模糊神经网络在统一潮流控制器中的应用

UPFC作为一种串联于输电线上的补偿设备,具有快速调整有功功率和无功功率的能力,为电力系统的稳定提供了强有力的手段.具体介绍了模糊神经网络的基本理论,并且将模糊神经网络控制器的理论用于UPFC的潮流控制,提出了基于模糊神经网络的统一潮流控制器的设计方案,仿真研究表明,采用模糊神经网络控制方法比传统的PI控制能得到更快的响应时间,对有功和无功的变化具有很好的追踪控制能力,是一种行之有效的控制方法.     

一种自组织模糊神经网络控制器

采用一种具有结构和参数学习能力的自组织模糊神经网络控制器设计方法。这种控制器无需事先确定模糊控制规则，能在控制过程中通过神经网络的结构及参数学习在线调整模糊神经网络的结构、产生模糊控制规则、调整规则的参数。仿真表明该控制器能用于一定纯滞后时变对象的控制，具有良好的控制性能。     

一种最优模糊神经网络控制器

基于最优控制的思想,通过对控制系统的过程模拟,提出一种最优模糊神经网络控制器的设计方案,首先利用基于十进制编码机制的遗传算法寻找最优的控制器结构,然后利用基于浮点数编码机制的遗传算法寻的最优的控制器参数,仿真结果表明该控制器优于常规模糊控制器。     

模糊神经网络控制器

自从1965年美国学者LAZadeh教授提出模糊集合论以来，模糊系统理论得到很大的发展，而1974年英国剑桥的E．H．MhlTldani首次应用模糊控制实现了对蒸汽机的控制。使人们对模糊控制引起了极大的热情。近二十年来，模糊控制经历了重大的发展与演变，现已深入到自组织控制，预测控制．多变量控制等方面。但是，无论是何种模糊控制系统，其核心都集中于模糊推理框架。如何将模糊规则表达与近似推理有机结合起来，实现高速动态推理，一直是尚待解决的问题。近年来随着人工种经网络理论的发展，人们开始将神经网络和模糊控制相结合，构成模糊神…     

基于神经网络的自适应模糊控制器

本文提出了一种基于神经网络的自适应模糊控制器，控制器为５层前向结构，其输入和输出均为数值量。根据给定的训练数据，通过学习算法，能够实现前件参数和后件参数的辨识，提取控制规则，最后通过仿真实验证明了这种方法的有效性。     

神经网络模糊控制器的研究

本文讨论如何用人工神经网络（ANN）构成模糊控制器（FLC）的问题，基于ANN的FLC能通过在线学习提高它的适应能力实现智能控制，这里提出的经网络控制器NNFLCFC以动态系统的状态变量为输入，输出则是控制信号。     

基于自适应评价UPFC神经网络控制器设计

对含UPFC(统一潮流控制器)的电力系统提出一种新型的非线性最优神经网络控制器。启发式动态规划(HDP)是自适应评价设计(ACDs)体系中的一员,采用HDP来设计UPFC神经网络控制器。和传统的PI控制器相比,这种神经网络控制器能够提供非线性最优控制。仿真结果表明,此种控制器具有很好的控制效果。     

利用神经网络进行推理的模糊控制器

本文介绍了一种利用神经网络进行推理的模糊控制器。网络的输入和输出均为模糊集。训练后的网络能完成合成关系，即模糊推时。为了减少ＢＰ网络的高线训练时间，对模糊集进行了“编码”。最后给出了该控制器应用于曲线环节的实时控制结果。     

基于遗传算法的模糊神经网络控制器设计及其稳定性分析

首先根据联结主义思想模糊控制器设计问题转化为对模糊神经网络参数的设计和优化,然后通过遗传算法对模糊神经网络的参数进行集中优化,得到了被控对象的一个最优或次优的控制器－模糊神经控制器,稳定性分析为此设计理论依据。     

基于遗传算法的RBF神经模糊控制器

基于RBF网络和T-S模糊推理过程的函数等价性，将遗传算法引入RBF网络，并结合RBF网络常用的梯度法构成一种模糊控制、RBF网络及遗传算法三者合一的的控制器，从而达到准确、快速的控制。     

非线性量化小脑模型关节控制器神经网络控制器

常规小脑模型关节控制器(CMAC)神经网络采用线性均匀量化,稳态控制精度与量化级数相关,增加量化级数可提高稳态精度但会导致内存空间和计算量的增加.本文提出一种可采用幂函数、高斯、分段3种非线性量化方法的非线性量CMAC神经网络,并分析了非线性量化CMAC的收敛性,解释了非线性量化提高稳态精度的本质.面向一阶惯性环节、二阶系统、一阶时变系统及二阶时变系统,分别跟踪方波、斜坡、正弦波、三角波和加速度等输入信号,仿真验证了非线性量化CMAC神经网络控制器的有效性,给出了不同非线性量化方法的适用性.结果表明,非线性量化CMAC参数容易设定,物理意义清晰,与常规CMAC对比,其快速性和控制精度显著提高,可以有效解决实际复杂非线性时变系统的控制.     

