模糊神经网络控制器的设计与仿真

提出了一种复杂系统模糊建模及控制的神经网络方法,通过ＢＰ神经网络,对模糊规则的结论参数和隶属函数进行在线修正,实现模糊规则的自组织,这种控制方法可用地对受控对象缺乏精确的数学模型或具有时滞,高阶,非线性等难以用现有的控制理论分析方法和控制的复杂系统,仿真结果证明了这种方法的有效性。     

模糊神经网络的MRAC在环境试验箱控制中应用

针对环境试验箱具有非线性、时变性、强耦合性使得经典控制理论难以对其进行有效控制的问题,提出了以模糊神经网络构成间接模型参考自适应控制方案,以满足系统稳定性、实时性的设计要求.阐述了如何运用模糊神经网络构造间接模型参考自适应控制系统及如何对模糊神经网络构造的辩识器和控制器进行学习和训练.仿真结果表明,该智能控制系统具有很强的鲁棒性和控制复杂被控对象的优越性.     

模糊神经网络控制器参数的混沌优化

为了优化模糊神经网络的参数,将混沌变量引入到模糊神经网络参数寻优方式中,根据系统的性能指标,采用混沌变量进行粗搜索寻优模糊神经网络参数,然后在粗寻优基础上引入基于模拟退火策略的混沌细搜索,最后搜索出的模糊神经网络参数是全局最优的.仿真结果表明:该控制方案有效地实现对非线性对象的最优控制,为工业过程非线性复杂系统的控制提供了一种有效的控制方案.     

基于递阶监督的一类多模型自适应控制

针对包含多个子系统的复杂系统,在控制中若使整个系统及子系统的性能最优,常规的控制方法难以实现.在采用一类多模型方案后,提出一种递阶智能监督控制策略,利用模糊神经网络、模糊决策构成了递阶控制的组织级和协调级.经过对混合动力汽车(HEV)的多能源动力总成控制系统进行的仿真研究,表明了该方法的有效性.     

基于动态递归模糊神经网络的动态系统辨识

模糊系统和神经网络由于具有逼近任意连续非线性映射的特性而广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识,而现实工程中的控制对象反映的是系统的动态行为.为了提高动态系统的辨识精度,提出了一种新型的动态递归模糊神经网络,并根据动态递归神经网络的数学模型推导其动态反向传播学习算法及其改进算法.仿真结果表明:由于动态模糊神经网络的辨识过程同时利用了系统的当前数据和历史数据,对动态系统的辨识,特别是对具有纯时间延迟动态系统的辨识,较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果.同时,确定网络权值和隶属函数参数初始值的方法可使动态系统的辨识过程具有更快的收敛速度.     

混沌Arneodo系统非线性与自适应模糊神经网络控制

针对Arneodo系统的参数不确定性,阐述了Arneodo控制系统中抵消非线性的基本思想和设计方法.利用LQR线性反馈技术,设计了具有稳定裕度的二次型最优控制器,同时在控制器中引入一个用于函数逼近的自适应模糊神经网络,利用该神经网络抵消控制系统中的非线性项,使受控系统的某一状态变量可被镇定到任意参考位置.这种具有模糊神经网络的控制器实现了参数不确定系统的精确反馈线性化控制.通过仿真比较研究,说明了反馈线性化与自适应神经网络相结合的控制器具有良好的控制性能,且更易实现.     

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。     

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.     

基于自适应模糊神经网络的机器人路径规划方法

为了解决传统反应式导航中的复杂陷阱问题,优化导航控制,减少计算复杂度,提出了基于自适应模糊神经网络的机器人导航控制及改进型虚目标路径规划方法.首先根据移动机器人运动学模型,融合神经网络的自主学习功能与模糊控制的模糊推理能力,提出了基于自适应模糊神经网络的机器人导航控制器,将生成的Takagi-Sugeno型模糊推理系统作为机器人局部反应控制的参考模型.该自适应模糊神经网络控制器实时输出扰动角度,在线调整移动机器人的预瞄准方向,使移动机器人能够无碰撞趋向目标.然后,提出了一种改进型虚目标方法,优先选择机器人可能逃脱陷阱状态的路径,简化了设计难度,改变了虚目标切换方式,避免了大量复杂计算.实验结果表明,提出的方法可以帮助机器人在全局信息未知的复杂环境中导航,在趋近目标点的过程中能有效避障,无冗余路径产生,且轨迹平滑.     

遗传算法的人工智能在交流伺服中的设计

针对永磁同步电动机交流伺服系统,提出了遗传算法的模糊神经网络控制方案。在交流伺服系统的设计中,采用模糊神经网络控制器作为其位置调节器.结合遗传算法的快速搜索功能,使得系统定位准确、快速,与通常的PID控制模式相比,具有良好的动态、稳态性能以及较强的鲁棒性,从而证明了这种设计方法的合理性和优越性。     

感应电动机的动态模糊神经网络控制系统

提出了一种新方法,感应电机鲁棒性轨道跟踪,结合变量结构系统原理和模糊逻辑及神经网络技术,提出了改进算法,为了提高学习及神经网络的鲁棒性,模糊逻辑用于自适应学习算法,这种改进的控制算法更能灵活适应参数的变化及外部的影响.它也确保了精确的轨迹跟踪,仿真和试验结果表明,这种控制方法是有效的.     

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.     

适用于励磁系统建模的模糊神经网络方法

基于原有励磁建模方法,将模糊理论和神经网络相结合,充分利用模糊理论处理不精确问题和神经网络较强的泛化能力等优势,形成一种模糊神经网络(FNN),并推导了FNN的学习算法.将此FNN用于发电机的控制环节——励磁系统建模.仿真结果显示,FNN模型能够较精确地对实际系统进行拟合.     

基于模糊神经网络的变风量空调末端控制方法

针对变风量空调系统末端的稳定控制问题,根据被控对象的特点,提出了采用模糊神经网络(FNN)控制变风量空调系统末端的方案.在MATLAB仿真环境下对模糊神经网络的控制效果进行了模拟仿真,并与普通模糊控制器及典型PID控制器的控制效果进行了比较,结果表明模糊神经网络控制器可以稳定、有效的控制变风量系统的末端装置.     

基于T-S模型模糊神经网络预测的退火炉温度控制

目的提出一种能够提高退火炉温度控制系统的性能和精度的具体方案,增强控制系统的鲁棒性.方法针对退火炉温度控制系统具有多变量,非线性和不确定性的特点,将T-S模糊神经网络与预测控制相结合,在线建立被控对象的数学模型,并用BP神经网络控制器对所得到的信息在线修正,进而控制退火炉炉温.并通过仿真与传统的模糊PID控制方案进行对比分析.结果 T-S模糊神经网络预测控制方案具有较强的控制精度和动态性能,预测精度高、容错性好、收敛速度快,基本无超调等特点.结论 T-S模糊神经网络预测控制能够提高产品退火质量、节能环保,可以应用于退火炉炉温的优化控制.     

具有死区输入的不确定分数阶混沌系统的同步

针对一类具有死区非线性输入和外部扰动的不确定分数阶混沌系统同步问题,提出一种模糊神经网络结合自适应滑模控制的同步方法.利用模糊神经网络逼近未知的非线性函数,并且对逼近误差采用自适应控制进行补偿,同时构造了一种具有较强鲁棒性的分数阶积分滑模面.应用分数阶Barbalat引理和分数阶稳定性理论,设计自适应模糊神经网络滑模控制器和参数自适应律.数值仿真结果验证了该控制方法的有效性.     

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.     

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。     

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.     

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．