基于力信号和智能控制的电解加工间隙检测与控制

采集真实电解加工过程中阴极表面上的力信号,利用小波变换对采集的信号进行降噪处理,得到一条随着间隙减小而光滑增大的力信号趋势曲线.用这些力-间隙数据对训练一个BP神经网络,通过训练好的网络和在线测得的力实现间隙的在线预报,并设计了一个模糊控制器.利用上述从试验中获得的间隙-力关系训练另一个BP神经网络,实现间隙向力信号的映射,把间隙的误差转化为力的误差及误差的变化信号,以此作为模糊控制器的输入,以加工电压的增量作为模糊控制器输出,实现对间隙的控制.在Matlab的simulink模块中建立了由神经网络、模糊控制器和电解加工系统联合组成的智能控制系统的仿真模型,进行了仿真试验,试验结果表明对间隙的控制效果满意,特别是快速性和鲁棒性好.     

一种非线性系统神经网络直接控制器的设计

提出了一种使用神经网络作为非线性对象直接控制器的设计方法 ,该控制器由一个常规控制器和一个神经网络控制器组成 .常规控制器对系统给出粗略控制 ,神经网络控制器给出补偿信号来进一步减小系统输出跟踪误差 .该方法对被控非线性对象类型的限制很少 .在该方法中 ,径向基函数 (RBF)神经网络被用来进行训练 ,训练后系统具有较好的稳定性 .仿真结果表明 ,该方法非常有效 ,对非线性系统能取得比较满意的控制效果     

一种基于模糊神经网络的智能PID控制器

本文设计了一种基于模糊神经网络的PID控制器,利用模糊神经网络对被控制象进行模糊辨识,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,实现PID控制的智能化。通过仿真实验表明,该控制器具有较高的控制品质。     

基于RBF模糊神经网络控制器的设计及仿真

本文结合模糊控制和神经网络控制各自的特点,设计了RBF模糊神经网络控制器,并应用到洗衣机的控制中.最后,在MATLAB中实现了仿真达到了预期的误差精度要求.     

用 BP 算法实现模糊控制规则的自校正

利用ＢＰ算法对模糊神经网络（ＦＮＮ）所能执行的控制规则进行自校正,使应用到工业过程的模糊控制器的性能得到改进．仿真结果表明,用改进后的方法设计的模糊控制器能够显著地减小系统的稳态误差,具有比较快的响应速度和较强的鲁棒性．     

基于模糊逻辑控制的航天器返回段姿态控制

用模糊逻辑控制方法设计某型机组返回器CRV（Crew Return Vehicle）在再入大气层飞行阶段的姿态飞行控制系统。它由3个相互独立的模糊控制器分别实现对攻角、侧滑角和倾斜角的跟踪与控制。每个控制器以相关的角度跟踪误差及其微分信号为输入,来控制相应的气动舵面偏转,实现对该角度姿态的跟踪控制。数字仿真计算给出了良好的仿真结果,表明了模糊逻辑控制技术在CRV飞行控制系统设计中的应用潜力。     

基于模糊神经网络的参数自整定PID控制系统设计

利用多层神经网络构建模糊自适应PID控制器，通过神经网络自学习能力在线提取模糊控制规则，优化控制器隶属度函数，根据不同时刻的误差e和误差变化ec运用模糊推理在线自整定PID参数。仿真实验表明，该控制系统具有优良的控制性能。此外，通过遗传算法对模糊神经网络的学习速率和惯性系数等进行了优化，为控制系统实现最优控制提供了有力保证。     

基于模糊神经网络的染色机温度控制

针对染色过程中温度控制系统具有严重的非线性以及较大的时间滞后性，无法精确建立数学模型的特点，设计了一种模糊神经网络控制算法．该算法能实现对恒温、升温、降温过程的分别控制，以达到提高控制效果的目的．提出模糊神经网络控制方法，并设计出相应的控制器，通过Matlab仿真及实际应用论证了该控制器的可行性．     

一种基于模糊神经网络的自适应PID智能控制器

设计了一种新的基于模糊神经网络的自适应PID智能控制器,该系统利用模糊神经网络对被控对象进行模糊辨识,同时,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,从而实现PID控制的自适应和智能化。仿真实验表明,该控制器具有较高的控制品质。     

