带神经网络补偿的Smith预估极点配置自校正控制

用一个常规线性模型对被控对象进行辨识,线性模型辨识的余差用一个神经网络进行补偿,线性模型和神经网络共同构成对象的辨识模型·基于这一模型对大滞后对象提出了带神经网络补偿的Ｓｍｉｔｈ预估极点配置自校正控制和带神经网络补偿的Ｓｍｉｔｈ预估极点配置自校正ＰＩＤ控制·这些方法适用于非线性对象,具有较强的鲁棒性和较好的控制精度·     

极点配置自校正鲁棒控制算法

从极点配置自校正控制和鲁棒估计与控制相结合的角度出发，研究出一种当输入信号和对象参数在较大范围内变化时有较好鲁棒性能的控制算法。并通过仿真对算法的有效性进行了验证。     

广义极点配置隐式自校正控制器

本文提出一种隐式自校正控制经是基于模型和辅助系统ｄ步前向预报，将闭环极点设定在所希望位置，控制器是由辅助系统推出，其参数由对象参数调节，该控制器量种独立、隐式控制算法、仿真表明，对于时变非最小相位系统都具有强鲁棒性及良好动态响应。     

控制系统极点配置的 ANN 方法

基于神经网络技术,给出了一种新的用于多输入多输出线性控制系统极点配置的ＡＮＮ（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ）方法,并通过仿真验证了该方法的有效性和可行性。     

一类多变量系统广义极点配置自校正控制器

本文针对一类所谓P规范型多变量系统提出了一种广义极点配置自校正控制器。该控制器可以处理系统中各通道之间延时不相等的情况。它可以跟踪系统的参考输入并且可以使系统有希望的闭环响应特性。同时还可以实现解耦自适应控制和消除静态误差。     

串级前馈式极点配置自校正PID控制器

对传统的数字ＰＩＤ结构进行了改进，增加了对给定值的滤波作用，同时考虑了串级控制方案。使极点配置自校正技术处理复杂工况的能力有效较大的提高，仿真结果表明了的给控制器的有效性。     

一类非线性系统的极点配置自校正鲁棒控制

本文在文献[1]和[2]的基础上,针对一类较广泛地存在于工业过程和电气传动控制之中的非线性未知系统,提出了一种快速辨识算法,证明和分析了该算法的收敛性,结合该算法设计了一种极点配置自校正鲁棒控制器。理论分析和数字仿真的结果表明:本文给出的方法为这类非线性未知系统的控制提供了一种途径。     

极点配置广义最小方差自校正控制器

本文根据极点配置要求,提出了一种修正的广义最小方差自校正控制器算法,用独立于加权因子的一组参数来实现在线调整加权因子。文中算法克服了现有的类似方案和其他极点配置算法在收敛性方面存在的困难。     

基于神经网络的模糊控制器

提出一种基于神经网络的模糊控制器。它可以把模糊控制的控制规则转化为多层前向神经网络的一对输入、输出样本。用Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法对网络进行训练,使得网络记忆这些样本,并将这些样本以权值矩阵的形式存储的网络中。网络以”联想记忆“的形式来使用获得的经验对对象实施控制。知道了被控对象少量的定性知识,就可以用这种方法控制对象的行为,这种控制方案可用于对受控对象缺乏精确的数学描述或具有时滞     

基于神经网络的模糊控制系统的研究

从模糊理论和神经网络各自特点出发 ,详细讨论这 2大系统的联系和区别 .进一步将两者有机的结合起来 ,实现基于神经网络的模糊控制推理结构的设计 ,同时给出其设计的方法和步骤 .显示两者的结合是实现更完美智能控制系统的有效途径 .     

基于模糊划分的神经网络集成

基于模糊聚类思想,提出了一种神经网络集成方法.由训练数据的模糊聚类结果,把训练数据划分成相交子集,基于各子集生成集成的个体神经网络.由于各子集所包含的数据和数据的类别各不相同,因而个体神经网络性能和结构存在差异.子集个数确定集成中个体神经网络个数.另外,基于隶属度函数计算公式,提出了个体神经网络输出结论结合方法.理论分析和实验结果表明,此方法对模式分类能取得较好的效果.     

模糊神经网络的若干进展

文章对本世纪80年代中期兴起并紧密结合现代科学技术进步的一门新兴学科——模糊神经网络进行了综述，分析了所取得的主要成果及其特点，并指出了今后模糊神经网络研究中有待解决的许多阿题。对开展模糊神经网络的研究将具有启迪作用和现实意义。     

一种用于模式分类有监督的模糊ART神经网络

探讨了一种将有监督学习机制融合到模糊ＡＲＴ网络构成一个有监督的模糊ＡＲＴ神经网络模型,这种网络能同时处理有监督和无监督学习问题,并具有积累和增加网络学习的能力,对该网络进行了滚动轴承检测数据模式分类实验,并与ＢＰ网络进行了比较性实验,结果表明：该网络具有良好模式分类能力和较好的可塑性。     

基于模糊神经网络的水力机组模型辨识

根据水力机组可分段线性化的特性,提出了水力机组简易模糊语言模型。在此基础上,将反馈控制思想引入系统辨识,同时结合神经网络的易学习特点给出了基于模糊神经网络的水力机组模型结构及其算法。最后将所建模型运用于灯泡贯流式机组的在线预测。试验结果表明,该模型在线修正工作量小,并能迅速地、较为准确地逼近实际系统的输出,可以作为贯流式机组自适应控制的实时预测模型。     

一种基于模糊神经网络的变压器故障检测

阐述了基于模糊神经网络变压器故障检测的方法及数学模型．从传统的ＢＡＭ 网络入手,结合模糊理论,根据变压器油的气相色谱分析,运用基于模糊Ｈｅｂｂｉａｎ 学习律的模糊联想记忆（ＦＡＭ）,进行变压器故障类型和严重程度检测的方法步骤．模型算法分为两个步骤：激励阶段和冲突解决阶段．试验表明,该方法精度较高,应用方便．     

一种基于子波特征的模糊神经网络目标识别方法

针对雷达目标识别中相对不变特征量提取这一问题，提出了一种基于子波变换的特征提取方法．通过对三类飞机一维距离像的分类和识别，验证了这种方法的有效性，同时在将模糊神经网络作为模式分类器方面做出初步尝试。     

基于模糊理论与神经网络的人才评价方法

在简单分析传统线性人才评价方法缺点的基础上,介绍了一种基于模糊理论与神经网络的人才评价方法.该方法利用模糊变换将分层指标的模糊评价转换为总体模糊评价,并利用BP神经网络计算总体模糊评价对应的最终结果.     

一种基于模糊推理的神经网络学习算法

提出了一种新的神经网络学习算法．相对于其他学习算法，该算法侧重于网络参数的调整，通过对样本集的模糊推理、调整和分类学习来实现自适应的神经网络学习．结果表明，该算法能大大提高神经网络的学习速度和学习效率，并能从样本集中得到反常样本和小概率事件样本，对小概率事件样本有很好的学习能力．