具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样...     

一类混沌系统的模糊自适应控制

模糊控制器具有设计简单,适用于非线性系统和鲁棒性的特点,在工程实践中有广泛的应用。本文针对单输入一单输出的非线性混沌系统,提出了一种新的模糊自适应控制方法。此方法中,用两个模糊逻辑系统逼近两个未知函数,并根据跟踪误差来定义参考误差,再根据前一步参考误差来修正两个模糊逻辑系统的输入,以此对逼近误差进行补偿。该方法不但能保证闭环系统稳定,而且可使跟踪误差收敛于原点或原点的一个小领域内。     

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。     

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.     

基于RBF神经网络的一类非线性系统模糊自适应控制

针对一类非线性不确定系统,基于ＲＢＦ神经网络,结合模糊滑模控制提出了一种自适应控制方法。根据Ｌｙａｐｕｎｏｖ稳定性理论设计ＲＢＦ网络和模糊滑模补偿控制器的参数。     

基于CMAC神经网络的一类SISO非线性系统的自适应反馈线性化控制

在已知名义系统的基础上,将ＣＭＡＣ神经网络用于一类状态反馈可线性化的单输入单输出（ＳＩＳＯ）连续时间非线性系统的鲁棒自适应反馈线性化,使系统获得要求的跟踪性能,控制器的结构为自适应反馈线性化控制律加一个鲁棒控制项,在很弱的假设条件下,应用李雅普诺夫稳定性理论证明了闭环系统内的所有信号为ＵＵＢ（均匀最终有界）．本方法特别适合于已知名义系统模型但具有不确定性的一类非线性系统的实时控制。仿真算例进一步证明了本方法的正确与有效。     

模糊神经网络模型参考自适应控制

给出了一种基于模糊神经网络的模型参考自适应控制方案。首先,构造了一种运用递推预报误差（ＲＰＥ）算法的多层前向神经网络,并用其对被控对象建模,然后,又构造了一种模糊神经网络控制器（ＦＮＮＣ）。从而为一类难以建立精确数学模型的非线性被控对象提供了一种新的自适应控制方法,信息结果验证了其有效性。     

基于CMAC神经网络的一类SISO非线性系统的自适应反馈 …

在已知名义系统的基础上,将ＣＡＡＣ神经网络用于一类状态反馈疔线性化的单输入单输出（ＳＩＳＯ）连续时间非线性系统的鲁棒自适应反馈线性化。使系统获得要求的跟踪性能,控制器的结构为自适应反馈线性化控制律加一个鲁棒控制项,在很弱的假设条件下,应用李雅普诺夫稳定性理论证明了闭环系统内的所有信号为ＵＵＢ（均匀最终有界）。本文衍特别适合于已知名义系统模型但具有不确定性的一类非线性系统的实时控制。仿真算例进一步证     

一类非线性系统反馈线性化的遗传神经网络实现

利用Ｈｏｐｆｉｅｌｄ反馈神经网络对一类仿射非线性系统进行反馈线性化，然后利用常规的ＰＩ控制方法设计控制器，同时指出，利用神经网络不仅可以对系统的状态进行辨识，而且可以辨识其相对阶数，并给出了完整的证明，在训练神经网络时，提出了一直直接基于寻优参数的遗传算法ＤＰＧＡ，仿真结果说明了该线性化方法的有效性。     

一类非线性多变量系统的模糊神经网络自适应控制

针对一类数学模型不完全确知并包含外部扰动的非线性多变量系统，提出一种模糊神经网络(FNN)自适应控制策略．用FNN模型在线辨识非线性系统的未知动态，并根据误差系统的Riccati方程，设计H∞控制，有效抑制系统的外部扰动，该控制律采用Lyapunov设计方法来保证控制系统的稳定．FNN自适应控制策略解决了传统非线性控制器理论结果形式过于复杂，实用性差的问题，拓宽了非线性理论的应用范围．     

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。     

基于径向基神经网络的精馏塔产品质量自适应控制

对精馏塔全阶模型进行了分析 ,设计了基于RBF神经网络的直接自适应控制器。采用双端控制 ,克服了单端控制的不足。网络权值的调整算法基于所选择的Lyapunov函数 ,这样可保证闭环系统的稳定性和权值参数的收敛性。仿真结果表明所设计闭环系统具有良好的跟踪性和鲁棒性。     

基于自适应神经网络的歼击机模糊跟踪控制

提出了一种基于T-S模糊模型和自适应神经网络的跟踪控制方法.在系统具有未知不确定非线性特性的情况下,利用T-S模糊模型对系统的已知特性进行近似建模,设计基于模糊模型的模糊H∞跟踪控制律进行输出跟踪控制.在模糊控制的基础上,引入了基于RBF神经网络的自适应控制,用于在线对消不确定项和模糊建模误差的影响,以保证系统具有期望的鲁棒H∞跟踪性能.所提出的方案保证了闭环系统的稳定性,有效地提高了系统的鲁棒性和跟踪性能.仿真实例表明了所提出方法的有效性.     

基于二级倒立摆的自适应神经网络模糊控制

针对二级倒立摆系统,提出了一种先进的智能控制策略．该种方法采用BP算法与梯度下降法结合的混合算法对Takagb-Sugeno模糊模型中的前项及后件参数进行优化修正,在已获得的客观输入输出数据对的基础上,提出一种基于自适应神经网络的模糊推理系统ANFIS来对倒立摆系统进行建模和控制．仿真结果表明,所提出的设计方法是正确的和可行的．     

基于小波神经网络的自适应控制器设计

针对一类未知非线性系统,设计了一种基于小波神经网络的自适应控制器,并提出了一种适合在线学习的参数混合训练算法。根据离线和在线学习系统的特性,得到小波神经网络控制器的初始参数,使用混合训练算法在线修正控制律,实现了自适应控制。仿真结果验证了该控制方案的有效性。     

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.     

基于动态神经网络的非线性系统建模及其控制

结合已知机理信息构造动态神经网络 ,进行了非线性动态系统的建模 ,给出了权值调整算法。利用获得的模型 ,设计了反馈线性化控制器。由训练好的网络在线提供反馈线性化所需要的信息。为了解决模型失配问题 ,采用内模控制结构来引入模型的误差反馈 ,以消除稳态误差。文中给出了仿真实例。     

一种基于模糊神经网络控制系统的构建方法

给出了在构造基于模糊神经网络的控制系统的过程中利用遗传算法优化输人向量维数的一种改进方法,在此基础上进一步给出了一种通过数据分类提取模糊推理规则的方法,并且将两种方法结合起来形成一种基于模糊神经网络控制系统的构建方法．     

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果,发现该算法使控制器存在严重的“过学习”现象,为避免这一现象,设计了一种新的误差函数结构,得到改进的BP算法,针对一个存在大惯性环节的线性时变系统,对比分析了神经网络模型参考自适应控制器在采用传统的BP算法和改进的BP算法时得到的不同控制效果。     

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.