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。     

基于HGA的模糊神经控制充电器设计与实现

将神经网络与模糊控制相结合,实现了模糊控制器的自学习和自适应,提出了基于递阶遗传算法的模糊神经网络优化算法来进行蓄电池的充电控制,通过对每个染色体采用递阶编码,可以同时优化模糊神经网络结构和权值参数,实现对非线性的、时变的、有干扰的、具有纯滞后的蓄电池充电控制系统的最佳控制.     

基于神经网络的自适应模糊控制在交流调速中的应用研究

针对现代的交流调速系统中存在的问题,充分利用神经网络的自学习自适应能力和快速计算能力,提出了一种用径向基函数(RBF)神经网络来实现的具有在线自调整功能的模糊控制方案,并给出了把神经网络和模糊控制器相结合的基本设计方法.通过实际交流调速系统的实验表明,该控制方案与传统的PID控制相比,具有鲁棒性强、恢复时间断和超调量小等特点.     

动态神经网络自组织模糊控制在交流调速系统中的应用研究

利用动态神经网络所具有的并行处理、分布式信息存贮、自学习自适应的特点,实现了对结构复杂、干扰大且控制精度要求高的变频调速系统的控制.仿真结果表明,控制方法具有很强的自学习和抗干扰能力.与PID控制作对比研究的结果表明,神经模糊控制超调小、响应快、无静差、鲁棒性强,具有较好的动、静态品质.     

动态神经网络自组织模糊控制在交流调速系统中的应用研究

利用动态神经网络所具有的并行处理、分布式信息存贮、自学习自适应的特点,实现了对结构复杂、干扰大且控制精度要求高的变频调速系统的控制.仿真结果表明,控制方法具有很强的自学习和抗干扰能力.与PID控制作对比研究的结果表明,神经模糊控制超调小、响应快、无静差、鲁棒性强,具有较好的动、静态品质.     

蓄热式加热炉的神经网络燃烧控制

蓄热式加热炉温度对象具有非线性、大滞后的特点，本文运用神经网络的控制方法，在被控对象进行在线辨识的基础上，对神经网络权系数进行实时调整，使系统具有自学习、自适应性，仿真效果表明其控制效果优于一般PID控制。     

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．     

基于BP神经网络的多变量PID解耦控制

基于神经网络实现智能PID控制的策略,它以经典的PID控制为基础,通过神经网络参数整定实现,进而进行自学习,用于多变量系统的解耦控制.论文给出了网络的结构和算法,对一组二变量强耦合时变系统进行了仿真.通过计算机仿真证明了基于神经网络的PID控制器网络结构简单规范具有良好的自学习和自适应解耦控制能力.系统易于实现,融解耦器与控制器于一体,适用于非线性多变量系统的解耦控制.能够使解耦后的系统具有良好的动态和静态性能,特别是依据BP控制规律来确定网络连接权的初值,还具有参数快速收敛的优点.     

基于神经网络的自学习控制

本文提出了一种基于神经网络和专家系统技术的自学习控制方法，该方法用BP算法训练控制器，采用专家系统技术生成教师信号指导学习过程。仿真结果表明该方法具有较强的自学习能力。     

基于BP神经网络的模糊PID风量控制

针对煤矿主风机通风系统多变量、非线性、时变滞后性等问题,提出一种基于BP神经网络的模糊PID算法。该算法综合神经网络、模糊控制与PID调节的各自优点,既具有神经网络的自学习和自适应能力,又具有模糊控制的非线性控制作用,同时兼备PID调节的广泛性。仿真结果表明,该算法的响应速度、稳态精度均优于传统的PID调节,取得比较理想的控制效果。     

基于动态模糊神经网络的多余力矩抑制方法

针对负载模拟器难以准确建模,多余力矩严重影响力矩加载性能的特点,提出一种基于动态模糊神经网络抑制多余力矩的新方法．该动态模糊神经网络无须较强领域的专家知识,是系统自动建模及抽取模糊规则的网络,且模糊神经网络结构是动态变化的,其模糊规则是在学习过程中逐渐增长而形成的．设计了结合前馈反馈控制和直接逆控制的控制策略,在线更新算法,实时更新网络结构及参数以及时跟踪被控对象逆模型的变化,与其并行的PID控制器的作用在于保持系统的稳定并获得更快速的系统响应和更佳的跟踪精度．通过仿真可以看出基本消除了多余力矩,系统性能得到改善,仿真效果令人满意．     

汽车半主动悬架神经模糊融合网络控制

针对汽车半主动悬架模糊控制器的模糊控制规则无法有效调整的问题,建立了两自由度1/4车辆模型.利用白噪声模拟路面激励并作为系统的输入,将人工神经网络与模糊逻辑控制相融合,采用人工神经网络模拟模糊控制过程,实现了模糊规则的自适应调整.将直接控制力作为参考控制力对神经网络进行训练,输出控制力结合开关控制策略实现悬架的半主动控制.仿真分析表明,神经模糊融合网络控制器相对于模糊控制器和被动悬架,使悬架性能得到了显著的改善.     

基于模糊神经网络的非线性系统预测函数控制研究

针对预测函数控制难以很好地实现非线性系统控制的问题,将模糊神经网络与预测函数控制相结合,设计一种基于模糊神经网络的非线性系统的预测函数控制器。用模糊神经网络辨识非线性系统的模型,辨识结果送到预测函数控制中,从而得到预测模型,最终得到最优的控制量。通过Matlab计算机仿真,可以看出此控制器对于非线性系统具有良好的控制效果和鲁棒性。     

采用高木—关野模糊系统的自适应控制器

采用神经网络 ＢＰ算法提供信息对经验规则进行修改,用 Ｐｉ－Ｓｉｇｍａ神经网络表示的高木－关野模糊系统作为模糊控制器。对于对象模型参数变化的自适应性及系统控制规则参数的修改使控制输出能较快地跟踪系统输入。     

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。     

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。     

基于性能协调的溶解氧复合控制方法

针对常规比例积分微分(proportion-integral-derivative,PID)控制存在精度不高,在线自适应差的缺点,提出了一种在线PID-TS模糊神经网络复合控制方法.该方法利用TS模糊神经网络的自学习能力提高溶解氧的控制精度,并通过构造的性能协调因子在线调整两者权重.将提出的控制方法应用于国际基准仿真平台.结果表明:所提方法能有效控制污水中的溶解氧参数,与常规PID和BP(back-propagation)神经网络控制器相比,该方法具有更优的动态性能.     

基于聚类有效性神经网络的模糊规则提取方法

模糊控制以其自适应性、鲁棒性和易于实现等优点得到广泛应用 .然而模糊控制规则的获取通常由专家根据经验给出 ,这就存在诸如规则不够客观、专家经验难以获取等问题 .作者给出一种基于聚类有效性神经网络的模糊规则提取的新方法 .该方法采取对训练样本预划分子集聚类 ,模糊语言量的自动确定 ,模糊隶属度函数自适应调整等策略 ,克服了以往规则提取法在训练样本不充分时 ,规则提取不足及规则数目难以确定等缺点 ,并结合神经网络技术使所提取的控制规则的质量得到提高 ,改善了模糊控制器的性能 .最后 ,以倒车系统为例证明了该方法的有效性