基于神经网络再建模的模糊PID控制器精简化研究

针对模糊控制算法的计算复杂性和实时性能差的问题,以模糊PID控制器为研究对象,利用神经网络的万能函数逼近能力,通过神经网络二次建模,精确的逼近已知的模糊PID控制器,从而减少运算量,实现实时控制.然后,给定不同的输入信号,分别用模糊控制器和等效神经网络模型控制同一个被控对象.结果表明,控制效果非常相似.因此,用精简的神经网络模型来代替模糊控制器,可减少计算的复杂性,避免维度灾难,提高实时性能.     

模糊神经网络自学习控制器及其应用

本文提出了一种模糊神经网络自学习控制方法，并介绍了采用多层神经网络表达模糊控制的知识规则、模糊推理和学习算法。经实验仿真结果表明这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性能优于一般模糊控制。     

面向伙伴选择的模糊Markov博弈控制及仿真研究

针对不确定条件下的伙伴选择决策问题,把自适应模糊控制系统理论及神经网络理论引入到Markov博弈中,提出一种基于多智能体的伙伴选择模糊控制模型。该模型引入基于ANFIS和神经网络的模糊神经网络,实现了一种全新的进行值函数逼近的梯度下降Q学习的算法。并应用该模型对伙伴选择问题进行研究,对多影响因素进行FNN学习,将输出量作为标准Markov博弈模型的输入量,得到影响的策略,最后研究了一个应用实例,利用具体历史数据对建模方法和模型进行了验证和分析。     

基于模糊Chebyshev基函数神经网络的快速学习算法

将模糊控制与神经网络相结合，用神经网络来实现模糊推理，提出了一种以Chebyshev基函数为隶属函数的模糊神经网络。由于无需调整隶属函数的参数，因此该模糊神经网络模型算法的计算量大大减小，仿真结果表明了该模型算法的有效性和快速性。     

模糊建模与控制的神经网络方法及其仿真研究

本文提出了一种复杂系统模糊建模及控制的神经网络方法。利用改进的ｐｉ－ｓｉｇｍａ 网络，对模糊规则的结论参数和隶属函数进行在线修正，实现模糊规则的自组织。这种方法被用于降水量预报和机器人解耦控制，取得了满意的仿真结果。为增强神经网络仿真算法的快速性，本文采用了一种基于向量的数据结构，并用标识阵指示神经元的连接状态，以实现有效的内存运算。     

基于模糊/PID控制的渠道运行系统设计和仿真

将传统控制方法与模糊控制理论相结合,利用MATLAB模糊逻辑工具箱设计了一种模糊/PID控制器,用于渠道运行系统的控制,并利用SIMULINK建立了渠道运行的仿真模型,实现了对系统的仿真.结果表明,模糊/PID控制集PID控制与模糊控制的优点于一体,使系统在保持良好的稳态性能的同时,又获得了良好的动态性能.     

一种模糊神经网络自适应预测控制方案的研究

针对现有模糊推理方法的缺点，结合神经网络的学习能力和插值能力，提出了一种新型的模糊神经网络结构。在此基础上设计了一种模糊神经网络自适应预测控制方案，并导出了相应的学习算法。同时引入了预测误差的智能补偿，以提高预测及控制精度。仿真实验表明，该算法能实现模糊控制和神经网络控制的优势互补，在非线性复杂系统的控制方面具备较高的性能。     

多关节机器人的全局快速终端模糊滑模控制

针对多关节机械臂轨迹跟踪控制,提出了一种全局快速终端模糊滑模控制方法.该方法根据滑模控制原理,采用模糊控制调节滑模控制的切换增益,并利用积分的方法自动对系统的建模误差和干扰的上界进行评估,实现了对建模误差和干扰的自动跟踪,削弱了抖振.文中利用李亚普诺夫定理证明了系统的稳定性,仿真结果表明了其有效性.     

基于模糊神经网络和R/S分析的股票市场多步预测

将输入空间划分为若干个相互重叠的模糊子空间 ,并在子空间内 ,利用线性模型对非线性系统进行局部建模 ,最后内插局部模型的输出 ,得到非线性系统的全局模糊建模 .基于 Sugeno模糊推理模型的模糊神经网络 (自适应网络模糊推理系统 ANFIS)正是上述模糊建模思想的神经网络实现的一种形式 .R/ S分析表明 ,上海股票市场的价格波动具有长期记忆性 ,因而可以预测 .基于此 ,利用 ANFIS对上证综合指数进行多步预测 ,得到比较好的预测结果.     

