一类特殊路口的多相位模糊交通控制

模糊控制不需建立被控对象的精确数学模型,特别适用于具有较大随机性的城市交通控制。对一类特殊路口的交通流进行了分析,确定了相应的信号配时方案。提出了以当前相的主队列和后继相的主队列共同决定信号配时的模糊控制方法,阐述了模糊控制器的整个设计过程。以通过交叉口的平均车辆延误为性能评价指标进行了仿真实验,仿真结果表明模糊控制优于定时控制。     

基于ANN的模糊控制规则的自动生成

模糊控制规划集是模糊控制系统的核心部分，对控制的快速性和精度有很大影响，采用改进的ＢＰ算法生成模糊控制规则集。倒立摆模糊控制仿真表明，倒立摆稳定快，精度高，从而证明文中所提方法的有效性。     

基于模糊神经网络的变风量空调室内温度控制系统

本文将模糊理论的知识表达与神经网络的自学习能力结合起来,针对变风量空调温度控制系统提出了一种模糊神经网络控制方案,并详细阐述了模糊神经网络的结构、算法。对变风量空调室内温度控制系统进行仿真,验证了模糊神经网络应用于温度自动控制系统的可行性。     

基于神经网络推理器的自适应模糊控制器的仿真研究

在设计模糊控制器时,考虑到偏差和偏差变化在不同的控制阶段由不同的作用,利用神经网络对模糊控制器的参数进行调整,达到优化模糊控制器的作用.通过对具有纯滞后的二阶系统进行的仿真试验表明,与常规的模糊控制器相比,改进后的控制器对被控对象的参数的变化具有更强的适应性.     

基于神经网络模糊控制的单交叉口信号控制

在分析城市交通信号控制研究现状的基础上,提出一种基于神经网络模糊控制的单路口交通信号灯控制方法,通过检测当前相位的排队长度和下一相位的排队长度得出当前相位以及下一相位的车流密度,进而判断是否进行相位变换.以每个周期内交叉口的车辆平均延误作为控制指标,来判断该控制器的控制性能.计算机仿真结果表明,该方法能够降低车辆在交叉路口的平均延误.     

自适应模糊控制在交流调速中的应用

在研究交流调速系统控制方法的基础上，针对交流电机这种复杂的被控对象，利用神经网络实现交流调速系统的模糊控制，仿真结果表明，该控制方法具有很强的自学习和抗干扰能力，当突然加、减负载时，神经网络模糊控制与PID控制相比，具有恢复时间短，超调和振荡小等特点，神经网络模糊控制特别适用于结构复杂，干扰大且控制精度要求高的系统。     

交叉口多相位神经网络智能控制

针对城市交叉口交通流的特点和普遍存在的拥挤问题,以F-B配时理论为基础,提出了一种基于神经网络的交叉口多相位智能控制,并以镇江市大市口为例,在调查了大量的交通流数据的基础上,描述了建立网络的方法,给出了学习算法,仿真结果表明,该神经网络控制器具有良好的学习和泛化能力,实时性良好．     

基于神经网络的模糊控制

提出一种基于神经网络的模糊控制，其模糊化、模糊推理和模糊决策均由神经网络完成，并将用于模糊推理神经网络的输入节点由常规的２７个减少到１５个，减少了训练量。文末给出该模糊控制结构应用于典型环节的实时控制结果。     

神经网络与模糊控制在温度控制系统中的应用

本文提出了一种利用神经网络进行在线自整定的模糊控制系统,该系统结合了BP神经网络、模糊控制的优点,通过仿真实验表明,这种控制方法对具有时变性,干扰因素不确定性的系统有较好的控制效果。     

基于BP神经网络模糊控制的除盐水自动加氨控制系统

为了使除盐水的pH值快速稳定在给定指标范围内，设计了基于BP神经网络模糊PID智能控制系统。仿真结果表明，该控制系统具有更强的鲁棒性，良好的自适应能力，适用于缺乏精确数学模型且时变、非线性、纯滞后工业过程。     

