工作辊分段冷却小脑模型模糊控制

采用小脑模型神经网络控制方法对该系统进行了仿真试验研究，小脑模型神经网络适合处理多输入输出问题，并且具有自组织，自适应和自学习街特点，试验结果表明ＣＭＡＣ方法是有效的，可进行工业实际控制。     

模糊迭代学习方法及高层建筑结构地震响应控制的数值模拟

结合自校正控制、模糊逻辑和迭代学习控制的基本思想,提出采用自整定模糊控制确定迭代学习律的方法,提高了迭代学习控制的鲁棒性。选取建筑结构振动控制Benchmark第二阶段的地震作用Benchmark模型作为研究对象,进行模糊迭代学习控制地震响应仿真计算,结果表明该方法能够对Benchmark模型的地震响应进行有效控制,而且具有学习控制律简单实用、跟踪精度高、鲁棒性强等优点。     

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。     

一种模糊小脑模型神经网络及其仿真研究

在传统小脑模型的基础上,利用其特有的寻址方式,引入模糊逻辑的思想,采用模糊隶属度函数作为接受域函数,提出了一种模糊小脑模型神经网络。重点研究了接受域函数的映射规律、隶属度函数及其参数的选取规律和学习算法。仿真结果表明,该模糊模型具有良好的泛化能力和逼近精度,且可获得连续性强且有解析微分输出的复杂函数。     

用自组织模糊逻辑控制器设计飞行器控制系统

提出了模型参考自组织模糊逻辑控制器的设计方法，并建立其模糊逻辑控制规则。此法根据参考模型输出误差及微分来修正控制规则，从而使学习算法进行的更为合理。通过对某战斗机控制系统的仿真，证明其具有良好的精度和鲁棒性。     

自适应遗传算法优化模型小脑模型

首次采用遗传算法（ＧＡ）设计模糊小脑模型神经网络的隶属函数，提出一个自适应ＧＡ优化算法，并且以优化模型小脑模型ＦｕｚｚｙＣＭＡＣ学习正弦曲线，仿真实例表明，采用自适应ＧＡ方法优化的ＦｕｚｚｙＣＭＡＣ学习精度比标准小脑模型ＣＭＡＣ提高大约三个数量级，比标准ＦｕｚｚｙＣＭＡＣ（三角形隶属函数）提高一个数量级，自适应ＧＡ方法优化的ＦｕｚｚｙＣＭＡＣ学习速度比ＧＡ优化的速度快且乾化过程的振荡明显减小，仿真     

自适应遗传算法优化模糊小脑模型

首次采用遗传算法（ＧＡ）设计模糊小脑模型神经网络（ＦｕｚｚｙＣＭＡＣ）的隶属函数．提出一个自适应ＧＡ优化算法，并且以优化模糊小脑模型ＦｕｚｙＣＭＡＣ学习正弦曲线．仿真实例表明，采用自适应ＧＡ方法优化的ＦｕｚｙＣＭＡＣ学习精度比标准小脑模型ＣＭＡＣ提高大约三个数量级、比标准ＦｕｚｚｙＣＭＡＣ（三角形隶属函数）提高一个数量级．自适应ＧＡ方法优化的ＦｕｚｙＣＭＡＣ学习速度比普通ＧＡ优化的速度快且进化过程的振荡明显减小，仿真证明该方法比普通ＧＡ优化方法稳定，收敛效果好．     

基于Mamdani模糊自适应PID的液位串级控制系统设计

本文依据模糊控制和常规PID控制的基本特点,设计了一种基于Mamdani模型的模糊自适应PID液位串级控制系统,研究对具有时变、非线性的复杂系统的控制.通过引入Mamdani模型的模糊规则对PID控制参数进行修正,实现对液位系统在全工况下的优化控制.利用Matlab进行仿真,研究分析表明,基于Mamdani模糊自适应PID控制方法与常规PID方法相比具有很好的控制效果,具有更好的稳定性、鲁棒性,且控制精度高.     

船舶航向的神经网络二阶导数多步预测模糊自适应控制

针对大型船舶控制特性,设计了船舶航向的神经网络二阶导数多步预测模型及其辨识和预测算法,提出基于径向基函数神经网络多步预测模型和模糊小脑模型关节神经网络控制器的大时滞船舶航向模糊控制自动舵方案,解决传统自适应控制中模型的在线辨识和控制器的在线设计问题,以达到对具有大时滞、不确定非线性特性的大型船舶实现高精度输出跟踪控制.仿真结果表明对设定航向具有精确的跟踪控制效果.     

基于多智能体和模糊控制的道路交叉口建模与仿真

利用Agent技术对道路交叉口进行建模,着重介绍了交叉口Agent的内部结构和控制策略.在交叉口控制中应用模糊理论和蚁群算法,提出了一种具有自学习机制的交叉口信号模糊控制方法.对模糊控制规则应用蚁群算法进行优化,使得交叉口Agent具有自学习能力.编制交叉口Agent的仿真程序,将所研究模型的控制效果与传统模糊控制模型的效果进行了比较.仿真实验的结果表明:具有自学习机制的交叉口信号模糊控制方法的效果明显优于传统的模糊控制方式.     

