干燥过程模糊神经网络控制器的设计与仿真

为了准确控制干燥过程的温度和湿度,提高谷物干后品质,设计了一种基于改进遗传算法的干燥过程模糊神经网络控制器.利用模糊算法解除温湿度的耦合作用,采用神经网络实现模糊逻辑控制的全过程和信号的非线形处理,将训练好的被控对象网络模型与模糊神经网络控制器联成闭环回路,应用改进遗传算法对模糊神经网络控制器的参数进行自适应调整.在仿真实验中,将所设计的控制器与常规PID控制器和经典模糊控制器进行比较,结果表明所设计的模糊神经网络控制器具有较好的性能,满足了谷物干燥过程的控制要求.     

基于分时段模型的无刷直流电机仿人智能控制

为抑制无刷直流电机转矩脉动,设计了基于分时段电机模型的仿人智能控制算法。分析了无刷电机的换相转矩脉动过程,由于转矩脉动将导致转速的波动,根据换相时转速的变化,建立了换相过程分时段电机模型,并结合仿人智能控制算法具有多模态控制的特点,对不同时段采取相应的控制模态,并利用改进的遗传算法对仿人智能控制器的参数进行整定,最终使转速波动减小,进而反映了转矩脉动的减小。仿真结果表明,提出的控制策略有效减小了转矩脉动,使控制系统具有良好的动态性能。     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

基于模糊神经网络的无刷双馈电机的仿真研究

研究了模糊神经网络在无刷双馈电机调速系统中的应用,给出了基于神经元网络模糊控制器的基本设计方法。并利用Matlab软件对基于模糊神经网络的无刷双馈电机调速系统进行了仿真。仿真实验表明,与传统的PID控制相比,当电机在转速或者负载发生改变时,利用该控制方法可以获得更好的系统动静态性能。     

模糊遗传滚动优化的LS-SVM预测控制研究

提出一种基于最小二乘支持向量机(LS-SVM)的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习建立其预测模型;基于模糊遗传算法完成非线性预测控制的滚动优化过程。仿真结果表明基于该方法的非线性系统预测控制比基于RBF神经网络的预测控制具有更好的控制效果。     

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。     

基于遗传算法的BP神经网络时间序列预测模型

神经网络能以任意精度逼近非线性函数 ,以神经网络为基础的时间序列预测模型能很好地反映非线性系统发展的趋势 ,但神经网络训练速度慢、易陷入局部极值。针对这种情况 ,用具有良好的全局搜索能力的遗传算法来改进神经网络时间序列预测模型 ,提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络 ,并将该神经网络时间序列预测模型应用于某时间序列的预测。     

连续小波神经网络优化结构研究

通过仿真实验发现凭经验选取小波神经网络隐层小波基,所得结构并不最优.为此,本文将遗传算法与小波神经网络结合起来进行研究.利用遗传算法来优化小波神经网络的结构,确定小波基的个数,采用BP算法来训练小波神经网络中的伸缩因子、平移因子和连接权值.仿真结果表明,该方法能准确搜索到最优结构,是切实可行的.     

遗传BP网络转速辨识器的设计及在DTC中的应用

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解。将遗传算法和BP算法结合,采用混合编码的遗传算法优化神经网络的结构及网络初始权值,再利用BP算法对网络权值进行精确调节;这种将遗传算法与BP算法相结合的GA BP算法,实现了遗传算法的全局搜索能力与BP算法的局部寻优性能的互补结合。将所设计的神经网络转速辨识器运用到直接转矩控制系统当中,利用MATLAB/SIMULINk实现无速度传感器控制系统的仿真实验结果表明,该算法具有良好辨识效果。     

基于先验知识和神经网络的非线性建模与预测控制

神经网络模型是模拟非线性系统的有力工具，它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法，提出了一种利用先验知识和神经网络建立非线性系统模型的方法，具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算，从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。     

基于模糊集的神经网络景象匹配算法

将神经网络思想引入到景象匹配,提出了基于模糊集的神经网络景象匹配算法。该算法将图像模糊集作为特征空间,尝试了在模糊域中采用神经网络学习算法进行精确寻优。实验结果表明,设计的算法不但较好的满足了景象匹配系统对算法的性能要求,而且比传统算法具有更高的抗干扰能力。     

多输入模糊神经网络及其应用

为了提高神经网络的训练速度和泛化能力 ,同时解决一般模糊神经网络由于输入增多而导致模糊规则膨胀的问题 ,提出了多输入模糊神经网络的结构和算法。此算法用取大取小运算部分代替网络的积和运算 ,同时提出一种获取重要规则的方法。最后将多输入模糊神经网络应用于建筑投标报价系统。仿真结果表明 ,本网络具有较快的训练速度和较高的泛化能力。     

