一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播（FCP）网络辨识器和径向基函数（RBF）神经网络控制器组成,仿真结果表明了该方案的有效性。     

自适应模糊神经网络控制在电阻加热炉中的应用

提出一种自适应模糊神经网络控制器,着重讨论了自适应模糊神经网络的混合学习算法和自适应动量解耦的最速下降。人出了适于非线性时滞、基于径向基函数网络和自适模糊神经网络控制器的控制方案,并把它用在电阻加热炉中。实际应用表明,模糊神经网络控制器 具有良好的控制效果。     

自适应模糊神经网络控制器在电阻加热炉中的应用

提出一种自适应模糊神经网络控制器,着重讨论了自适应模糊神经网络的混合学习算法和自适应动量解耦的最速下降法。给出了适于非线性时滞、基于径向基函数网络和自适应模糊神经网络控制器的控制方案,并把它用在电阻加热炉中。实际应用表明,模糊神经网络控制器具有良好的控制效果。     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

模糊粒子群神经网络算法及应用

针对流程工业神经网络建模时,BP算法的局部收敛问题,采用模糊粒子群算法改进神经网络学习问题。该算法将模糊粒子群引入神经网络学习算法,使得粒子群的权重自适应更新,同时模糊粒子群自适应调整神经网络权重参数,改进网络收敛性。将算法用于建立乙烯裂解炉出口温度(COT)、裂解产品收率软测量模型,取得了较好的应用效果。     

不确定非线性系统的模糊鲁棒跟踪控制

提出了一种基于T-S模糊型的鲁捧自适应跟踪控制方法.整个控制方案在结合所有 的局部线性状态反馈控制器的基础上,引入了基于自适应神经网络的鲁棒控制器.所提出的 模糊自适应鲁棒控制器设计方法不需要求取李亚普诺夫方程的公共解,不要求系统的不确定 性项满足任何匹配条件或约束条件所提出的带有补偿项的完全自适应RBF神经网络,通过 在线自适应调整RBF神经网络的权重、函数中心和宽度,提高了神经网络的学习能力,可以 有效地对消系统的未知不确定性的影响.同时通过自适应补偿项来在线估计神经网络的近似 误差边界,弥补了神经网络的不足.所提出的方案保证了闭环系统的稳定性,有效地提高了 系统的鲁棒性和跟踪性能.仿真实例表明了所提出方法的有效性.     

自适应模糊神经网络研究

模糊神经网络提供了从人工神经网络中模糊规则的抽取。本文研究模糊神经网络的自适应学习，规则插入和抽取及神经－模糊推理的FuNN模型，把遗传算法作为系统模糊规则选择的自适应策略之一。     

基于模糊神经网络的通用模型自适应控制

自适应控制是一种提高系统鲁棒性的有效方法。模糊神经网络具有了模糊逻辑和神经网络两者的优点,结合模糊神经网络（Fuzzy Neural Network—FNN）自适应控制策略和通用模型控制（Common Model Control—CMC）方法,以此来实现被控对象的逆控制,提出了基于模糊神经网络的通用模型自适应控制（FNNC—CMAC）。此控制方法参考轨迹是一条典型二阶曲线,仿真结果验证了鲁棒性,与基于模糊神经网络的通用模型控制及基于模糊逻辑的通用模型自适应控制相比,其控制性能更好。     

一种模糊神经网络自适应预测控制方案的研究

提出了一种模糊神经网络自适应预测控制方案,对学习公式进行了理论推导,并结合误差补偿以提高预测控制的精度。仿真实验表明,该算法可实现模糊控制和神经网络的优势互补,对非线性复杂系统具备良好的控制性能     

基于修剪策略的D-FNN直接逆控制算法研究

神经网络是模拟人脑结构,它具有大规模并行及分布式信息处理能力,但是不能处理和描述模糊信息.模糊系统具有推理过程容易理解,但它很难实现自适应学习的功能.如果结合神经网络与模糊系统,可以取长补短.基于此,本文提出了一种新型动态模糊神经网络（Dynamic fuzzy neural network,D-FNN）学习算法.因为它具有结构和参数同时调整且学习速度快等优点,所以既可以在模糊逻辑系统中包含低级的神经网络学习和计算功能,也可以为神经网络提供高级的类似人的思维和推理的模糊逻辑系统.此外,本文还开发了生物医学工程应用算法程序,针对药物注射系统的直接逆控制案例进行了仿真,结果表明:D-FNN具有实时学习和控制能力强、参数估计和结构辨识同时进行等优点.     

