一类连续模糊动态系统稳定的充分条件

研究了一类连续模糊动态系统的稳定性,证明了该类系统稳定的充分条件.并以倒立 摆的稳定性分析验证了定理的有效性.

与“基于LMI的模糊动态系统H_∞ 输出反馈控制设计”一文商榷(英文)

本文指出了《自动化学报》2 0 0 1年 2 7卷 4期上刊登的文章“基于LMI的模糊动态系统H∞ 输出反馈控制设计”中某些结论的不妥之处 ,并给出了修改 .

一类连续模糊动态系统控制方法在Furuta摆中的应用

为了研究 Furuta 摆在倒立点附近的稳定控制问题,采用基于 T-S 模糊模型的一类连续模糊动态系统控制方法,首次进行 Furuta 摆的模糊状态空间建模,并采用模糊切换的思想,设计了 Furuta 摆在倒立点附近的稳定控制器,进而分析了系统稳定性。与已有的方法相比,该方法的优点是稳定区域大、调节时间短。数字仿真结果验证了方法的有效性。

模糊动态系统的H_∞输出反馈控制设计──应用线性矩阵不等式的算法(英文)

讨论了一类能用模糊动态系统模型表示的非线性系统的Ｈ∞输出反馈控制的设计． 分别基于一个共同的李亚普诺夫方程和一个分段微分的李亚鲁诺夫方程，给出了两种Ｈ∞ 输出反馈模糊控制的新设计方法．通过解一组线性矩阵不等式，可以得到Ｈ∞输出反馈控 制器．最后，举例说明了这两种新的设计方法．

基于动态模糊系统模型的压电陶瓷驱动器控制

针对压电陶瓷驱动器(PZT)的迟滞非线性对周期性超精密跟踪精度的影响,对基于Takagi-Sugeno(T-S)型模糊规则的动态模糊系统(DFS)前馈+PI控制方法进行了研究。介绍了DFS模型前提部分和结论部分的辨识方法;结合直接逆模型控制和迭代学习控制的思想,提出了周期性轨迹跟踪的DFS前馈+PI控制方法。最后,针对20Hz的三角波和正弦波期望轨迹进行了跟踪控制实验。实验结果表明:提出的控制方法对三角波和正弦波期望轨迹的最大跟踪误差分别为0.25%和0.27%,相对于PI控制,跟踪精度分别提高了52倍和64倍,而最大跟踪绝对误差分别降低到5.1nm和5.5nm。结果显示这种控制方法易于实现,周期性轨迹跟踪精度高。

模糊离散事件动态系统相关问题的研究

以全面表述离散事件动态系统中不确定问题以及用不确定性方法简化系统为目的 ,首次给出了模糊离散事件动态系统 (FDEDS)的定义。以铁路系统的行车指挥问题中的不确定性问题的处理为背景 ,全面论述了研究FDEDS的原因。文章说明了基于列车群运行的FDEDS实验平台的研究情况 ,并叙述了其在铁路系统的建模、分布式行车指挥、不确定问题的处理等方面的应用。在研究面向FDEDS的建模工具和算法时 ,采用Petri网和OO技术相结合的方法 ,既有非常好的系统描述能力又有好的模型分析和验证手段 ,也为相关算法的研究奠定了良好的基础。同时也对FDEDS中的模糊化等问题进行了讨论。

非线性动态模糊系统过程控制与稳定性分析

针对自动控制领域中存在的大量的非线性动态模糊系统,提出了非线性动态模糊系统过程控制模型,并给出了动态模糊控制器的设计算法和该模型的稳定性分析,很好地解决了模糊控制系统所不能解决的动态性问题。

一种基于遗传算法的自适应动态模糊系统的设计与实现

在我们研究的领域中 ,动态模糊对象是普遍存在的 .因此由这些动态模糊对象组成的系统即为动态模糊系统 ,这类系统具有较强的自学能力和自适应能力 ,能随环境的变化而变化 ,本文借助动态模糊集和遗传算法对动态模糊系统进行研究 ,给出了一种动态模糊自适应系统 ,并进行了实例分析 。

一种基于动态模糊系统的发电商上网电价预测模型与算法

采用模糊技术,将影响电价的量模糊化,从现有的电价数据中自动训练并发现规则,采用变长混合编码的遗传算法训练动态模糊系统,建立了模糊预测电价模型.采用某电力市场的实际数据进行了验证,结果表明,模型易于理解和程序实现,可以方便地加入人工经验,预测结果精确度高.

