模糊神经网络技术用于结构主动控制的研究

提出了一种基于神经网络调整规范化因子的模糊神经网络控制策略，并以表面布置压电片的梁结构为控制对象进行了仿真．实验结果表明，该控制策略适用于不精确被控对象模型和非线性系统的控制．     

变结构模糊神经网络控制及其学习规律研究

提出变结构模糊神经网络控制及其学习算法,并对变结构模糊神经网络学习规律进行研究,变结构模糊神经网络中的模糊化神经网络（Ｆ＿ＦＮＮ）、模糊推理神经网络（Ｅ＿ＦＮＮ）和模糊决策神经网络（Ｄ＿ＦＮＮ）都是结构可变的,可分开进行模糊隶属函数及模糊推理的学习,其学习过程符合人脑由粗到精的认识规律,学习收敛速度比一般模糊网络快,具有很好的适应性。     

基于pi-sigma神经网络的模糊建模与控制及其仿真研究

提出了一种基于高木-关野模糊系统的pi-sigma神经网络结构、学习算法,并分析了学习算法的收敛性.用这种混合型pi-sigma神经网络系统去实现模糊规则及其隶属函数的修正,从而得到模糊推理的自适应性.在设计过程中,引入Zadel模糊取乘算子,使之适合基于梯度的学习算法.最后的仿真结果表明此种网络的有效性、优越性并且在非线性建模、控制等方面有重要的应用价值.     

温室温湿度遗传模糊神经网络控制仿真研究

利用模糊神经网络对温室夏季温湿度控制进行了仿真研究，同时为克服BP算法收敛速度慢和局部极小这两大弱点，采用改进的遗传算法对网络的参数进行训练，从而为将模糊逻辑、神经网络、遗传算法三者有机地结合起来应用于温室环境控制的可行性提供了理论依据。     

温室温湿度遗传模糊神经网络控制仿真研究

利用模糊神经网络对温室夏季温湿度控制进行了仿真研究 ,同时为了克服BP算法收敛速度慢和局部极小这两大弱点 ,采用改进的遗传算法对网络的参数进行训练 ,从而为将模糊逻辑、神经网络、遗传算法三者有机地结合起来应用于温室环境控制的可行性提供了理论依据     

汽车主动悬架自适应模糊PID控制仿真研究

建立了1/4主动悬架模型,设计出自适应模糊增益调节PID控制器,参照系统在时频两域中的响应情况对PID的控制参数进行整定,并使用模糊控制器对PID的控制量加以修正.对被动悬架、单纯PID控制的悬架和自适应模糊PID控制的悬架分别施以阶跃信号激励和积分白噪声信号激励进行仿真.结果表明,自适应模糊PID控制算法具有较好的控制效果和鲁棒性.     

用于机器手控制的动态模糊神经网络

为解决模糊控制中存在的区域界定问题,将神经网络与模糊控制相结合,提出了一种新的模糊逻辑与神经网络相结合的动态模糊神经网络机器人控制方案(DFNN),并利用采样数据在线动态构造模糊神经系统.仿真结果表明,DFNN系统地很好地克服机器人系统中存在的非线性、不确定性、强耦合等因素的影响,控制效果好,为工业机器人控制提供了一种新的解决方案.     

模糊神经网络控制及其学习方法的研究

对模糊神经网络的学习方法进行了研究.该方法中,在分层训练的基础上通过改变隐层节点数目、训练样本数目和BP算法参数来对网络进行训练.仿真结果表明该方法精简了网络的结构,减少了训练的时间,为模糊神经网络用于实时控制系统提供了可能的条件.     

基于自适应模糊神经网络的倒立摆控制仿真研究

提出一种自适应模糊神经网络,它能有效地学习和优化模糊控制规则和隶属度函数。并用该网络对单级倒立摆进行控制,仿真结果表明,该网络优于传统的模糊控制和神经网络。     

主动悬架神经网络控制的研究

本文建立了汽车主动悬架的两自由度模型,并以该模型为基础,研究了神经网络控制理论在汽车主动悬架中的应用。     

一种模糊小脑模型神经网络及其仿真研究

在传统小脑模型的基础上,利用其特有的寻址方式,引入模糊逻辑的思想,采用模糊隶属度函数作为接受域函数,提出了一种模糊小脑模型神经网络。重点研究了接受域函数的映射规律、隶属度函数及其参数的选取规律和学习算法。仿真结果表明,该模糊模型具有良好的泛化能力和逼近精度,且可获得连续性强且有解析微分输出的复杂函数。     

智能压路机压实模糊神经网络控制及仿真

将模糊系统与神经网络相结合,提出了一种由模糊化层、模糊推理层和清晰化层组成的模糊神经网络结构,并将其用于智能压路机压实控制.针对振动压路机的压实性能要求,采用钟型函数作为隶属度函数,通过计算规则重要度来提取模糊推理层规则群中比较重要的规则,运用补偿模糊神经网络的学习算法解决参数的自动调整问题.把工程实践中得出的模糊控制规则表作为训练模糊神经网络的样本,仿真结果表明该模糊神经网络控制器具有在误差限度范围内的泛化能力.     