轮式机器人遗传模糊神经网络转向控制

针对数学模型复杂的轮式机器人的转向控制问题，使用基于遗传算法的模糊神经网络转向控制方法．首先建立车辆的神经网络模型，然后构造模糊神经网络控制器，再用遗传算法寻找模糊神经网络控制器的参数，最后提高控制器对速度变化的适应性．仿真表明，该方法可以对机器人的转向进行有效控制，效果良好，能适应各种不同速度变化，是一种有实用意义的控制方法．     

模糊神经网络在电阻炉温度控制系统中应用

针对电阻炉具有时变,分布参数的非线性特性,将模糊神经网络控制应用于电阻炉温度控制系统.该控制器自适应能力强,利用系统偏差和神经网络辨识模型的输出对模糊神经网络控制器的参数通过一种改进的BP算法进行在线调节,达到对电阻炉温度的实时控制.仿真结果表明模糊神经网络控制器具有良好的控制效果,优于一般PID控制.     

电液负载模拟器神经网络辨识器及控制器设计

针对传统控制方法无法解决飞机舵机电液负载模拟器受多余力等非线性因素严重干扰的问题,给出了一种基于神经网络辨识器及控制器的复合控制结构,结合了神经网络系统辨识与自适应实时控制的工作特点。根据电液负载模拟器控制结构及工作原理,采用BP神经网络辨识器在线辨识,获得系统辨识模型以替代理论数学模型。然后,采用Adaline神经网络控制器实时控制,利用系统误差信号与BP神经网络反向递归计算Adaline网络权值调整信息,获得系统控制参数,实现复合控制器的有效监督与智能控制。最后利用MATLAB进行实验验证,仿真结果表明：该方法能够提高系统控制精度,多余力消扰率达92%;并且可以有效模拟飞机舵机所受力载荷的变化情况,实现系统指令信号快速、准确、稳定的加载。     

基于神经网络的交叉口多相位模糊控制

根据城市交叉口交通流的特点,给出了一种交叉口多相位自适应控制算法,综合考虑相邻车道上的车队长度,利用多层BP神经网络实现了道路交叉口多相位模糊控制．仿真结果表明,文中所设计的模糊神经网络控制器能有效地减少单交叉口平均车辆延误,具有较强的学习和泛化能力,是实现交通系统智能控制的一条新途径．     

基于模糊控制的人工神经网络模拟在土质边坡安全预测中的应用

从最优化角度出发,用神经网络解决模糊控制系统的规则提取问题,给出可靠的基于BP算法的可靠神经网络模拟过程,对模糊子集个数的选取与系统复杂性、精确性之间的关系进行讨论.为获得边坡复杂工况下的安全特征,建立基于模糊控制的人工神经网络边坡安全预测模型,由大量样本进行网络训练.研究结果表明:所建立的模型预测精度较高,且实用易行;边坡的坡度、内摩擦角、凝聚力对边坡的安全系数影响较大;该预测模型可用于处理普遍存在的不确定性、非线性复杂工程问题;通过模糊控制调整模型,可对不同工程对象进行较精确的模拟分析.     

基于BP神经网络的静液压变速器控制研究

静液压变速器(HST)的操控性是农用车辆性能提升的关键,采用一种基于BP(back propagation)神经网络的新型控制策略,对HST马达输出转速的动态特性进行研究.基于变量泵—定量马达静液压传动系统的数学模型,首先对比研究了传统PID控制、模糊控制以及BP神经网络控制3种方法的控制效果,结果表明:与传统PID控制和模糊控制相比,BP神经网络控制能有效抑制系统超调量并降低马达转速波动,减小系统达到稳态的调节时间,具有良好的鲁棒性.基于此,提出采用BP神经网络控制方法对具有更大马达转速变化范围的变量泵—变量马达传动系统进行调查,研究结果表明,在对变量泵、变量马达分段控制中,该方法能实现较稳定的切换效果;在不同的负载等效转动惯量下,马达转速均能达到稳定状态,且由负载引起的转速波动也得到降低.研究结果表明,BP神经网络控制方法对变量泵—变量马达传动系统具有潜在的控制优势.     

基于T-S模糊模型的自适应重构控制

针对建模误差,外界干扰及操作故障等因素对重构控制的影响,提出了一种基于T-S模糊模型的自适应重构控制方案。整个方案基于模糊T-S模型,在与神经网络的学习能力相结合后,使模糊控制器能自动调整它的隶属度函数,为模糊控制器增加了相当的灵活性,可重构的控制律又使系统在故障情况下的输出精确跟踪期望参考模型的输出,可以有效地补偿故障引起的非线性因素的影响。仿真结果表明了所提出的方法的有效性。     

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.     

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。