基于模糊BP神经网络的垃圾焚烧炉控制系统

根据固体垃圾焚烧技术原理,结合垃圾焚烧炉运行特点,分析了垃圾焚烧过程与影响焚烧的主要因素,提出了基本模糊BP神经网络算法的垃圾焚烧炉控制方法.建立了垃圾焚烧炉炉温双端输入模糊神经网络（DIFNN）控制模型,并使用模糊BP神经网络控制算法对系统进行控制.仿真实验表明,该模糊BP神经网络控制能够适应复杂多变的焚烧过程的控制...     

神经模糊网络自适应模糊控制研究

提出了一种由样品辨识、模糊推理和控制处理 3个子网模块构成的基于知识的多层神经网络 .这种网络由各子网分别构成并按照最初的模糊控制结构适当连接而建立 ,具有明确区分各组成子网功能及其知识流结构 .由于综合了模糊逻辑的推理过程及神经网络的学习能力 ,使它能够在其结构中以模糊规则的形式引入语言知识并通过网络的训练及自学习对这些知识进行加工 ,从而实现了真正意义上的自适应模糊控制器 .最后还讨论了这种 NFN网络在动态过程控制中的应用     

基于神经网络的模糊控制器

提出一种基于神经网络的模糊控制器。它可以把模糊控制的控制规则转化为多层前向神经网络的一对输入、输出样本。用Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法对网络进行训练,使得网络记忆这些样本,并将这些样本以权值矩阵的形式存储的网络中。网络以”联想记忆“的形式来使用获得的经验对对象实施控制。知道了被控对象少量的定性知识,就可以用这种方法控制对象的行为,这种控制方案可用于对受控对象缺乏精确的数学描述或具有时滞     

模糊神经网络控制倒立摆系统

对单级倒立摆进行了详细的受力分析。通过建立模糊规则，构造模糊神经网络系统，运用BP算法对系统进行训练，并用这一网络对倒立摆进行控制。仿真结果表明，模糊神经网络有很广阔的适用领域。     

模糊神经网络模型参考自适应控制及其应用

提出一种模糊神经网络的自适应控制方案，给出了一种模糊神经网络模型和快速的优化学习算法（ＦＬＡ），通过网络的在线自学习不断修正模糊神经网络控制器的隶属函数和权值，实现了模糊逻辑规则的自动更新，经仿真结果和倒立摆控制表明，这类自适应控制具有良好的控制性能。     

基于混合学习算法的模糊小波神经网络控制

采用小波函数作为模糊隶属函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理.针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整.仿真结果表明,该网络能对不同的对象实施有效控制,且具有快速、适应性强等特点.     

一种基于模糊推理的神经网络学习算法

提出了一种新的神经网络学习算法．相对于其他学习算法，该算法侧重于网络参数的调整，通过对样本集的模糊推理、调整和分类学习来实现自适应的神经网络学习．结果表明，该算法能大大提高神经网络的学习速度和学习效率，并能从样本集中得到反常样本和小概率事件样本，对小概率事件样本有很好的学习能力．     

基于免疫遗传算法的超声电机模糊神经网络控制

针对超声电机参数的时变性、系统内在的非线性和系统的强耦合性等特点,提出基于免疫遗传算法的超声电机模糊神经网络速度控制策略．实验结果表明,与传统模糊神经网络速度控制相比,采用该方法的系统能较好地实现设定的超声电机速度参考模型的自适应跟踪,响应速度脉动小,具有控制灵活、适应性强、控制精度高、鲁棒性强等优点．     

基于神经网络的模糊控制系统的研究

从模糊理论和神经网络各自特点出发 ,详细讨论这 2大系统的联系和区别 .进一步将两者有机的结合起来 ,实现基于神经网络的模糊控制推理结构的设计 ,同时给出其设计的方法和步骤 .显示两者的结合是实现更完美智能控制系统的有效途径 .