模糊神经网络在结构振动控制中的应用研究

运用线性二次型经典最优控制算法获得学习样本,由神经网络反向传播算法训练产生模糊规则和隶属度函数,设计模糊神经网络控制器,通过某结构地震波作用下振动控制的数字仿真,表明模糊神经网络可以有效地应用到结构控制中.     

用神经网络对结构振动主动控制力的仿真算法

本文在运用经典最优控制算法讨论结构地震反应主动控制的基础上，应用人工神经网络理论中的ＢＰ网络模型提出结构振动主动控制力的新算法。工程实例的仿真结果表明：采用本文提出的算法较好的解决了求解控制力时由于传统算法本身的时迟问题，从而使结构振动的主动控制的品质得到很大的提高，并且避免了控制失稳现象的出现。     

智能桁架结构自适应模糊主动振动控制

针对智能桁架结构的振动抑制问题,研究如何设计自适应模糊主动振动控制器.结合模糊控制理论和传统的自适应控制理论,基于Lyapunov综合法,设计了一种稳定的直接型自适应模糊主动振动控制器.同时引入监督控制,把控制量分为自适应模糊控制量和监督控制量,监督控制的设计保证了系统状态量的有界性.最后,对一个平面16杆智能桁架结构进行了自适应模糊主动振动控制的仿真研究.结果表明: 在结构参数或外部环境发生变化时,直接型自适应模糊主动振动控制器仍可以获得理想的控制效果,具有很好的鲁棒性.     

柔性结构的自组织模糊主动振动控制

提出一种在线自组织模糊逻辑控制器的设计,该设计应用于含压电驱动器柔性结构的振动控制中,不需建模,可用输入／输出历史数据生成模糊规则,将生成的规则存储在模糊规则库中,通过自组织过程进行在线更新、同时对悬臂梁分别在瞬态和正弦激振下的模糊主动控制进行了仿真实验,结果表明,该控制器对上述两种激励的振动比传统模糊控制器有更明显的抑制作用。     

模糊神经网络分类器的主动学习方法

针对模糊神经网络分类器设计过程中所遇到的样本采样与标注过程耗时、代价大的问题,提出了一个新颖的模糊神经网络分类器主动学习方法,以最小-最大边界法以及确定样本的不确定性闽值两个新概念为主动样本选择准则,确保选择其中信息量尽可能大的样本进行标注,使得网络设计过程中对未标注样本的标注工作量和时间大为减少．实验结果表明,该方法与模糊神经网络的被动学习模型相比,训练样本数目大为减少,训练时间大大缩短．     

用于汽车主动悬架的模糊控制器的研究

对用于汽车主动悬架的模糊控制器进行了研究,以阶跃函数和模拟路面时间历程为输入对汽车１／４主动悬架模型进行计算机仿真,并与被动悬架模型进行对比分析,结果表明：用该模糊控制器控制的主动悬架,汽车的舒适性和安全性都得到了明显改善,是一种较为理想的模糊控制器。     

模糊神经网络分析方法用于心肌缺血诊断的研究

介绍一种神经网络－模糊推理协作系统。神经网络有很好的学习能力和准确拟合任意非线性函数的能力。模糊模型将专家知识转换到神经网络中，然后把它应用于诊断系统，从而使得心血管疾病（心肌缺血）的诊断准确率大大提高。     

车辆EPS模糊神经网络控制研究

在二自由度车辆转向和EPS动力学模型建立的基础上,设计了EPS模糊神经网络控制系统结构及其控制策略。对不同转向盘转角输入工况进行仿真计算。结果表明,与传统的机械式转向系统相比,有助力时车辆的横摆角速度峰值和标准差分别减少了5.2%和11.2%;车身侧偏角的峰值和标准差分别减少了29.2%和28.7%,结果证明了模型的正确性和控制策略的有效性。