Fuzzy的自学习控制

针对常规模糊控制器的弱点,提出一种模糊自学习控制器,论述了结构的设计方法,是一种基于模糊的自学习控制器。     

一种具有自学习功能模糊控制器的设计与实现

为了克服常规模糊控制器的缺陷，作者设计并实现了一种具有自学习能力的模糊控制器，并应用于蓄电池的化成充电控制之中．同常规模糊控制器相比，它可以更好地控制系统的动态性能．     

机器人模糊学习控制

针对机器人轨迹跟踪控制问题,提出一种模糊学习算法,并设计出结构合理的模糊学习控制器,该控制器通过自身从过去趋向的学习能力可自动调整其模糊控制规则。将这种方法用于一个两自由度机械手的控制,仿真结果显示控制效果良好,所提出的控制器比惯用的模糊控制器展示出更良好的应用前景。     

分层模糊控制器的解析表达式及自适应控制方法

为解决模糊多变量控制中的“维数灾”问题 ,提出了一种 4输入 1输出的分层模糊控制器 ,推导了它的解析表达式。依据分层模糊控制器的解析表达式 ,提出了其设计参数的模型参考自学习方法 ,其中参考模型选取典型二阶系统 ,用梯度法设计自学习律 ,在线学习分层模糊控制器的可调参数 ,以达到最优值。为检验所提出控制策略的有效性 ,将其应用到板球系统的轨迹跟踪问题 ,并进行了仿真实验。仿真实验结果表明 ,这种分层模糊控制器的可调参数少 ,学习算法收敛快 ,控制效果好 ,具有较强的实用性。     

混合动力汽车能量管理控制器参数优化

设计了一种新的基于人工免疫网络优化的模糊神经混合动力汽车能量管理控制器．该控制器结合模糊控制和神经网络的优点，利用神经网络的自学习能力，自动生成模糊规则和隶属函数，并不断优化隶属函数的参数，直到达到设计要求．为了避免神经网络的学习过程陷入局部极值点，采用人工免疫网络优化神经网络的参数．仿真结果显示，经过参数优化的模糊神经能量管理控制器的性能比普通能量管理控制器好，能进一步降低HEV的油耗．     

自适应神经网络模糊控制在倒立摆中的应用

应用MATLAB的模糊控制工具箱，设计了用于倒立摆系统的模糊控制器，并且利用神经网络能够自学习的特点，采用反向传播算法对倒立摆控制样本数据进行了学习，调整了各变量的隶属函数，从而使学习后的模糊控制器更能适应倒立摆系统控制的需要。把学习前后的模糊控制器用于倒立摆系统进行了实验对比，结果表明学习后的控制器控制效果明显优于学习前的控制器。     

自组织增强学习模糊神经网控制器的设计

给出了一种利用增强信号进行模糊神经网络控制器设计方法,提出了一个神经网络控制顺在线增强学习的算法,并把所设计的增强学习神经网络控制器用于对象的仿真和具体温控炉的现场运行,结果证明设计折思想和方法是正确的。     

使用SQL查询实现模糊控制器算法的表达与实现

提出了一种使用SQL查询设计模糊控制器的算法.文中重点介绍了模糊控制器设计原理和利用SQL设计模糊控制器的过程,并给出了在VB编程环境中实现的实例.     

采用免疫BP算法的模糊神经网络PID控制器

文章在传统PID控制器的基础上,结合模糊控制和神经网络控制理论设计出自适应模糊神经网络PID控制器,并将免疫反馈机制应用到BP学习算法中,通过自适应调整学习速率,改善算法的收敛性;通过Matlab仿真验证了引入免疫反馈机制的BP算法的优越性.仿真及实际应用结果表明,采用免疫BP算法的模糊神经网络PID控制器响应速度快,...     

基于模糊信息的示例学习理论及算法

“基于模糊信息的示例学习理论及算法”是河北省自然科学基金资助课题 (6 98139) ,属于计算机科学技术学科中的人工智能领域 .示例学习 (Learningfromexamples)是一种以归纳推理为基础的学习 ,它是从多个示例中归纳出一般性概念或一般规律的学习方式 ,故示例学习又称概念获取 ,已被公认为是专家系统发展的瓶颈 .每个专家系统的建立都必须经过不精确知识自动获取这一瓶颈 ,因此以解决这一瓶颈问题为目的的模糊示例学习系统有着极其广泛的应用 .本课题从这一角度出发 ,系统地研究了模糊环境下的示例学习问题 ,提供了一个名为“FDT1:一个基于…     

一种基于模糊神经网络和遗传算法的智能PID控制器

常规的PID控制器参数整定方法需要被控对象的精确数学模型,且整定出的参数不能进行在线调整.而模糊控制和神经网络均不依赖被控对象的数学模型,且具有较强的自适应和自学习能力;遗传算法则是一种新型的全局优化方法.鉴于此,提出将模糊控制、神经网络和遗传算法引入PID控制器的设计过程.首先,运用遗传算法优化隶属度函数的中心值和宽度,并借助模糊逻辑控制确定遗传算法中的交叉概率和变异概率.然后,再运用BP算法优化模糊神经网络的连接权系数.仿真结果表明,该方法提高了系统的自适应能力和抗干扰能力,增强了系统的鲁棒性.     

