一种新的模糊自校正控制学习算法

提出一种基于模糊竞争学习的模糊自校正控制方法.通过基于模糊竞争学习确定一种在线模糊辨识算法,在采用此模糊辨识方法对对象进行在线估计的基础上,用调节器实现参数的自动整定.为了验证所提方法的有效性,给出了非线性系统的控制结果.     

一种基于模糊神经网络的自适应模糊辨识方法

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)。首先，基于模糊竞争学习算法确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。其次，利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁，逼近能力强，能够显著提高辨识精度，并且辨识的模糊模型简单有效。最后，将该AFNN用于非线性系统的模糊辨识，仿真结果验证了该方法的有效性。     

一种模糊神经网络控制系统研究

针对被控过程的非线性、时变性和复杂性,提出了一种模糊神经控制器与动态辨识器组成的控制系统。该系统的控制器采用模糊神经网络控制器,它的控制参数采用遗传算法全局离线优化对BP算法局部在线调整相结合的混合方法;该系统的辨识器采用变形Elman动态神经网络进行系统辨识。给出了该系统的结构、原理及工作流程,通过仿真实验证明该系统的可行性和有效性。     

基于模糊神经网络的动态非线性系统辨识研究

针对静态模糊神经网络对动态系统辨识精度低的特点,在5层静态模糊神经网络基础上进行了优化和改进,形成了可将暂态信息记忆于网络的动态回归层的动态模糊神经网络,来提高对动态系统的辨识能力。同时给出了参数的动态自适应学习算法。通过仿真实验,证明提出的动态模糊神经网络对动态非线性系统的辨识,可以取得较好的辨识精度,较快的网络收敛速度,为动态非线性系统的辨识提供新的思路。     

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T-S模糊模型的模型参考自适应逆控制

针对非线性系统,提出一种基于T-S模糊模型的模型参考自适应逆扰动消除控制方法。所提方法根据模糊辨识理论与模型参考自适应逆控制各自的特点,将两者相结合。首先,根据模糊系统理论,分别采用模糊对角线划分和递推最小二乘算法进行前提和结论参数辨识,离线辨识得到对象模糊模型和逆对象模糊模型。将辨识出的对象逆设为原始控制器,与被控对象串联;为了分离出系统扰动信号,将辨识出的对象模型与被控对象并联,通过被控系统与对象模型输出做比较,再通过逆对象模型反馈到系统输入端,组成扰动消除环节。用最小均方差算法在系统运行过程中在线调节逆对象模糊模型参数,使其输出误差最小。最后,使用所提方法对一混合非线性系统及输入/输出非线性系统进行仿真试验,仿真结果验证了所提方法的有效性。     

基于组合式信号源的非线性系统辨识

针对非线性系统中噪声的干扰，研究了一类神经模糊Hammerstein输出误差非线性系统的建模和辨识方法，利用组合式信号源实现静态非线性模块和动态线性模块参数辨识的分离，推导了相关性分析法和辅助模型递推最小二乘辨识方法估计动态线性模块和非线性模块的参数，有效抑制系统输出噪声的干扰。仿真结果表明：与最小二乘算法、多项式模型以及多信息方法相比，提出的方法具有参数估计收敛速度快，辨识精度高，建模误差小等优势，验证了所提学习算法的有效性。     

基于在线聚类的机器人自适应模糊建模

针对机器人这种具有时变、强耦合和不确定性的复杂非线性被控对象,提出一种基于在线聚类的模糊自适应方法用于机器人系统建模。建模过程中采用在线聚类算法辨识机器人T-S模型的前提参数,采用递推最小二乘算法(RLSE)辨识结论参数,根据过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新,而且该方法具有模型结构简单、建模速度快、精度高等优点。最后通过二自由度机器人仿真研究证明了该方法的有效性和优越性。     

一种模糊神经网络学习算法:移动小论域法

提出了一种T-s模糊神经网络在线学习算法：移动小论域法，解决非线性控制对象的在线辨识的精度和实时性问题。该算法是在前后件参数可分离的离线混合学习算法基础上，通过分析隶属函数类型及论域模糊子集划分稠必程度对辨识精度的影响后提出来的。不同于传统模糊化进程，此法使用了移动的小论域窗口在此窗口上划分较少的模糊子集技术产生网络前件模糊化参数，解决了模糊神经网络学习中精度和实时性相互制约的矛盾。仿真结果证实该算法精度高，实时性好。     

