多微处理机神经网络主从控制系统在钳式吊中的应用

本文主要根据主机参数设计一个神经网络控制器,利用神经网络使从机的速度和力矩都跟随主机,从而达到主从跟随模式。然后根据设计参数仿真和运行,并成功地应用于钳式吊控制系统。     

基于模糊神经网络的机械手自适应控制

单纯的神经网络和单纯的模糊系统具有各自的优点和缺点,模糊神经网络是两者的结合,它可吸取两者的优点而达到更优良的性能。这里提出了一种基于模糊神经网络的自适应控制方法。在利用常规控制器提取初始模糊规则的基础上,利用专家经验对初始规则进行补充,最后再利用误差的反向传播算法对参数进行在线的自适应调整。该方法用于机械手的跟随控制,两个模糊神经网络分别用于主回路控制和对象的逆模型,最后得到了优于样本控制器的跟踪控制效果。     

模糊神经网络在电网综合补偿器设计中的应用

根据电网综合补偿器多输入多输出(MIMO)及非线性的特点, 提出了一种基于模糊神经网络的设计方法, 并首次采用该方法对电网综合补偿器的控制规则和设备参数进行了设计. 实验结果证明了电网综合补偿器的可行性和模糊神经网络设计方法的有效性.     

基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

基于改进模糊神经网络的PID参数自整定算法

针对传统的PID控制算法参数整定困难,控制效果并不理想,将神经网络算法、模糊控制算法结合在一起,形成了模糊神经网络PID参数自整定算法,并且对模糊神经网络进行改进,将神经网络输入的状态变量进行模糊化和归一化处理,采用BP神经网络自整定PID控制器的参数,根据RBF神经网络得到受控对象的Jacobian信息。仿真结果表明,基于模糊神经网络的PID自整定控制效果较好,具有一定的应用前景。     

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。     

混合动力汽车能量管理控制器参数优化

设计了一种新的基于人工免疫网络优化的模糊神经混合动力汽车能量管理控制器．该控制器结合模糊控制和神经网络的优点,利用神经网络的自学习能力,自动生成模糊规则和隶属函数,并不断优化隶属函数的参数,直到达到设计要求．为了避免神经网络的学习过程陷入局部极值点,采用人工免疫网络优化神经网络的参数．仿真结果显示,经过参数优化的模糊神经能量管理控制器的性能比普通能量管理控制器好,能进一步降低HEV的油耗．     

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.     

ANFIS在飞机稳定控制系统中的应用

对于现代飞行控制系统,提出用一种基于Sugeno型模糊推理的自适应神经网络模糊系统ANFIS代替传统的根据马赫数或高度单参数调参的控制律,通过设计和训练得到的模糊系统可实现根据高度和马赫数的双参数增益调参.仿真结果验证了该模糊系统可以保证训练点上输出与原设计相同的最优反馈增益,同时泛化出平衡点之间的增益参数,且当系统纵横向存在较大建模误差时同样也有较好的控制效果.     

基于Rough集理论的模糊神经网络构造方法

提出了在模糊神经网络中使用Rough集理论进行网络结构设计的方法。由于Rough集理论有强大的数值分析能力,而模糊神经网络具有准确的逼近收敛能力和较高的精度,所以通过两者的结合,可以得到一种可理解性好、计算简单、收敛速度快的神经网络模型。这种网络构造方法的主要过程为：首先,利用Rough集理论对给定数据集进行规则获取;然后,根据这些规则构造模糊神经网络各层的神经元个数及相关参数初始值;最后,用BP算法迭代求出网络的各种参数,完成网络的设计。给出了一个二维非线性函数拟合的实例,进一步验证了方法的正确性。     

基于遗传算法优化的自适应FNN-PID控制器研究

针对传统PID控制器参数整定后因无法在线自动调整而导致控制效果不理想的问题,提出了一种基于遗传算法优化模糊神经网络（FNN, Fuzzy Neural Network）的自适应FNN-PID控制器模型。该模型结合了模糊神经网络良好的自适应自学习能力和遗传算法强大的全局搜索能力,利用遗传算法对模糊神经网络的参数进行优化与训练,使PID控制器能够根据被控对象的变化而适时在线调整自身参数KP, KI和KD,从而达到理想的控制性能。将该控制器应用于异步电动机控制系统进行仿真实验,结果表明：基于遗传算法优化的自适应FNN-PID控制器具有较好的自适应能力和鲁棒性,控制效果明显优于传统PID控制器。     