模糊小脑模型神经网络在多辊冷连轧机轧制力预报模型中的应用

针对宽带钢多辊冷连轧机组特点,为提高轧制力的预报精度,在结合传统轧制压力模型的基础上把模糊算法和神经网络有机结合,设计出基于模糊小脑模型神经网络的多辊冷连轧机轧制力预报模型.通过对传统轧制力模型计算值、小脑模型预报计算值与实测值进行对比分析可知,基于模糊小脑模型神经网络的多辊冷连轧机轧制力预报模型具有较高的计算精度,更适合于多辊轧机在线计算机过程控制的应用,满足现场在线生产的要求,取得良好的板形板厚控制效果.     

基于小脑模型的电液位置伺服系统在线学习控制研究

针对非线性电液位置伺服系统的跟踪控制问题,提出了一种采用小脑模型（ＣＭＡＣ）神经网络的在线学习控制方法,与传统的ＣＭＡＣ控制器不同,该控制器采用动态误差作为ＣＭＡＣ神经网络的激励信号,从而使基于ＣＭＡＣ的控制器跟踪连续变化的信号成为可能,给出了具体的控制结构和算法,仿真结果表明,该控制器具有良好的处理非线性及跟踪连续变化信号的能力,并对时变外负载干扰具有明显的抑制作用,而且新型控制器能和较高的学习     

基于支持向量机的轧制过程灵敏度分析

利用支持向量机(SVM)建立轧制力模型,并由该模型分别对各输入变量进行偏微分,以计算轧制过程出口厚度灵敏度系数,从而解决解析方法难以求解的轧制过程模型“代数环”问题．对轧机第一机架试验仿真,结果表明,基于SVM方法获得的灵敏度具有很高的精度,且由灵敏度确定的控制量可以获得很好的控制效果,同时也表明第一机架辊缝对出口厚度的影响比张力要大,以辊缝控制方式调节出口厚度比张力控制方式具有更高精度．     

基于神经网络模式识别的板形模糊控制器

提出一种基于CMAC(Cerebellar Model Articulation Controller)神经网络的板形缺陷模式识别方法,并基于模式识别结果设计了板形模糊控制器.将模式识别与控制器设计合二为一,利用CMAC神经网络识别出相对于6种常见板形缺陷基本模式的隶属度,直接作为板形模糊控制器的前件部,实现了隶属度的求取功能.通过对板形缺陷特征的分析,合理定义了模糊集合,大大地减少了模糊推理的计算量.仿真结果表明,该板形模式识别方法识别精度高,设计的板形模糊控制器可以快速将板形缺陷控制到期望目标,板形控制性能良好.     

基于GA的CMAC与PID控制器的设计与仿真

将遗传算法(GA)、比例-积分-微分(PID)控制器和小脑模型控制器(CMAC)神经网络的优点结合起来，设计了一种新的CMAC与PID并行控制器，并用改进的遗传算法对该控制器的五个参数进行寻优，很好地解决了PID控制参数调整繁琐和CMAC神经网络参数学习困难的问题.仿真结果表明，该方法具有超调量小和响应时间短的特点.     

2180 mm冷连轧机各机架对成品板形的影响

为了分析冷连轧机机架间的相互影响以及各机架对成品板形的影响,基于冷连轧凸度和平坦度模型,采用影响系数法建立了冷连轧机的板形调控功效模型.针对某2 180 mm冷连轧机组,结合其4个典型轧制规程,对不同机架板形调控功效进行了具体分析,可以看出,对于同一轧制规程,各机架对成品板形的影响差别很大,越靠近末机架,影响越大.在冷连轧机的5个机架中,除了末机架即第5机架外,对成品板形影响最大的为第4机架,最大影响接近10 IU（1 IU=10-5）,且不同机架各板形调控手段对成品板形的影响系数在机架间相差10-3数量级.最后,对板形数据进行了统计分析及相关轧制试验来分析结论的可靠性.      

基于遗传算法信息组合的自适应模糊控制

利用模糊理论分别建立了与控制对象和控制知识信息相对应的控制系统，应用遗传算法获取2个系统在不同时间段的最佳组合因子，消除了对组合因子赋值的主观性和不准确性．基于李雅普诺夫函数的方法推导了模糊控制系统中参数的自适应控制律，并且证明了系统的稳定性和收敛性．将遗传算法信息组合的自适应模糊控制方法应用在达芬混沌系统的控制中，仿真结果对比表明，虽然组合型自适应控制方法可以有效地控制达芬强迫震荡系统，但文中提出的方法能使各控制状态有界，并且能够迅速准确地跟踪目标．     

一种用CMAC网络建立模糊控制器的新方法

提出了和种新的建立模糊控制的方法，在原来模糊控制的基础上，对模集提出了新的解释，将模糊集的建立和模糊规则的确立和受控系统的物理行为直接联系起来。然后，通过ＣＭＡＣ神经网络对受控系统进行学习，掌握受控系统的特性，并最终由ＣＭＡＣ神经网络根据对模糊集的新的解释，来建立模糊集并提取模糊规则。     

利用小脑模型提前计算的广义预测控制

给出一种新的广义预测控制方法，并把小脑模型（ＣＭＡＣ）应用于该算法中，避免了ＧＰＣ算法需要实时所进行的复杂计算．针对ＣＭＡＣ所需存储单元多的缺点，提出了一种改进计算ＣＭＡＣ输出值的方法，可大大减少存储单元．文中的方法对ＧＰＣ在实际中的应用有重要意义