消耗率曲线。同时,采用神经网络训练、学习最佳燃油消耗率曲线,并将其存储到发动机控制器中,当发动机按该曲线工作时,可以保证发动机稳态时一直在最佳经济燃油状态下工作。     

自适应模糊神经网络控制在锅炉过热汽温控制中的应用

常规的模糊控制系统不能自动地将专家知识经验转化为推理规则库,缺乏有效的方法来改进隶属度函数,而自适应神经模糊推理系统(ANFIS)将模糊逻辑和神经元相结合,采用反向传播算法和最小二乘法的混合算法来调整前提参数和结论参数,并能自动产生模糊规则.在此基础上提出了一种自适应模糊神经网络控制器,并将其应用于火电厂锅炉过热汽温控制中.结果表明:与常规的PID控制相比,该方法提高了锅炉汽温控制系统的动态稳定性和抗干扰性.     

基于ACC-RBF的水布垭面板堆石坝参数反演分析

蚁群聚类径向基函数(ACC-RBF)神经网络是将蚁群聚类算法和径向基函数神经网络组合运用的一种新型神经网络模型,把该网络用于水布垭高面板坝堆石体的多参数反演问题,在室内试验参数的基础上用有限元计算获得学习样本,采用该网络对坝体堆石料的邓肯E-B模型参数进行反演分析,用反演所得参数结合三维非线性有限元计算坝体应力变形,并...     

模糊神经网络控制器在CFBB床层温度控制中的应用

由于循环流化床锅炉(CFBB)的燃烧过程是一个多参数、非线性、时变以及变量强耦合的过程,很难建立被控对象的准确数学模型,根据CFBB床层温度被控对象的动态特性,设计了一个模糊神经网络自适应控制系统,引用模糊高斯基函数神经网络结构,并采用基于变尺度优化学习算法的改进型学习算法(MDFP),其学习信号由神经网络辨识器(NNI)提供.理论分析和仿真结果表明该控制系统具有良好的控制性能,其稳定性、鲁棒性等控制品质明显优于常规模糊控制.     

基于模糊神经网络的农业电气PID控制参数优化

摘要： 提出一种基于改进模糊神经网络PID控制的农业电气设备控制参数优化方法。设计了农业电气设备的系统结构模型,对农业电气设备的控制参量进行约束模型构建,得到控制目标函数,设计三层前向变结构PID神经网络,对农业电气PID控制参数进行自适应优化调节,设计了变结构的模糊神经网络PID控制器,实现对农业电气PID优化控制。仿真结果表明,采用该算法进行农业电气设备控制,其输出电压和电流等参数的稳定性和自整定性较好,功率增益较高,收敛性好,控制误差较少,提高了电气系统的稳定性和可靠性。