基于模糊神经网络的轮廓误差附加补偿控制研究

在分析系统轮廓误差的基础上，提出了基于模糊神经网络的轮廓误差补偿方法，并说明其补偿器的原理、算法及实现。该法在不改变系统各单轴位置环的前提下，根据系统的轮廓误差，通过模糊神经网络的自学习能力动态向各轴提供误差补偿信息，进而提高系统的轮廓精度，同时也解决了各轴之间增益不匹配、动态不匹配和各轴不可预见性问题。最后，在MATLAB6.1环境下对该系统进行仿真，仿真结果表明其可行性和有效性。     

无刷直流电机的神经网络控制器的仿真研究

提出了一种无刷直流电机的神经网络非线性跟踪器的设计方法。在无刷直流电机的高性能速度跟踪中，若仅采用传统的PID调节，则难以克服系统本身参数扰动所带来的转速偏差问题。本文采用双神经元网络的控制方法，一个用于辨识，一个用于控制，并在Matlab与Simulink下进行了仿真。文中提出一种易于应用自适应权值修正的方法，可以加大采样频率。仿真结果表明，这种方法可以在不影响控制精度的条件下，大大减秒计算量，有利于在线实现。     

AN INTELLIGENT CONTROL SYSTEM BASED ONRECURRENT NEURAL FUZZY NETWORK AND ITS APPLICATION TO CSTR

In this paper, an intelligent control system based on recurrent neural fuzzy network is presented for complex, uncertain and nonlinear processes, in which a recurrent neural fuzzy network is used as controller (RNFNC) to control a process adaptively and a recurrent neural network based on recursive predictive error algorithm (RNNM) is utilized to estimate the gradient information ρy/ρu for optimizing the parameters of controller.Compared with many neural fuzzy control systems, it uses recurrent neural network to realize the fuzzy controller. Moreover, recursive predictive error algorithm (RPE) is im-plemented to construct RNNM on line. Lastly, in order to evaluate the performance of the proposed control system, the presented control system is applied to continuously stirred tank reactor (CSTR). Simulation comparisons, based on control effect and output error,with general fuzzy controller and feed-forward neural fuzzy network controller (FNFNC),are conducted. In addition, the rates of convergence of RNNM respectively using RPE algorithm and gradient learning algorithm are also compared. The results show that the proposed control system is better for controlling uncertain and nonlinear processes.     

运动目标位置预测模型

为建立运动目标位置的预测模型,提出了一种新的模糊神经网络模型,并证明这种模糊神经网络可任意逼近连续函数,因而可用于建立运动目标位置的预测模型中.将运动目标在采样时刻位置间的关系表示为含有目标加速度的三阶差分方程,利用模糊神经网络逼近目标加速度,并由此导出目标轨迹的预测模型.     

一类高精度伺服系统基于模糊神经网络的复合控制

针对高精度伺服系统中存在的各种非线性及不确定性 ,提出了基于模糊神经网络的复合控制方法。控制器由前馈控制器和闭环反馈控制器组成。前馈控制器由零相差跟踪控制器 (ZPETC)及FIR滤波器构成 ,闭环反馈控制器采用模糊神经网络控制 ,包含一个辨识网络FNNI和控制网络FNNC。该控制方法结合了神经网络和模糊推理的优点 ,可以克服各种非线性和不确定性 ,明显提高跟踪性能 ,具有很好的鲁棒性。提出的模糊神经网络结构简单 ,推理算法易于实现 ,并且可以更合理地选择初始权值 ,加快了网络的收敛速度 ,在一定程度上解决了神经网络的实时性问题     

基于粒子群优化模糊神经网络的高技术知识创新评价

针对高技术知识创新非线性、不确定性、时变性的特点,建立了评价指标体系|结合粒子群优化算法,提出了一种改进的模糊神经网络评价模型。该模型能够进行多个并行时变模糊神经网络组合算法,这些算法通过进化预置网络的连接权值、阈值和补偿参数,实现网络的学习和精确推理。通过仿真应用,证明了此种模型结构与算法适用性好,便于计算机实现,且全局收敛能力、收敛速度和泛化精度等性能均优于原先的学习算法。     

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。     

基于干扰观测器的轮廓误差耦合控制研究

针对多轴运动的轮廓误差，提出了基于干扰观测器的轮廓误差耦合控制。该方法通过构造干扰观测器来预测各单轴系统的内部和外部干扰，并根据预测到的干扰信息对各轴进行补偿以消除干扰对系统的影响。考虑到系统的动态特性，拟采用模糊神经网络对干扰信号进行动态分配，并依据轮廓误差耦合控制思想补偿到各轴，达到轮廓误差最小控制。而文章采用遗传算法对网络进行训练以加快网络训练速度，且不易陷入局部最小。仿真结果证明其可行性与有效性。