监督模糊神经网络控制系统

设计了一个监督模糊神经网络（FNN）控制系统，它可以跟踪周期输入信号，控制系统由永磁（PM）同步伺服电机以及监督FNN位置控制系统组成。监督FNN控制系统由监督控制器和FNN滑式控制器组成。监督控制器可以在指定区域内稳定系统的状态。FNN滑式控制器由滑式控制和FNN组成，滑式控制有较好鲁棒性。FNN具有在线学习能力，作者对监督FNN控制系统进行了详细的理论分析和稳定性研究。仿真结果证明了此系统对参数变化和外部负荷干扰有很好的鲁棒性。     

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。     

前馈网络构造性设计中基于GP实现神经元激活函数类型优化

讨论了在前馈网络构造性设计中如何基于遗传编程(GP)实现神经元激活函数类型自动优化的问题.首先,提出了典型前馈网络的一种构造性设计方法框架,将整个网络的设计分解为单个神经元的逐个设计;然后,在此框架下提出了基于GP的单个神经元的设计方法,该方法可实现对激活函数类型的优化.仿真实验显示,本文的前馈网络构造性设计方案是可行的,与其他几种不优化激活函数类型的网络设计方法相比,本方法更有效,能用较小的网络规模获得更满意的泛化特性.     

基于小生境免疫算法的船舶FNN自动舵设计

结合隔离小生境技术的特点和免疫遗传算法的全局收敛特性,提出一种基于小生境免疫遗传算法的模糊神经网络控制器优化设计方法,并将其用于船舶自动舵的设计.隔离小生境能有效解决局部和全局收敛的矛盾,可以解决船舶运动控制的FNN控制器难于设计以及传统BP学习算法易于陷入局部收敛的不足.将神经网络结构辨识器作为船舶的辨识模型,船舶运动模型采用二阶非线性方程,模糊神经网络控制器为主控制器,对船舶航向运动控制系统进行仿真研究.结果表明,在船舶无干扰和存在随机干扰的情况下,由此设计的船舶自动舵控制系统均能使船舶转向控制无超调,跟踪快,与BP学习算法相比控制效果更趋于为理想,可以进一步提高航行的性能.     

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.     

稳定性监控自学习FNN控制器

针对一类未知的非线性系统，提出一种具有稳定性监控的实时自学习ＦＮＮ控制器．ＦＮＮ控制器采用遗传算法使自学习获得最优的性能指标；实时学习过程的稳定性则由基于李雅普诺夫方法设计的监控器来保证，使得ＦＮＮ控制器的自学习过程总是在全局稳定性的条件下进行．     

模糊神经网络在超声马达位置控制中的应用

提出了利用模糊神经网络控制器 (FNN)实现对超声马达位置进行控制的方法 ,并提出适应法则进行在线训练 ,以减小由于参数的不确定性和外部干扰对超声马达所产生的影响 ,提供了FNN控制器的结构图。仿真与实验研究表明 ,FNN控制器能够实现对超声马达位置的精确控制     

高斯隶属度函数模糊神经网络在肺癌诊断中的应用

选用隶属度函数为高斯函数的模糊神经网络用于肺癌诊断,尝试提高诊断的正确率.对于非二值输入参数,首先用高斯隶属度函数模糊化,然后与二值参数一起作为BP神经网络的输入参数.所用病例被随机分为训练集和证实集,训练模糊神经网络,用证实集测试该网络区分肺癌与非肺癌的能力.结果表明,用高斯隶属度函数的模糊神经网络比作为对照的三角形隶属度函数模糊神经网络诊断正确率有所提高,而且对病例如何分组不敏感.     

基于模糊Markov博弈控制求解伙伴选择问题

针对不确定条件下的伙伴选择决策问题,引入基于ANFIS和神经网络的模糊神经网络,实现了一种全新的进行值函数逼近的梯度下降Q学习的算法,对多影响因素进行FNN学习,将输出量作为标准Markov博弈模型的输入量,得到影响的策略,最后研究了一个应用实例,利用具体历史数据对建模方法和模型进行了验证和分析。