Self-learning Fuzzy Controllers Based On a Real-time Reinforcement Genetic Algorithm

ＩｎｔｒｏｄｕｃｔｉｏｎＳｉｎｃｅｔｈｅｐｉｏｎｅｅｒｉｎｇｒｅｓｅａｒｃｈｏｆＭａｍｄａｎｉａｎｄｈｉｓｃｏｌｌｅａｇｕｅｓｏｎｆｕｚｚｙｃｏｎｔｒｏｌ[1] ,ａｓａｐｏｗｅｒｆｕｌａｐｐｒｏａｃｈｔｏｃｏｎｔｒｏｌｓｙｓｔｅｍｓｗｉｔｈｅｘｐｅｒｉｅｎｃｅｋｎｏｗｌｅｄｇｅ,ｉｔｈａｓｂｅｅｎｗｉｄｅｌｙａｎｄｅｆｆｅｃｔｉｖｅｌｙａｐ ｐｌｉｅｄｔｏｔｈｅｃｏｎｔｒｏｌｏｒｍａｎｙｓｙｓｔｅｍｓ,ｉｎｃｌｕｄｉｎｇａｎｕｍｂｅｒｏｆｒｅａｌｗｏｒｌｄｐｈｙｓｉｃａｌｐｒｏｂｌｅｍｓ Ｔｈｅｓｅｓ…     

新型模糊控制算法在交叉口信号控制中的应用

作为智能控制的分支,模糊算法已越来越多地应用于交叉口信号控制,成为交叉口信号控制的新热点。文中通过提出路段车辆数这一新概念,提出了一种新型的孤立交叉口信号控制的模糊算法,实现了孤立交叉口信号控制的优化,并在此基础上进行了系统仿真。通过与传统定时控制方法进行分析对比,论证了这种新型模糊控制算法在车辆延误时间和排队长度方面有较大的改善,具有实用性和可靠性。     

不确定连续时滞模糊系统的保性能控制

针对一类模糊模型表示的，具有范数有界时变参数不确定性连续时滞系统，研究了保性能控制器的设计问题．首先推导了保性能控制器存在的充分条件，在此基础上通过求解等价的线性矩阵不等式给出了控制器的设计方法和参数表示．     

剪叉机构升降台模糊PID控制

针对传统PID控制对剪叉机构升降台的非线性系统无法控制的问题,利用模糊控制较好地解决非线性因素造成的不利影响,设计基于模糊控制和PID控制的FUZZY PID剪叉机构升降台控制系统.对模糊系统的参数自动调整,避免设计过程中参数的大量调试工作,并使系统获得更好的控制性能.利用MATLAB针对不同控制器进行仿真,仿真结果表明FUZZY PID控制器消除了由系统非线性产生的爬行现象,使系统运行更加平稳快速,具有比PID控制器更好的控制效果.     

采用遗传算法自组织神经网络模糊控制器

提出一种自组织神经网络模糊控制器的新方案。该方案的一个主要特征是,可获得实现模糊控制器的最小且最优的神经网络结构,而且所获得的模糊控制器同时具有神经网络的广泛映射能力、联想概括能力和遗传算法的快速全局收敛、再励式学习等优良特性。     

A New Reinforcement Learning Method for Fuzzy Logic Controllers

A new reinforcement method for learning fuzzy logiccontrollers is proposed.The reinforcement learningscheme is composed of two fuzzy logic rule bases:oneacts as an adaptive critic,the other server as a control-ler.The proposed method is tested on the cart-pole sys-tem.Simulation results show that the method has betterlearning performance than Anderson's neural network-based method.     

城市交通信号三级模糊滑动优化控制方法

提出一种城市交通信号三级模糊滑动优化控制方法.引入非冲突车流的搭接相位构建交通信号三级模糊控制器的模型,并采用滑动时间窗设计滑动优化的框架.根据实时采集的交通数据,采用基于黄金分割的混合遗传算法,在线学习模糊控制器的隶属函数及控制规则参数.在常态及事故不同交通条件下,以典型路口进行Paramics仿真试验.结果表明提出方法的自适应能力好,可快速响应路口交通流的不确定性事件,且在高饱和的交通条件下性能稳定.     

Lurie时滞系统的有记忆H_∞状态反馈控制

针对一类同时存在状态和控制输入的Lurie时滞控制系统,利用Lyapunov稳定性定理并结合时滞分割法研究了该系统的鲁棒H∞控制器的分析与设计问题,得到了该系统渐进稳定且具有H∞性能的一个LMI条件,并给出了系统的有记忆状态反馈H∞控制律的设计方法。仿真实例表明了本文方法的可行性。     

Takagi - Sugeno Fuzzy PID Gain - Scheduling Controllers

This paper aims at Takagi - Sugeno (TS) fuzzy controllers as gain scheduling (GS) schemes of PID controllers. A TS fuzzy controller employs arbitrary input fuzzy sets, product or Zadeh fuzzy logic AND, TS fuzzy rules with linear consequent, and the generalized defuzzifler containing the popular centrold defuzzifler as a special case. We first establish the relationship between the TS fuzzy controller and the linear PID controller. The TS ftizzy controller is accurately a nonlinear PID controller with gains continuously changing with Its process output. Then we point out that the TS fuzzy controller is closely related to the traditional gain scheduler. The gains of the TS ftizzy controller are determined by three two - Input - one - output fuzzy systems with singleton output fuzzy sets. Finally, as a demonstration, a simple TS fuzzy controller employing two linear input fuzzy sets, Zadeh fuzzy logic AND, and the popular centrold defuzzifler is designed to be the gain scheduler for the PID controller. Com