电液伺服系统的建模方法研究与应用

详细讨论了电液伺服系统的各种建模方法:采用机理建模法,构造了电液伺服系统的传递函数;采用模糊建模和神经网络,实现了电液伺服.系统的智能建模.首先介绍了某型号武器中的自动定深电液伺服系统,提出了获取建模数据的方法,然后详述了传递函数、模糊模型和神经网络三种具体的建模算法,最后以自动定深电液伺服系统为例,构造电液伺服系统的五种模型,并对各模型进行了详细分析,为进一步实现电液伺服系统的控制奠定了基础.     

基于遗传算法的模糊神经控制及其应用

将遗传算法和模糊神经网络结合起来，提出一类智能控制方案。仿真实验和实际温控表明，这类智能控制器可改善具有时变、非线性及大纯滞后系统的控制品质，其性能优于一般模糊控制。     

TSK动态网络及其在非线性动态系统中的应用

针对非线性动态系统特点，提出了一种新型的基于TSK模糊模型的动态回归模糊神经网DRFNN（Dynamic recurrent fuzzy neural networks），并给出了网络参教的迭代算法和基于李亚普诺夫稳定理论的收敛性证明。该动态回归网络由静态网络和内反馈动态回归网络组成，在结构上更好的拟合了非线性动态系统特点，应用于非线性动态系统的辨识和控制的试验结果也说明该动态回归模糊神经网络对解决非线性动态系统辨识和控制问题的有效性。     

基于神经网络的一类非线性系统的变结构控制

在已知名义系统的基础上 ,将小脑关节模型控制器 (CMAC)神经网络用于一类状态反馈可线性化的多输入多输出连续时间非线性系统的变结构控制中。利用自适应技术估计了估计误差的大小 ,减小了系统的不确定性 ,并利用模糊控制技术调整了变结构增益 ,改善了系统的性能。在很弱的假设条件下 ,应用Lyapunov稳定性定理证明了闭环系统内的所有信号为均匀最终有界。算法在导弹控制系统中的应用进一步证明了本文方法的有效性。     

非线性系统一种新的模糊自适应后推设计方法

研究了一类非线性系统的自适应跟踪问题。利用系统设计过程所得误差信息,提出了一种新的模糊间接自适应后推设计方法。与常见的后退方法相比较,该方法可以获得更简洁的控制器表达形式。基于李亚普诺夫稳定性理论,给出了闭环自适应系统一致渐近有界的证明。仿真结果验证了本方法的有效性。     

模糊系统和神经网络的融合技术

概述了模糊、神经网络和人工智能技术之间的关系，重点探讨了模糊和神经网络的特点；综合并分析了模糊系统和神经网络的结合方式，其中包括两种系统的串、并联结合方式，基于神经网络的自适应模糊系统和基于模糊系统的神经网络模型等；此外，还就模糊系统和神经网络系统的输出，从定量角度讨论了模糊系统和神经网络的功能等价性，并给出了相应的定理和证明。     

一种自适应鲁棒跟踪模糊控制新算法

针对一类非线性不确定系统 ,在用T S模糊系统对未知聚拢不确定函数进行逼近的基础上 ,利用系统的耗散理论 ,系统地提出了一种自适应鲁棒跟踪模糊控制新算法。该算法基于一个新的Lyapunov函数 ,不仅可以使控制算法避免其它自适应控制算法中时常存在的奇异问题 ,而且还可以使自适应学习参数的数目减至最少 ,便于工程实现 ,并可确保闭环系统渐近稳定 ,系统的跟踪误差为零。经仿真研究表明 ,所提出的算法是有效的     

Hybrid approach for fuzzy system design

A hybrid approach for fuzzy system design based on clustering and a kind of neurofuzzy networks is proposed. An unsupervised clustering technique is firstly used to determine the number of if-then fuzzy rules and generate an initial fuzzy rule base from the given input-output data. Then, a class of neurofuzzy networks is constructed and its weights are tuned so that the obtained fuzzy rule base has a high accuracy. Finally, two examples of function approximation problems are given to illustrate the effectiveness of the proposed approach.     

直接鲁棒自适应模糊控制

针对一类不确定非线性系统 ,基于监督控制方案并利用第二类模糊系统的逼近能力 ,提出了一种直接鲁棒自适应模糊控制器设计的新方案。该方案通过引入最优逼近误差的自适应补偿项来消除建模误差的影响 ,从而在稳定性分析中取消了要求逼近误差平方可积或逼近误差的上确界已知的条件。理论分析证明了闭环控制系统是全局稳定的 ,跟踪误差收敛到零。仿真结果表明了该方法的有效性。