车间生产作业计划再生的模糊神经网络方法

研究了将模糊神经网络用于生产作业计划实际执行中遇到干扰时的再生方法．针对模糊的、难以表述和处理的干扰,设计了一个模糊神经网络,包括模糊子网和主体网络,前者根据隶属函数,将定性的模糊“干扰”量化后,参与网络的运算;后者根据模糊规则,将“干扰”定义为网络部分结点的作用函数．较好地解决了“干扰”知识的获取与处理问题．     

基于滑膜控制和SAFNN的鲁棒混沌同步

针对带有干扰的混沌系统,进行了基于自组织自适应模糊神经网络(SAFNN)的同步控制器的设计,采用基于聚类划分的模糊神经网络,推导出模糊神经网络参数在线更新算法,并设计了神经网络结构自适应算法,从隶属度函数的生长、模糊规则的分裂和模糊规则的修剪三个方面动态调整模糊神经网络结构,摒弃了常规的试错法来调整系统的结构和参数,以便更好地满足对计算负荷和控制性能的要求,实现两者之间的平衡;最后结合滑模控制器和鲁棒控制器,对带有干扰的混沌系统进行同步控制仿真,仿真结果表明该方法有效。     

基于Q-学习的卫星姿态在线模糊神经网络控制

将模糊神经网络控制引入到三轴稳定卫星的姿态控制中,结合Q-学习和BP神经网络来解决模糊神经网络参数在线调整问题,在无需训练样本的前提下实现控制器的在线学习. 仿真结果表明,这种基于Q-学习的模糊神经网络控制不仅可以满足对姿态控制精度的要求,还有效地抵制了外界干扰,提高了姿态稳定度,对卫星的不确定性有较强的鲁棒性.     

基于模型参考自适应的直线电机转速辨识

针对直线永磁同步电动机全闭环控制系统易受干扰、降低系统性能指标、存在不稳定因素等问题,提出了基于模型参考的自适应模糊神经网络在线辨识方法,用梯度法实时修正模糊控制器的输入和输出隶属度参数,建立了模型参考自适应模糊神经网络速度伺服系统模型,给出了模糊神经网络控制器的设计方法.仿真和实验结果表明:该方法提高了速度检测装置的分辨率和动态响应能力,系统具有很强的鲁棒性.     

八旋翼微型飞行器的自适应滑模控制器设计

八旋翼微型飞行器的不确定性导致很难获得稳定的控制。鉴于此,提出一个稳定的八旋翼微型飞行器的姿态控制策略以适应系统的不确定性因素和外部干扰。首先,采用区间二型模糊神经网络来逼近八旋翼微型飞行器动力学模型中的非线性和不确定性函数。然后,用李诺夫稳定性定理证明闭环系统的渐近稳定性,并利用对区间二型模糊神经网络和滑模控制增益进行在线调整。仿真结果表明,基于区间二型模糊神经网络的自适应滑模控制器能够保证在不确定性因素和有外部干扰的情况下保证八旋翼微型飞行器控制系统的良好性能,与传统的自适应滑模控制器及基于区间一型模糊神经网络的滑模控制器相比,性能显著提高。     

神经网络与模糊控制在温度控制系统中的应用

本文提出了一种利用神经网络进行在线自整定的模糊控制系统,该系统结合了BP神经网络、模糊控制的优点,通过仿真实验表明,这种控制方法对具有时变性,干扰因素不确定性的系统有较好的控制效果。     

基于模糊算子的形态学神经网络及其应用

构造了一种模糊形态学击中/丢失算子.结合形态学神经网络,提出了一种基于模糊击中/丢失算子的模糊形态学网络,并采用模糊形态学网络实现了血涂片图像中白细胞的定位/计数.实验结果表明,这种网络可以较好地处理细胞图像处理中出现的背景干扰、细胞粘连和部分遮挡的情况.     

基于H∞跟踪的不确定机器人模糊神经网络变结构控制

针对不确定机器人的跟踪控制，提出了一种基于H∞跟踪的模糊神经网络变结构控制方案。该方案利用模糊神经网络的学习和函数逼近能力，补偿机器人系统的内部不确定性和外干扰，H∞跟踪设计与变结构控制的结合削弱了控制输入的抖振，提高了机器人的鲁棒性，保证了整个系统的快速跟踪性能，仿真实例证实了该控制方案的有效性。     

一种改进的模糊调节神经网络及其应用

针对具有相同激励函数的隐层神经元非线性表达能力较差的情况,提出了一种改进的模糊调节神经网络,并利用遗传算法进行训练。该模糊调节神经网络包括模糊神经网络和三层前馈神经网络2部分,通过模糊神经网络间接调整前馈神经网络隐层激励函数参数,并用遗传算法同时对模糊调节神经网络的权值和模糊神经网络参数进行训练,从而增强了网络的表达能力。将模糊调节神经网络用于非线性量化因子模糊控制器参数的整定仿真结果表明,改进的神经网络比传统的神经网络拥有更大的自由度,具有更强的非线性表现能力,从而使非线性量化因子模糊控制系统具有更好的控制性能。     