基于TS模糊模型的热工过程建模方法

热工过程对象通常具有复杂的动态特性和非线性、强耦合、不确定性等特征,从而使得常规建模方法难以取得满意的效果,因此提出一种改进型TS模糊模型在线建模方法。此建模方法基于以下思想,首先提出基于中心粒群算法的截集模糊C-均值聚类算法并对TS模糊模型进行模型结构离线辨识,确定模型的结构和前件部分参数的初始值;然后应用解耦扩展卡尔曼滤波算法进行后件参数在线辨识,同时对前件辨识结果进行精确修正。最后,对煤气炉、500MW机组及气化炉等热工过程进行仿真计算表明本方法具有精度高、计算量小等优点。     

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。     

基于神经网络的防空武器多目标火力分配模型

首先通过对防空Ｃ３Ｉ辅助决策系统中火力分配问题的分析，针对目前火力分配数学模型的目标函数单一的状况，建立了一种多目标函数的火力分配模型。在此基础上，基于对不确定因素的考虑，引入模糊集概念，建立了一种多目标火力分配模糊优化模型。为克服传统方法求解组合优化问题的困难，利用优化神经网络给出了算法。     

灰色关联度公式的几种拓广

基于灰色关联度的灰关联分析是灰色系统理论中最成功的理论和方法。依据灰关联四公理，将一般关联度公式拓广到矢量序列、复数序列、矩阵序列、模糊数序列、张量序列情形，为扩大灰关联分析方法的应用领域提供了理论根据。     

一种基于模糊规则的模糊辩识方法

提出了一种基于模糊聚类和最小二乘估计方法的模糊辨识方法。该方法是基于模糊聚类,计算给定样本在各类中的隶属度,并给出输入变量的隶属度函数。利用递推最小二乘估计辩识模糊模型的后件参数,本文给出了详细的的算法。为了验证该方法的有效性,本文给出了Ｂｏｘ－Ｊｅｎｈｉｎｓ数据的辨识结果。     

基于故障率为模糊数的故障树分析方法研究

在经典故障树分析方法的基础上，引入模糊集合理论，针对基于系统各部件故障率分别为三角形和正态型模糊数情形，应用Ｚａｄｅｈ 的扩展原理和模糊数运算法则对模糊故障树分析方法作了研究，最后给出了一个应用实例。     

N维足码选择定位法——一种新的群决策方法

在二维足码选择定位法的基础上，建立ｎ 维足码选择定位法，形成了一个能解决二维到ｎ 维的更全面的综合排序的群决策方法．     

快速模拟退火算法用于MESFET大信号建模

对快速模拟退火算法的关键参数进行确定，将该算法应用于微波半导体大信号建模，解决了多变量非线性优化难题，实验结果表明该方法是有效的。从而为解决ＭＥＳＦＥＴ（ＭｅｔａｌＳｅｍ ｉｃｏｎｄｕｃｔｏｒ Ｆｉｅｌｄ ＥｆｆｅｃｔＴｒａｎｓｉｓｔｏｒ）大信号建模问题提供了一种新思路。     

汽轮机调速系统模糊控制的研究

针对汽轮机调速系统的特点，设计了一种简单、实用的PI型模糊控制器，给出了它的解析表达式，分析了它的工作机理，说明了它的优越性；并根据基于增益和相位裕度的线性PI控制器参数的整定规则，给出了模糊控制器参数的整定公式，解决了模糊控制器的参数整定问题，使这种模糊控制器更加实用化。最后，通过仿真实验验证了这种方法的可行性。     

基于证据理论的群决策层次评价方法研究

运用证据理论对具有不确定信息的多属性群决策层次评价问题提出了一种新的解决方法。首先对专家的模糊评判语言作出了定量描述 ,对专家评判中由于主观认识的局限性使评判具有不准确性的问题进行了研究 ,构造了一种新的表示专家不确定意见的信任度方法 ,解决了在这种表示下的群体意见和多个指标的层次综合问题。算例表明 ,该方法评估结果客观、合理 ,对群决策层次评估问题很有效