一种自学习专家控制器

对一类系统提出了一种两级产生式自学习专家控制器,该控制器依据一种较为完善的特征模型,将控制理论的定性知识应用于专家控制和自学习控制之中,从而使该自学习专家控制器具有良好的控制性能和适应性,仿真结果证实了这一点.文中还对两级控制分别给出了两种高效的推理方法,增强了控制的实时性。     

高速伺服注塑机成型过程预测迭代学习控制

将学习控制应用于高精密快速伺服注塑机成型过程，根据成型过程的特点设计了一个预测迭代学习控制器，并利用先前得到的系统模型对算法进行仿真．控制器由前馈和反馈控制两部分组成，引入滤波器用于增强学习控制器的鲁棒性．将预测学习控制算法在伺服注塑机上进行了实验．实验和仿真结果表明，该预测学习算法对提高成型过程的位置重复精度效果明显．     

稳定性监控自学习FNN控制器

针对一类未知的非线性系统，提出一种具有稳定性监控的实时自学习ＦＮＮ控制器．ＦＮＮ控制器采用遗传算法使自学习获得最优的性能指标；实时学习过程的稳定性则由基于李雅普诺夫方法设计的监控器来保证，使得ＦＮＮ控制器的自学习过程总是在全局稳定性的条件下进行．     

城市单路口交通信号两级模糊优化控制与仿真

该文提出交通信号两级模糊控制的两种优化方法.首先,针对两级模糊控制器在低流量下考虑多维交通状态变量致使路口交通状态弱化,提出一种两级组合模糊控制器,其采用0-1组合思想,立足路口交通状态特征选取模糊控制器的交通状态变量的组合及结构.接着,针对模糊控制器参数经验设置及不具备学习能力,提出一种两级模糊在线优化控制器,其引入滑动时间窗思想,采用混合遗传算法在线同时优化模糊控制器隶属函数和控制规则的参数;最后,开发两级模糊在线优化控制的Paramics仿真平台,对两种模型进行效用评价;仿真结果表明所提出的方法分别从模糊控制器结构和参数优化的角度改进了两级模糊控制器的不足,控制效果符合交通管理者的控制目标.     

水压频率的递归网络灵敏度预测控制研究

提出一种对水轮发电机组水压频率进行综合调节的记忆递归网络灵敏度预测控制器。控制器由预测网络的控制网络组成，预测网络向控制网络提供控制灵敏度信号。两个网络均根据学习和控制的收敛与稳定性定理自适应学习，仿真结果表明控制器能在线实时控制具有非线性，时变，多变量特性的水轮发电机组。有效控制水压。     

伺服系统串级递阶滑模变结构控制

提出了一种串级递阶滑结构控制，将三维空间结构的控制器分解为两个二阶系统的控制器独立设计，这两个控制器共同完成系统的状态受限、控制受限式串级递阶滑模控制。给出了参控制器参数的确定方法，使系统获得优良的动态过渡过程品质。     

水压频率的递归网络灵敏度预测控制研究

提出一种对水轮发电机组水压频率进行综合调节的记忆递归网络灵敏度预测控制器．控制器由预测网络和控制网络组成，预测网络向控制网络提供控制灵敏度信号．两个网络均根据学习和控制的收敛与稳定性定理自适应学习．仿真结果表明控制器能在线实时控制具有非线性、时变、多变量特性的水轮发电机组，有效控制水压．     

神经网络自适应模糊控制器设计与应用

把神经网与模糊系统相结合，提出一种基于神经网络的自适应模糊控制器，这种控制系统由模糊神经网络控制器和模糊网络组成，具有自适应学习能力，仿真结果以及应用于温度控制系统中，其鲁棒性明显优于一般Ｆｕｚｚｙ控制。     

监督模糊神经网络控制系统

设计了一个监督模糊神经网络（FNN）控制系统，它可以跟踪周期输入信号，控制系统由永磁（PM）同步伺服电机以及监督FNN位置控制系统组成。监督FNN控制系统由监督控制器和FNN滑式控制器组成。监督控制器可以在指定区域内稳定系统的状态。FNN滑式控制器由滑式控制和FNN组成，滑式控制有较好鲁棒性。FNN具有在线学习能力，作者对监督FNN控制系统进行了详细的理论分析和稳定性研究。仿真结果证明了此系统对参数变化和外部负荷干扰有很好的鲁棒性。     