基于模糊算子的形态学神经网络及其应用

构造了一种模糊形态学击中／丢失算子．结合形态学神经网络，提出了一种基于模糊击中／丢失算子的模糊形态学网络，并采用模糊形态学网络实现了血涂片图像中白细胞的定位／计数．实验结果表明，这种网络可以较好地处理细胞图像处理中出现的背景干扰、细胞粘连和部分遮挡的情况．     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

模糊神经网络及其在系统建模与控制中的应用

模糊神经网络是模糊系统和神经网络的有机结合,它吸取了两者的优点.给出了两个具体的模糊神经网络结构以及相应的学习算法;介绍了利用模糊神经网络建立T-S模糊模型的方法;讨论了基于T-S模糊模型的控制系统分析和设计.     

驱动行波谐振电机的模糊神经网络控制系统

用模糊神经网络（NN）系统来控制USM特殊电机,可很好地控制USM电机的转子位置,模拟神经网络系统可以在线学习变化速率,也能有效地减少参数变化的影响及外部干扰,此系统可获得精确的轨迹响应。     

基于模糊神经网络算法的机器人路径规划研究

路径规划是移动机器人研究的关键技术之一。在研究模糊理论和神经网络的基础上,提出了一种新的算法,即模糊神经网络。模糊神经网络既可以像神经网络那样并行处理、自行学习,又可以像模糊理论处理模糊信息、完成模糊推理功能。采用模糊神经网络来对移动机器人的路径进行规划,充分发挥模糊理论和神经网络的各自优势,从而获得从起始点到目标点的最优路径。在环境信息完全未知且静态的情况下进行了仿真实验,结果表明:该算法效率高、收敛速度快,有效提高了移动机器人的智能化水平。     

模糊混沌神经网络的构建方法研究

基于混沌神经网络的构建过程,提出一种构建模糊混沌神经网络(FCNN)的方法,在介绍了BP算法及混沌神经网络概念的基础上,给出了混沌BP算法,并提出了基于混沌BP算法的模糊混沌神经元的动态模型,从而构建模糊混沌神经网络。主要讨论所构建的模糊混沌神经网络的模糊特性、耗散性和李亚普诺夫性能指标。给出了模型具有模糊特性的几个特征,以及满足耗散性和混沌特性的条件。仿真实验表明所提出的模糊混沌神经元模型既具有模糊特性又具有混沌特性。     

模糊神经网络的发展

介绍了模糊神经网络及其提出,论述了模糊神经网络现状,探讨了模糊神经网络的不足与展望。     

基于模糊BP神经网络的抑郁症分诊系统

基于模糊逻辑和BP神经网络相结合的方式,提出了一种抑郁症的早期自动诊断方法,研究了抑郁症的分诊指标和分级标准的确定和模糊处理方法,把模糊量化的数据作为BP神经网络的输入,构建了合适的3层BP神经网络.仿真结果显示,综合运用模糊算法和BP神经网络的方法能达到优势互补的效果,构建的模糊神经网络用于抑郁症的诊断是可行的.     

基于Hopfield网络的模糊神经网络优化方法

针对训练模糊神经网络时收敛时间慢,难以实时实现的缺点,将Ｈｏｐｆｉｅｌｄ网络引入模糊神经网络权值的优化问题中,从而融合了Ｈｏｐｆｉｅｌｄ网络可进行实时优化和模糊神经网络可引入专家知识化权值的优点。理论分析和模拟实验表明,这种网络可以在电路时间常数数量级内给出优化后的模糊神经网络权值,并且具有Ｌｙａｐｕｎｏｖ意义下的稳定性,为模糊神经网络权值的实时优化提供了一条新途径。     

TD再励学习在卫星姿态控制中的应用

随着卫星姿态控制系统对控制精度、鲁棒性和抗干扰要求的不断提高,将模糊神经网络控制引入到三轴稳定卫星的姿态控制中,并采用基于时差(TD)法的再励学习来解决模糊神经网络参数在线调整的问题,可以在无需训练样本的前提下实现控制器的在线学习. 仿真结果表明,这种结合再励学习的控制算法不仅可以满足对姿态控制精度的要求,有效地抵制了外界干扰,并对卫星的不确定性有较强的鲁棒性.     

基于模糊神经网络的压边力优化控制专家系统

说明了压边力优化控制模糊神经网络专家系统的总体结构框架及系统各模块的功能,对模糊神经元的选取、模糊神经网络的构造和模型神经推理机制进行了深入的阐述,针对板料拉深过程中的变量选取了模糊神经网络的输入输入参数。在板料拉深过程中,应用压边力优化控制模糊神经网络专家系统实现了冲压成形过程的智能化控制。