一种基于模糊CMAC自学习模糊逻辑系统及其在控制中的应用

把HCMA（Hyperball Cerebellar Model Articulation Conroller)与模糊逻辑理论有机结合起来，形成FHCMAC（Fuzzy HCMAC)，它便于从输入输出数据中提取模糊规则，直接用作控制器。可以将FHCMAC看作用基函数网络实现的模糊逻辑系统，兼有HCMAC神经网络和模糊逻辑两者的优点，即可以较容易表达定性或模糊的经验知识，又具有很好的学习性能，应用仿真实例验证了其有效性，该方法可应用于难以获取模糊规则的吻合。     

一类模糊神经元网络控制器及其仿真

针对复杂性非性系统的模糊神经元网络方法控制中，模糊子集合的划分、隶属函数和推理规则的拟定问题进行了研讨，并以此设计了一类模糊神经元网络控制器，给出了学习算法和仿真研究结果。     

直接校正模糊控制表的自组织模糊控制器

直接利用校正模糊控制表研究模糊控制规则修正算法的实现问题，用特殊点优先校正算法进行计算机仿真，结果表明：这种模糊控制器具有超调小、调整时间短、鲁棒性强的特点。     

模糊数据库模型的自学习系统

该系统是利用神经元网络的可自组织、自学习等一些特性,设计了一个用神经元网络来表达和处理模糊数据库中的不确定性问题,即在模糊数据库的查询中所面临的查询条件的不确定性、表达上的不准确性和已知的内容不完全性等方面的问题。该自学习系统较好地把神经元网络应用到了模糊数据库中。     

一种自组织模糊控制算法及其实现

提出了一个能在控制过程中自动产生和修改模糊控制决策表的自组织模糊控制算法，该算法不执行距阵运算，只是在采样计算时修改关系矩阵相应元素，并按照自学习方法修必控制表中相应的控制量，从而建立起完善的模糊控制表，用该算法对多个被控对角进行仿真试验，表明能有效地提高系统的控制性能，对于高阶，非线性，大滞后这类复杂的系统也有效。     

神经元网络智能预测控制

本文基于自学习神经元网络模型，建立了智能预测控制系统，给出了网络系统的算法，阐明了智能控制器的设计以及自学习机理。仿真结果表明，方法具有良好的动态特性和鲁棒性，适用于大滞后系统和非线性系统。     

一种改进的参数在线自校正模糊控制器

介绍一种采用改进的参数校正原则的自校正模糊控制器。该控制器具有动态范围宽、稳态精度高、响应速度快和超调量小的优点。同时,计算机仿真也表明：对于控制对象参数的变化,该控制器具有良好的适应能力。     

模糊自学习误差补偿方法及其在位置误差补偿中的应用

提出了一种新的模糊自学习误差补偿方法，其原理是根据误差及其变化率，利用规则ｆｕｚｚｙ推理，得出误差修正值，按照自学习规律，产生新的误差校正表或校正曲线，应用这种新方法，对开环数控系统位置误差的补偿效果令人满意，此原理可进一步推广应用于其它场合。     

具有模糊联想神经网络的自组织模糊控制器

在分析了几种用神经网络实现的模糊控制器不足的基础上，提出一种用模糊联想记忆神经网络实现的自组织模糊控制器；该控制器由２个模糊联想记忆神经网络分别记忆校正规则表和修正控制规则表，并通过网络权值矩阵的在线修正完成控制规则的实时修正。模糊推理则由网络的自联想功能完成。     

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。     

神经模糊网络自适应模糊控制研究

提出了一种由样品辨识、模糊推理和控制处理 3个子网模块构成的基于知识的多层神经网络 .这种网络由各子网分别构成并按照最初的模糊控制结构适当连接而建立 ,具有明确区分各组成子网功能及其知识流结构 .由于综合了模糊逻辑的推理过程及神经网络的学习能力 ,使它能够在其结构中以模糊规则的形式引入语言知识并通过网络的训练及自学习对这些知识进行加工 ,从而实现了真正意义上的自适应模糊控制器 .最后还讨论了这种 NFN网络在动态过程控制中的应用     

一种新型的动态模糊神经网络控制器

基于前向模糊神经网络ＡＮＦＩＳ提出了一种新型的动态模糊神经网络（ＤＦＮＮ）,将模糊逻辑,神经网络和ＰＩＤ控制器三者的优点有机地融合在一起。通过在ＡＮＦＩＳ的归一化层和输出层之间加入递归层,构成了动态模糊神经网络（ＤＦＮＮ）,并推导了基于ＢＰ的反传学习算法,与ＡＮＦＩＳ和ＰＩＤ控制器相比,ＤＦＮＮ具有更好的控制效果。ＤＦＮＮ的参数具有明确的物理意义,可根据专家的经验选择初值,加快了网络的收敛速度,由     

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．     

语音识别中HMM与自组织神经网络结合的混合模型

基于隐马尔可夫模型和自组织神经网络模型提出了一种用于语音识别的混合模型,给出了训练调整权向量的算法,实验结果表明其在语音识别中具有很好的性能·     

基于自适应学习速率法的补偿模糊神经网络

为克服常规网络收敛速度慢、无法结合专家知识等缺点,引入补偿模糊神经元,结合模糊系统强大的知识表达能力和神经网络优秀的自学习能力,并利用自适应学习速率法动态地改变学习率.提出了一种新型的基于自适应学习速率法的补偿模糊神经网络,并将其应用到实际例子中.结果证明,它不仅能在线适当调整参数,还能动态地优化相应的模糊推理,加快训练速度.     

基于模糊神经网络的PI自适应控制器

利用模糊神经网络的模糊推理能力以及前馈神经网络的逼近能力 ,将其与自适应控制方案结合 ,并取带有控制增量约束的广义目标函数作为优化指标 ,从而推导出一种能对非线性非最小相位系统进行有效控制的模糊神经网络间接自适应控制器。在网络学习算法上采用带有动量项的BP算法。仿真结果表明了该方法的有效性。     

Parameter Self - Learning of Generalized Predictive Control Using BP Neural Network

This paper describes the self—adjustment of some tuning-knobs of the generalized predictive controller(GPC).A three feedforward neural network was utilized to on line learn two key tuning-knobs of GPC,and BP algorithm was used for the training of the linking-weights of the neural network.Hence it gets rid of the difficulty of choosing these tuning-knobs manually and provides easier condition for the wide applications of GPC on industrial plants.Simulation results illustrated the effectiveness of the method.     

一种模糊神经网络自校正控制器设计与应用

本文提出了一种模糊神经网络智能控制方法，并介绍了采用多层神经网络表达模糊控制和知识规则，模糊推理和学习算法，实验仿真结果表明，这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性质优于一般模糊控制。     

一个改进的BP神经网络自适应学习算法

提出了一个改进的自适应变步长ＢＰ网络学习算法,对多个布尔学习问题以及Ｆｉｓｈｅｒ收集的一个植物分类问题进行计算．结果表明,该算法不仅有相当快的收敛速度,而且在避免学习过程陷入局部极小方面也取得较好结果．