船舶航向保持模糊神经网络控制器研究

将模糊控制与神经网络融合为一体,为船舶航向保持控制系统设计出一种模糊神经网络自学习控制器,计算机仿真结果表明,控制方案可行,控制系统性能良好,模糊技术与神经网络的有机结合,为复杂系统的智能控制提供了良好的手段。     

船舶航向保持自校正控制

本文得出了船舶航向保持的附加推进能量损耗目标函数的完整形式.为减小舵机机构的磨损,又引入控制信号变化率的约束项,导出了一种船舶航向保持自校正控制的新算法,最后对控制算法进行了数学仿真研究.仿真结果表明新算法更适合于实际情况.     

基于神经网络参考模型的船舶航向智能自适应控制系统

为使船舶能在不同状态和环境下按所希望的要求改变船舶的航向，提出了一种基于神经网络参考模型的船舶航向智能自适应控制算法，利用神经网络建立了参考模型和船舶航向运动的辨识模型。并将模糊控制与神经网络相结合，设计了模糊神经网络控制器。利用神经网络的学习功能对控制器的隶属度函数及推理规则进行修正，以提高其自适应能力。仿真结果表明该算法对船舶转向控制有良好的效果。     

船舶航行的模糊模型建模及航向控制

为了进一步对船舶行操舵控制的研究,应用模糊系统理论对船舶航行操舵控制建立了一个模糊模型;并彩神经网络方法对模糊模型的参数进行了辨识和估计,此模糊模型的建立使控制设计摆脱了数学模型,同时为下一步进行控制方案选择和设计打下了基础,仿真结果表明,船舶航行模糊模型及参数辨识方法是有效的,并给出针对某一船舶的模糊模型的具体形式;仿真结果也表明了船舶航行控制效果良好性。     

低能耗船舶航向保持混合灵敏度H_∞控制算法

针对海浪中航行的船舶在航向保持过程中,船艏向处于高频振荡引起的频繁操舵、增加能耗的问题,提出了一种S/KS混合灵敏度H∞鲁棒控制算法。通过设计合理的性能权函数和控制权函数,获得了较高的航向保持精度和干扰抑制性能。在不同海况下与LQ最优控制的对比仿真表明,该控制算法对高频海浪干扰抑制具有良好的鲁棒性,操舵能耗显著降低。     

基于神经网络的模糊控制器

将神经网络的非线性与自学习特性有机地应用于模糊控制系统中，用神经元节点及其相应的内部函数代替模糊控制系统的各个模糊子集及其隶属函数，而神经元节点间的连接代替模糊推理机，设计了一类基于神经网络的模糊器，以克服复杂非线性系统难以确定模糊子集的划分及其隶属函数和模糊推理规则等问题。     

船舶航向保持的滑模变结构自适应模糊控制研究

针对船舶航向非线性控制系统中存在未知控制增益,参数不确定性和外界干扰的影响,通过引入Nussbaum函数,利用模糊逻辑系统的逼近能力,将多滑模控制与自适应模糊控制相结合,提出一种新的多滑模自适应模糊控制算法,实现了船舶航向的跟踪控制,并且在设计过程中,避免了控制器奇异值问题的发生。借助Lya-punov函数证明了所设计控制器使船舶运动非线性系统中所有信号有界,且跟踪误差收敛到零的某个邻域内。仿真结果表明,所设计的控制器能够快速准确地跟踪设定航向,对参数摄动和外界扰动具有较强的鲁棒性。     

一类模糊-PID神经网络控制器

针对模糊ＰＩＤ复合控制的自适应问题,设计了一类基于模糊ＰＩＤ复合控制算法的神经网络控制器,经仿真实验获得了满意的效果。     

带有舵机特性的船舶航向自动舵DSC-MLP设计

为了研究船舶航向非线性系统的自适应自动舵跟踪控制问题,采用T-S模糊系统逼近模型不确定性,将动态面控制与最少学习参数算法结合,提出了一种自适应模糊跟踪控制算法.该算法学习参数少、计算量小,易于工程实现;并且能够避免可能存在的控制器奇异值问题.同时,该算法保证了闭环系统的稳定性,能够使得航向跟踪误差任意小.仿真结果验证了控制器的有效性.     

船舶航向非线性离散系统自适应模糊最优控制

针对船舶航向非线性离散时间系统,本文提出一种基于模糊逻辑系统的自适应最优航向控制算法。本文优化控制算法采用actor-critic结构,模糊逻辑评价系统和模糊逻辑执行系统分别用于构建最优评价信号和最优控制信号。模糊权值采用梯度下降法进行更新学习,并以大连海事大学"育龙"轮为例进行仿真研究。基于前向差分Lyapunov方法证明了闭环系统半全局一致最终有界,保证系统跟踪误差收敛到以零为中心的邻域内。仿真结果进一步验证了本文算法的有效性和合理性。     

Reliability analysis of house keeping system based on neural network

House keeping systems must hold such advantages as light weight, mall volume and low power consumption to meet the demand of micro-satellites. This paper, based on the specific characteristics of Stereo Mapping Micro-satellite （SMMS） , describes the house keeping system with its advantage of having a centralized and distributed control in one system and analyzes the reliability based on Neural network model.     

