再励学习在交通信号控制中的应用

再励学习是一种利用评价信息(而不是网络实际输出与期望输出之差)来改善行为的神经模糊算法,采用"奖""罚"信号训练控制器.用再励学习的目的建立一个可调的模糊交通信号控制器,它能在不同交通情况下修改隶属函数参数,以达到较好的控制效果.其评价指标是车辆延误.仿真结果表明,再励学习在交通量稳定的交叉口信号控制中表现良好.     

再励学习在交通信号控制中的应用

再励学习是一种利用评价信息(而不是网络实际输出与期望输出之差)采改善行为的神经模糊算法，采用“奖”“罚”信号训练控制器．用再励学习的目的建立一个可调的模糊交通信号控制器，它能在不同交通情况下修改隶属函数参数，以达到较好的控制效果．其评价指标是车辆延误．仿真结果表明，再励学习在交通量稳定的交叉口信号控制中表现良好．     

一类再励学习控制器设计及其在倒车模型中的应用

考虑到神经网络学习算法的特点,给出了一种基于再励学习的自组织模糊CPN,它结合了自组织模糊CPN和再励算法的优点,在控制过程中在线调整网络结构以及对网络参数学习,学习效率高,控制结构简单.可以不要求受控对象的学习模型,实现在线控制,应用在倒车模型中仿真结果展示了所设计系统的良好控制性能.     

卫星姿态再励学习的模糊神经控制

将再励学习的模糊神经控制引入卫星姿态控制中，给出详尽的实现方法，推导了模糊神经控制器的自学习算法．直接利用再励信号，对控制器的参数进行在线调节，不需要控制器的学习样本．仿真结果表明该控制算法能有效地克服卫星的不确定性，具有较强的鲁棒性，可实现较高精度的卫星姿态控制．     

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.     

电液位置伺服系统的再励学习控制研究

针对非线性电液位置伺服系统的不确定性控制问题,提出了一种带有小脑模型（ＣＭＡＣ）神经网络的再励学习控制方法。将ＣＭＡＣ神经网络融入再励学习控制结构中,并进行了撞化与改进杯仅使再励学习控制器具备了泛化能力,而且提高了其学习速度,因此竽电液位置伺 服系统的快速跟踪控制。仿真结果表明,控制器不仅具有良好的处理非线性能力而且对时变外扰支具有明显的抑制作用。     

基于连续时间T-S模糊模型非线性系统的稳定性分析

针对一类连续时间非线性系统的稳定性分析问题, 提出一种基于Takagi-Sugeno模糊模型的稳定性分析新方法. 在模糊系统稳定性分析过程中,  通过加入松弛矩阵技术, 能充分考虑模糊隶属函数时间导数的有用信息, 并显著增加稳定性分析的自由度, 从而获得比已有稳定性判据保守性更小的连续时间Takagi-Sugeno模糊系统稳定性判据.  所提出的稳定性判据以线性矩阵不等式形式给出, 可方便地通过MATLAB数值软件求解. 仿真实验验证了所提方法的有效性.     

基于再励学习的被动动态步行机器人

为了研究仿人、能量高效的双足机器人步行,研制了由MACCEPA(mechanically adjustable compliance and controllable equilibrium position actuator)柔性驱动器驱动的半被动双足机器人,并实现了其动力学仿真系统.提出一种基于再励学习的步行控制方法.该方法首先采用Q-学习方法学习机器人在理想环境中的稳定步行步态及其控制策略,然后将此步态和控制策略作为模糊优胜学习方法的参考步态和参考控制策略并在线学习模糊网络的优胜值参数.仿真结果表明: 利用学习训练的结果控制柔性驱动器在步行相转换时的动作,机器人可以实现稳定动态步行.     

对称和非对称的启发式多Agent再励学习方法

针对解决对传统的多A gen t再励学习算法中,A gen t只能独立学习、不能合作学习的问题和启发式算法中只考虑了单个A gen t而没有推广到多A gen t的情况,给出了对称和非对称环境下的基于启发式的多A gen t再励学习算法。该算法基于A gen t之间的通信来获取其它A gen t的历史信息,以及动作选择策略,结合启发式算法思想,达到A gen t在学习过程中的合作的目的,最终提高学习的效率。以2个A gen t的2个状态3个动作选择为例,表明该算法的收敛速度高于传统分布式再励学习算法的收敛速度。     

一种新的CMAC函数逼近器及其再励学习方法

针对复杂再励学习系统状态空间存在维数灾问题，结合多移动机器人协调避障路径规划实际应用，用非均匀模糊分割方法将状态空间分解成模糊子空间，相应地将小脑模型连接控制器网络（Cerebellar Model Articulation Controller,CMAC)函数逼近器改进为模糊CMAC（Fuzzy CMAC,FCMAC)函数逼近器，并将FCMAC函数逼近器置入滞后更新多步Q（Pstphoned-Updating Multi-Stp Q-learning,PUMSQ)学习笮算法，提出FCMAC－PUMSQ学习算法，仿真实验证明，该算法有效且有较好的鲁棒性，FCMAC函数逼近器有较好的收敛速度和泛化能力。     