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。     

Neural—networks—based Modelling and a Fuzzy Neural Networks Controller of MCFC

Molten Carbonate Fuel Cells(MCFC) are produced with a highly efficient and clean power generation technology which will soon be widely utilized.The temperature characters of MCFC stack are briefly analyzed.A radial basis function (RBF) neural networks identification technology is applied to set up the temperature nonlinear model of MCFC stack,and the identification structure,algorithm and modeling training process are given in detail.A fuzzy controllery of MCFC stack is designed.In order to improve its online control ability,a neural network trained by the I/O data of a fuzzy controller is designed.The neural networks can memorize and expand the inference rules of the fuzzy controller and substitute for the fuzzy controller to control MCFC stack online,A detailed design of the controller is given,The validity of MCFC stack modilling based on neural networks and the superior performance of the fuzzy neural networks controller are proved by Simulations.     

基于神经网络的非线性系统在线自校正控制及其应用

利用神经网络给出了设计非线性控制系统自适应控制器的方法,主要包括基于神经网络的非线性系统的在线直接自校正和间接自校正控制和满足局部能控一般非线性系统的神经网络自校正控制。从研究结果可以看出,由于神经网络的权系数的可调性以及神经网络对非线性的逼近性,利用神经网络所设计的自适应（或自校正）控制器,其闭环控制系统具有良好的动态与静态响应特性。所提供的控制器都可在线实现     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性,提出了一种基于神经网络的通用模型控制方法,将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线,由于径向基函数网络具有许多优点,该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。     

一种基于小波神经网络的自适应控制方法

提出了一种基于小波神经网络的自适应控制方法,该方法利用两个小波神经网络作为自适应系统的辩识器和控制器来构成自适应控制系统。由于小波函数具有紧支性以及神经网络的非线性映射能力,因而在所构成的控制系统中,辨识器能更准确地近似具有较强非线性被控对象的动态特性,控制器能产生较为复杂的控制规律。仿真结果表明,该系统比一般神经网络控制系统具有调节速度快和超调小等更好的控制效果。     

基于神经网络的永磁同步电机的鲁棒控制

提出一种基于神经网络的永磁同步电机的鲁棒控制策略·基于此策略设计了神经网络PID速度控制器,使速度控制器能实时在线调整,由一种混合型神经网络作为辨识器,利用神经网络的学习特性实现对永磁同步电机系统不确定性的鲁棒控制·为了加快响应速度,提高响应性能,采用多步预测性能指标函数下的反传算法·仿真和实验结果表明,所提出的控制方法明显优于一般永磁同步电机系统的控制方法,具有较强的鲁棒性·     

一种模糊神经网络自校正控制器设计与应用

本文提出了一种模糊神经网络智能控制方法，并介绍了采用多层神经网络表达模糊控制和知识规则，模糊推理和学习算法，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，其性质优于一般模糊控制。     

基于改进型RBF神经网络多变量系统的PID控制

针对工业控制中多输入多输出非线性时变系统,提出了基于改进型RBF神经网络的智能PID控制方法.采用最近邻聚类算法在线构造RBF神经网络辨识器并在线辨识被控对象,对PID控制器参数进行在线调整,实现了多变量非线性时变系统的解耦控制.仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制规律下的PID参数,解耦后的系统具有较好的动态和静态性能,与常规RBF神经网络PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性.     

基于神经网络的自适应控制器

提出了一种基于神经网络的控制系统,将传统ＰＩＤ工程整定法与神经网络相结合,采用直接自适应控制方法,使基于神经网络的控制器在ＰＩＤ控制的基础上实现自适应控制,更有效地改善控制品质．     

具有模糊联想神经网络的自组织模糊控制器

在分析了几种用神经网络实现的模糊控制器不足的基础上，提出一种用模糊联想记忆神经网络实现的自组织模糊控制器；该控制器由２个模糊联想记忆神经网络分别记忆校正规则表和修正控制规则表，并通过网络权值矩阵的在线修正完成控制规则的实时修正。模糊推理则由网络的自联想功能完成。