基于动态神经模糊算法的船舶航向自适应控制

针对船舶航向控制中模型参数变化引起的不确定性问题,提出一种基于动态神经模糊模型(DNFM)的自适应控制算法.DNFM在学习中同时调整结构和参数,充分逼近Norrbin非线性船舶NARX模型的逆动力学.训练好的DNFM与PD控制器并联构造自适应控制器用于航向控制,且以PD控制器的输出作为自适应律的自变量,进一步在线调整DNFM的权值.以5446 TEU集装箱船的航向控制仿真结果验证了算法的有效性.     

Robot inverse kinematics based on FCM and fuzzy-neural network

0　ＩＮＴＲＯＤＵＣＴＩＯＮＴｈｅｉｎｖｅｒｓｅｋｉｎｅｍａｔｉｃｓｉｓｏｎｅｏｆｔｈｅｃｒｕｃｉａｌｉｓｓｕｅｓｆｏｒｒｏｂｏｔｍａｎｉｐｕｌａｔｏｒａｎａｌｙｓｉｓａｎｄｃｏｎｔｒｏｌ .Ｕｓｕａｌｌｙ ,ｃｏｍｐｕｔ ｅｒ ｂａｓｅｄｒｏｂｏｔｓａｒｅｕｓｕａｌｌｙｓｅｒｖｏｅｄｉｎｔｈｅｊｏｉｎｔ ｖａｒｉａｂｌｅｓｐａｃｅ ,ｗｈｅｒｅａｓｏｂｊｅｃｔｓｔｏｂｅｍａｎｉｐｕｌａｔｅｄａｒｅｕｓｕａｌｌｙｅｘ ｐｒｅｓｓｅｄｉｎｔｈｅｗｏｒｌｄｃｏｏｒｄｉｎａｔｅｓｙｓｔｅｍ .Ｉｔｉｓｎｅｃｅｓｓ…     

模糊神经网络在电压／无功综控中的应用研究

针对变电站常规电压／无功综控的不足,本文借助智能控制技术处理复杂对象的优势,利用神经网络的自学能力,研究将模糊逻辑控制同人工神经网络相结合的优化控优化方案,仿真分析表明了方案的优越性。     

胶合板缺陷模糊神经网络检测算法

讨论了模糊逻辑和神经网络的工作原理,笔者在神经网络中引入模糊逻辑算法,将模糊逻辑处理不精确不完备信息的能力和神经网络的自适应自学习能力相结合,提出一种模糊神经网络算法,构建出模糊神经网络分类器,并且以胶合板缺陷检测为应用背景,对其分类的实时性、准确率等指标进行了验证,得到了分类精度93 33%,和训练次数5856次的良好性能.实验结果表明:在引入模糊逻辑算法后,基于模糊逻辑的神经网络分类器在模式分类精度和实时性等方面性能指标都得到了提高.     

基于BP神经网络的车道保持控制系统

利用机械动力学仿真软件ADAMS/CAR建立了主要包括用于进行自主控制的转向系统及可输出状态变量车身模型的整车动力学模型,在MATLAB/Simulink环境下设计了基于BP神经网络PID的车道保持控制系统。通过输入输出接口实现了整车模型与Matlab的通信。利用建立的Matlab控制模块和ADAMS机械系统动力学模型实现了车道保持控制的联合仿真。仿真结果表明,所设计的车道保持控制系统能较好地实现在危险状态下的车道保持自主控制,且控制过程平稳。     

船舶航向反步自适应控制

针对反步控制算法控制参数多、难整定的问题,经过理论分析提出基于期望指标的二阶系统参数整定方法.将系统变换为二阶系统形式,在选取闭环系统的自然频率、阻尼、闭环系统调节时间与超调量后,确定系统闭环极点,由极点整定了两个关键控制参数,积分增益取值参考PID控制器中积分时间参数的方法整定.在海浪干扰和船舶模型参数出现很大摄动的情况下,对所设计控制器进行了仿真试验,结果表明,所设计的控制器具有很好的鲁棒性,提出的整定控制器参数方法是可行的.     

基于模糊—神经融合的自适应模糊控制系统研究

模糊逻辑系统与人工神经网络各具优势,前者善于利用专家语言信息,后者有强大的学习能力,两者的结合可以取长补短。基于模糊逻辑系统与神经网络技术提出一种自适应模糊控制系统,其特点是模糊控制器具有多层前向网络结构。基于一种近最优的性能指标导出其参数自适应的误差反向传播算法。为了克服传统算法收敛慢的缺点,提出用模糊逻辑来调整学习过程的方法。通过倒立摆平衡控制仿真研究验证了所提出的自适应模糊控制系统及其快速学     

基于神经网络的自学习模糊控制

将神经网络与模糊控制相结合，提出了一种基于神经网络实现自学习模糊控制的方法，并给出了神经网络训练、控制器离线自学习、控制器在线自学习的相应算法，利用该方法，可以实现控制器的离线自学习和在线自学习，从而在控制对象发生变化时，通过控制器自学习改善系统的控制性能，仿真结果表明了该方法的有效性。