DE优化T-S模糊神经网络的交通流量预测

提出了一种差分进化算法优化T-S模糊神经网络预测交通流量的算法方法.该算法利用差分进化来弥补T-S模糊神经网络连接权值和阂值选择上的随机性缺陷,从而能发挥T-S模糊神经网络泛化的映射能力,而且能使T-S模糊神经网络具有较快的收敛性以及较强的学习能力.将该算法应用到实测交通流进行算法的有效性验证,并与传统的T-S模糊神经网络进行比较,仿真结果表明,该算法具有更好的非线性拟合能力和更高的预测准确性,在交通流量预测领域具备可行性和有效性.     

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Sugeno型神经模糊系统的交通流状态预测算法

从交通流状态的模糊特性出发,设计基于Sugeno型神经模糊系统的交通流状态预测算法.选择交通流状态的影响指标作为模糊推理系统的输入、交通流状态作为输出;据经验对输入、输出划分模糊子集,给出相应的隶属度函数并制定模糊规则;建立具有5层结构的神经模糊推理系统,利用神经网络优化调整模糊推理系统的隶属度函数和模糊规则.仿真实验表明,神经网络可直接优化模糊推理系统的隶属度函数,通过对连接权值的训练间接优化模糊规则,故Sugeno型神经模糊系统相比常规模糊系统具有更好的交通流状态预测性能.     

Fault tolerant control based on neural network interval type-2 fuzzy sliding mode controller for octorotor UAV

In this paper, a robust controller for a six degrees of freedom (6 DOF) octorotor helicopter control is proposed in presence of actuator and sensor faults. Neural networks (NN), interval type-2 fuzzy logic control (IT2FLC) approach and sliding mode control (SMC) technique are used to design a controller, named fault tolerant neural network interval type-2 fuzzy sliding mode controller (FTNNIT2FSMC), for each subsystem of the octorotor helicopter. The proposed control scheme allows avoiding difficult modeling, attenuating the chattering effect of the SMC, reducing the number of rules for the fuzzy controller, and guaranteeing the stability and the robustness of the system. The simulation results show that the FTNNIT2FSMC can greatly alleviate the chattering effect, tracking well in presence of actuator and sensor faults.     

基于自适应模糊控制器的无线传感器网络功率控制

针对现有的无线传感器网络（WSN）功率控制方法存在的节点早死问题,提出一种考虑节点剩余能量的功率控制方法——SAFPC。首先,设计了具有"输入-输出-反馈"机制的两级模糊控制器系统模型,主控制器负责节点发射功率调节,从控制器负责期望节点度调节,自适应地根据网络中节点剩余能量来调节发射功率;然后,分别对主、从控制器的模糊化、模糊规则及解模糊过程进行了详细描述;最后,从网络收敛时间、平均能耗以及生命周期方面对SAFPC进行了仿真分析。实验结果表明,与模糊控制传输功率方法（FCTP）相比,SAFPC收敛速率快12.5%,在不同网络规模情况下节点平均能耗降低3.68%,网络生命周期延长7.9%。可见,SAFPC能有效延长网络生命周期,提高网络动态适应性及链路鲁棒性。     

An adaptive predistorter using modified neural networks combined with a fuzzy controller for nonlinear power amplifiers

In digital radio systems, high data transmission rates require the use of spectrally efficient linear modulation techniques; however, these techniques are generally sensitive to nonlinearity caused by the high-power amplifier (HPA) employed in transmitter systems. The nonlinearity of HPA is potentially responsible for spectral spreading, adjacent channel interference (ACI), and degradation of bit-error rates (BERs). This article proposes an adaptive predistortion scheme to compensate for the HPA's nonlinearity by combining adaptive structure-varying neural networks and a fuzzy controller. Simulations show that this predistortion scheme can very effectively prevent the warping of the signal constellations, thus reducing the system's BER and learning time. © 2003 Wiley Periodicals, Inc. Int J RF and Microwave CAE 14: 15–20, 2004.     

基于PID型模糊神经网络的火电站汽包压力控制

为克服火电站燃料-汽包压力调节对象的非线性、时变和纯迟延特性, 采用含自回归神经元的PID型模糊神经网络作为汽包压力控制器, 进行协调控制系统的设计. 仿真研究表明, 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该对象的时变性和随机性干扰, 大大改善控制品质.     

社会情感算法优化神经网络的短时交通流预测

针对反向传播(BP)神经网络用于交通流预测易陷入局部最优且寻优速度慢的问题,采用了社会情感优化(SEO)BP神经网络的参数,以SEO中的个体为一个BP神经网络,以3种情绪为表现形式,通过个体间的合作竞争进行寻优.运用Levy、正态、柯西分布3种情绪随机选择策略,通过不同方式实现了以不同的概率选择不确定的情绪,使SEO中情绪更好地模拟人的正常心理变化.实验表明:该模型较其他模型更有利于搜寻全局最优解,能有效提高短时交通流的预测精度.