基于RBF网络的Takagi—Sugeno模糊控制器参数获取

ＲＢＦ网络是一种广泛应用的神经网络模型,而Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模糊推理规则是一种简化的模糊推理规则,两种方法的起源不同。文中分析了在一定条件下,ＲＢＦ网络与简化的Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模糊推理规则的函数等效性,揭示了网络权值与推理规则参数的对应关系,从而为两种方法的互换使用奠定了理论基础。在此基础上,提出了使用ＲＢＦ网络在实时控制过程中为一些复杂的被控对象获取Ｔａｋａｇｉ－Ｓｕｇｅｎｏ型     

基于Matlab和给小费模型的Mamdani与Takagi＆Sugeno型模糊推理算法研究

在模糊推理中,Mamdani和Takagi＆Sugeno是两种应用最广的模型。本文对这两种推理模型的原理进行了说明,并对其输入输出变量的形式、推理结果及适用范围等进行比较和分析。利用Matlab中Fuzzy工具箱,通过给小费模型进一步验证两种推理模型的优缺点和适用范围。     

镍闪速熔炼过程的模糊动态质量模型与控制

提出了利用Ｔａｋａｇｉ－Ｓｕｇｅｎｏ（简称Ｔ－Ｓ）模糊模型建立镍闪速熔炼过程动态质量模型的方法（即考虑过去与当前的输入、输出信息对将来输出的影响）,并对其动态过程进行了结构辨识和模型参数辨识。;在此基础上,针对建立的模糊动态模型,设计了２种不同的模糊控制器,一种是建立模糊动态质量模型的逆模型来实现控制;另一种是通过模型计算输出的前馈控制加系统输出的反馈控制来实现控制。经过２个月的离线指导和实际在线     

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构,讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性,表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．     

基于T-S模型的模糊神经网络

一种基于Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模型的模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，它相当于每条规则的适用度。后件网络用来实现模糊规则的后件。总的输出为各模糊规则后件的加权和，加权系数为各条规则的适用度。所提出的模糊神经网络具有局部逼近功能，且具有神经网络和模糊逻辑两者的优点。它既可以容易地表示模糊和定性的知识，又具有较好的学习能力。给出了调整规则后件参数及前件隶属度函数参数的学习算法，举例说明了它的逼近性能。     

多变量环境下基于递阶模糊神经网络的强化学习

针对多变量连续空间学习问题的复杂性，给出了一种采用递阶模糊神经网络(HFNN)的强化学习方法，两个结构相同的HFNN分别同时完成模糊动作的合成以及值函数的逼近，网络参数通过梯度下降法在线调整．该方法有效地解决了在多变量环境下所遇到的规则组合爆炸问题，减少了运算量和存储量．HFNN前一阶的输出不再作为下一阶的前件，而直接用于其结论部分，克服了前一阶输出含义不明确或没有含义所带来的设计问题．通过仿真二级倒立摆验证表明，所给出方法是正确可行的．     

基于知识的模糊神经网络临床路径变异分析方法

探索了基于Mamdani、Takagi Sugeno模型的模糊神经网络，以及BP神经网络在临床路径控制中的应用.提出了基于知识的模糊神经网络临床路径变异分析方法，以骨肉瘤化疗临床路径肝中毒变异为例进行了实例验证.分析了几种方法的有效性以及各自的优缺点.结果表明，在处理临床路径变异方面，基于知识的模糊神经网络与标准的BP神经网络相比，具有明显的优越性.     

混沌优化在模糊系统优化设计中的应用

在基于 T- S模型的模糊神经网络的基础上 ,提出了一种将混沌优化方法和最小二乘法相结合的优化方法。用变尺度混沌优化方法优化隶属函数参数 ,而用最小二乘法估计规则后件参数。该方法同时利用了变尺度混沌优化的快速全局搜索能力和最小二乘法的快速收敛性 ,因此网络学习速度快 ,精度高。仿真结果表明了该方法的有效性 ,所建立的模型具有良好的泛化能力。     

等延时模糊多变量系统的自适应控制

基于ＴａｋａｇｉＳｕｇｅｎｏ模型（ＴＳ模型）推导出等延时模糊多变量系统输出的预测模型，提出了等延时模糊多变量系统的自适应控制算法，并简要讨论了闭环系统的稳定性     

闪速炉的仿人模糊质量控制模型

在闪速熔炼过程模糊质量模型的基础上，进一步提出了闪速炉仿人模糊质量控制模型，即利用Takagi-Sugeno-Kang(TSK)模糊模型建立闪速熔炼炉产品质量的控制模型，并对控制模型进行了结构辨识和模型参数调整，在此基础上，针对闪速炉的运行状况，分别建立了静态和动态质量控制模型，仿真结果表明：动态质量控制模型要优于静态模型，在生产现场经过2个月的控制模型离线指导操作工操作，质量指标能够稳定地控制在指定的范围内，证实了动态模糊质量控制模型的有效性。