压缩机吸气压力的模糊神经网络控制方法

针对压缩机吸气压力耦合强、变化快且控制精度要求高的特点 ,在难以获得精确数学模型以及模糊控制还存在一些困难的情况下 ,采用模糊神经网络控制技术进行压缩机吸气压力的控制 ,从而保证了系统可以较快地进入工况并使吸气压力稳定在工况规定的精度范围内 .经实际控制证明 ,模糊神经网络控制可以得到良好的控制效果 .     

基于模糊神经网络的电液比例系统同步控制方法

以某厂钢坯翻转系统为例,建立电液比例阀动态方程及其控制框图,提出基于模糊神经网络的电液比例系统同步控制策略,构建基于模糊神经网络的同步控制器,详细叙述了模糊神经网络的基本结构和运算法则.结果表明,该控制方法具有控制精度高、动态跟踪性能好以及鲁棒性强等特点,能很好地满足实际工作要求.     

模糊神经网络控制及其在复杂工业系统的应用

工业过程日趋复杂,难以建立精确的数学模型,传统控制有其局限性,采用智能控制已成为当前研究的趋势.本文重点探讨了模糊控制和神经网络控制的特点,指出了在对复杂工业过程进行控制时,它们结合的必要性,并分析了模糊逻辑控制与神经网络控制的结合方式.     

基于神经网络的集散式模糊控制系统

将神经网络技术和模糊控制技术有效的引入到集散控制系统中，并将三者有机的结合起来，使其成为一种智能型的集散控制系统 .该系统由一台神经网络处理机和多台现场模糊控制器构成，组态方便，自适应能力强，具有自学习和模糊控制规则基自校正能力，适于难以建立数学模型的复杂度高、时变因素多、惯性大的被控系统 .     

基于模糊神经网络的车辆间距智能自适应控制

为了实现汽车行驶过程中与前车车距的自动控制,提出了一种基于模糊神经网络的车辆纵向间距智能自适应控制方法.利用神经网络对车辆纵向运动进行辨识,将神经网络和模糊控制结合起来,设计模糊神经网络加速度控制器,利用神经网络的学习功能修正控制器的隶属度函数的参数和控制规则.仿真表明系统响应快,控制精度高,和传统方法相比具有较强的抗干扰能力和自适应性.     

用于机器手控制的动态模糊神经网络

为解决模糊控制中存在的区域界定问题,将神经网络与模糊控制相结合,提出了一种新的模糊逻辑与神经网络相结合的动态模糊神经网络机器人控制方案(DFNN),并利用采样数据在线动态构造模糊神经系统.仿真结果表明,DFNN系统地很好地克服机器人系统中存在的非线性、不确定性、强耦合等因素的影响,控制效果好,为工业机器人控制提供了一种新的解决方案.     

基于BP模糊神经网络的交通信号灯控制器设计

针对当前定时交通信号灯控制的落后现状,提出一种基于模糊神经网络的交通信号灯控制系统.通过模糊化处理,根据改进后BP算法进行离线训练,该系统能随时根据车辆情况智能控制信号灯的时间.实验表明该控制器与单纯用模糊控制比较,控制精度高、响应速度快、智能化程度高和鲁棒性好.     

水面无人艇模糊神经网络航向控制器设计

针对常规PID控制器在无人艇航向控制系统中表现出抗干扰能力弱,控制精度低等问题,本文提出了一种应用模糊神经网络算法的航向控制器设计方法.首先通过神经网络分类回归确定隶属度函数,然后经由模糊控制在线整定PID控制器KP、KI、KD三个参数,确保对无人艇航向的实时控制.仿真结果表明,该控制器满足航向控制所需的实时性,具有控制精度高和鲁棒性好的特点,并且提高了无人艇在复杂环境中的自适应能力.     

基于模糊神经网络的滑模控制算法

提出了一种基于模糊神经网络的积分滑模控制算法。该算法利用模糊神经网络系统来代替传统的等效控制项,消除了其对数学模型的依赖;切换控制项则采用积分型变切换增益,有效地削弱系统抖振。该算法以永磁同步电机伺服系统为对象进行仿真研究。仿真结果表明,该方法控制精度高,鲁棒性强,有效提高了系统的控制性能。     

板球系统的模糊神经网络控制算法研究

针对具有非线性特性的控制系统,提出了一种逐级模糊神经网络控制算法。该系统控制采用了补偿模糊神经网络算法和逐级模糊控制规则。在matlab仿真环境下对简化的模型进行了仿真实验。通过仿真结果可以看出,该控制算法比传统的模糊控制具有更好的控制表面,更能适应复杂多变的非线性准确控制;补偿模糊神经网络算法在训练时,具有学习速率快、准确度高和扩展性好等优点。