基于模糊神经网络的导弹故障诊断专家系统

为了实现对导弹测发控系统的故障诊断,研究了模糊神经网络理论与算法,以及和专家系统的结合方式;综合神经网络、专家系统和模糊逻辑的各自优点和特点,提出了构建基于模糊神经网络的故障诊断专家系统的基本原则,并给出了一种构建方法;通过将传统的专家系统技术与模糊神经网络技术相融合,文中构造了某型导弹测发控系统智能故障诊断系统,验证了方案的可行性,为类似系统的进一步实现进行了有益的探索。     

Neural and Neurofuzzy FELA Adaptive Robot Control Using Feedforward and Counterpropagation Networks

In this paper, the application of neural networks and neurofuzzy systems to the control of robotic manipulators is examined. Two main control structures are presented in a comparative manner. The first is a Counter Propagation Network-based Fuzzy Controller (CPN-FC) which is able to self-organize and correct on-line its rule base. The self-tuning capability of the fuzzy logic controller is attained by taking advantage of the structural equivalence between the fuzzy logic controller and a counterpropagation network. The second control structure is a more familiar neural adaptive controller based on a feedforward (MLP) network. The neural controller learns the inverse dynamics of the robot joints, and gradually eliminates the model uncertainties and disturbances. Both schemes cooperate with the computed torque control algorithm, and in that way the reduction of their complexity is achieved. The ability of adaptive fuzzy systems to compete with neural networks in difficult control problems is demonstrated. A sufficient set of numerical results is included.     

一种基于Rough Sets和模糊神经网络的规则获取的方法

该文提出了一种基于RoughSets思想获取初始规则,并通过模糊神经网络优化,最后再进行简化获取模糊规则,及模糊系统参数学习的方法。并通过实例进行了自动列车运行系统仿真。文中还基于上述实例,将这种基于模糊神经网络的学习与控制方法与标准的BP网络和基本的模糊系统方法进行了比较,并总结了这种方法的特点。结论表明,该文所提出的模糊规则生成和模糊系统学习方法是行之有效的。     

三电机驱动系统的神经网络模糊自整定解耦控制

多电机驱动系统是一种多输入多输出、非线性、强耦合的系统.它广泛应用在许多需要高精度协调控制的驱动领域,比如电动汽车驱动、城市轨道交通以及印刷业等.本文提出了一种新的方法用于三电机驱动系统的速度与张力的解耦控制,其核心由模糊自整定控制与BP神经网络广义逆组成.首先,由神经网络广义逆与原系统串联实现复合伪线性系统;其次,在该伪线性系统中采用模糊自整定方法.仿真结果表明:所提方法能有效实现速度与张力间的解耦,将三电机驱动系统转化为多个具有开环稳定性的单输入单输出线性子系统,同时系统的响应速度快、超调量小、瞬态时间较短,具有良好的跟踪性能,这有助于改善系统的启动特性,降低系统振荡.     

时滞系统的经典控制与智能控制

研究了两类用于时滞系统控制的方法．即包括自整定PID控制、Smith预估控制和大林算法在内的经典控制方法和包括模糊控制、神经网络控制和模糊神经网络控制在内的智能控制方法．经过比较后认为经典控制结构简单、可靠性及实用性强．而智能控制则具有自适应性和鲁棒性好．抗干扰能力强的优势，因而将这两种控制方法结合起来是控制时滞系统有效实用的方法．具有很好的应用前景。     

基于自结构动态递归模糊神经网络的无人机姿态控制*

针对无人机非线性、强耦合等特点,提出了基于该自结构动态递归模糊神经网络的姿态控制系统,给出了基于Lyapunov函数的系统稳定性证明。对四层模糊神经网络进行了优化和改进,设计了自结构动态递归模糊神经网络,该网络可以根据系统状态在线更新权值、创建/删除节点、优化网络结构。仿真表明：该控制方法的突出优点是,在兼顾考虑了系统中的不确定性因素、非线性因素及外部干扰并存的情况下,保证系统的稳定性和跟踪性能;同时此网络结构比固定结构的模糊神经网络响应速度快,因此更具优越性。     

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。     

神经模糊技术的研究现状与展望

从三方面综述了模糊逻辑与神经元网络的研究现状，基于神经元 模糊控制，模糊神经元网络和用模糊逻辑增强的神经元网络，以及它们在控制中的某些应用，最后探讨了今后的发展方向。     

补偿模糊神经网络自适应逆控制的仿真研究

该文应用的补偿模糊神经网络（CFNN）是结合补偿模糊逻辑和神经网络的混合系统。由于引入补偿神经元使网络容错性更高,系统更稳定;同时模糊运算采用动态的、全局优化运算,并在神经网络学习算法中动态优化补偿模糊运算,使网络更适应,训练速度更快。将补偿模糊神经网络与白适应逆控制原理结合应用到某位置伺服系统噪声消除控制中,并同用BP网络,传统PID控制和常规模糊神经网络控制效果比较来证明此方法的优越性。仿真结果表明补偿模糊神经网络自适应逆控制在缩短训练时间,提高控制精度等方面都有显著改善。