基于双重遗传算法的动态模糊系统设计与优化

设计了一种动态模糊系统模型,该模型能够动态地进行规则自学习,从而减少了规则学习的计算量。提出优化该模型的双重遗传算法:外层采用整数编码,用来训练系统的结构,内层采用实数编码,用来训练系统的参数;内层GA得到的最佳染色体适应值用来评价外层GA相应染色体。该模型结构简单,便于实现,并可离线优化,在线预测。通过应用于实际股市行情的预测和效率分析,不论从预测的结果还是从运行效率看,都收到了满意的效果。

基于分段可微Lyapunov函数方法的模糊控制系统稳定性分析$

引入了适合于模糊控制系统的分段可微Lyapunov函数,得到了该系统稳定的充分必要条件,并利用特殊子系统的概念将一般系统的控制设计转化为一系列的特殊子系统的控制设计问题。最后,给出了一个数值算例,计算结果表明可以使用该方法求解这类问题,同时也证明了此方法的有效性。

“建构”作为“模糊动态平衡系统”的意义——以苏格兰议会辩论大厅“张弦梁”结构为例

苏格兰议会大厦被认为是杰出的抽象现代主义建筑,但其4.14亿英镑的造价也带来了巨大的争议。苏格拉议会辩论大厅屋顶的"张弦梁"结构繁复而引人注目,在看似"建构"的表象之下,实则存在着"非建构"的真实。文章以对"建构"的讨论为主线,通过分析苏格兰议会辩论大厅的"建构"与"非建构",探索"建构"作为"模糊动态平衡系统"的工具性意义,试图为建构理论的应用带来一定的启发。

多目标模糊动态输出反馈控制器设计

针对一类不确定T-S模糊动态系统,利用线性矩阵不等式方法,研究了一类非线性系统H∞动态输出反馈控制,且满足闭环极点配置要求.采用动态并行分布补偿进行控制器的设计,考虑了受控输出变量中的参数不确定以及控制器中控制系数不为零的情况,较以往设计更具一般性.给出了模糊闭环系统的全局稳定性充分条件,并将其转化为线性矩阵不等式形式.最后,以复杂非线性陈系统为仿真算例。

动态模糊机器学习模型及验证

根据学习系统中存在的动态模糊性,提出了动态模糊机器学习模型,给出了动态模糊机器学习算法和它的几何模型描述,并进行了算法的稳定性分析,最后给出了实例验证。实例结果与BP算法产生结果相比较,优于BP算法的结果。

动态模糊关系数据模型研究

数据模型是建立系统的核心 ,根据我们的研究对象 ,在我们具体建模时会遇到很多具有动态模糊性的数据存在 ,基于此 ,本文给出一种动态模糊关系数据模型 .

基于动态模糊推理的舒适温度在线预测

基于热感觉预测的室内热环境自动控制方法为解决基于传统温度设定值控制不满足用户舒适度问题提供新的途径;但建模过程中用户热感觉信息难以获取,因此开发了便捷的移动端智能交互系统以实时采集现场数据,建立用户学习样本;并针对热舒适的动态变化性特征,设计动态进化神经模糊推理系统(DENFIS)以建立用户热舒适在线预测模型;通过实时学习样本数据驱动,系统的模糊规则与模型输出函数系数可动态自校正,推理预测出用户偏好温度;实验结果表明所设计的DENFIS算法预测用户的舒适温度范围准确率高达90.5%,误差极小;证明了该算法所建立的在线预测模型用于智能空调温度控制,可解决现有的温度设定方式带来的温度设定值不合理的问题,在实际应用中具有可行性。

空间点目标识别的神经模糊推理系统应用研究

提出了空间点目标在三个不同波段的辐射通量作为特征向量,使用自适应神经模糊推理系统(ANFIS)和动态进化神经模糊推理系统(DENFIS)进行识别.最后与BP神经网络、遗传算法以及遗传-神经算法三种方法进行比较,进行了仿真实验,仿真结果表明ANFIS,特别是DENFIS具有较好的学习能力和泛化能力,较大的提高了目标识别率,能够较好的进行空间点目标的识别.

空间点目标识别的模糊神经网络应用研究

首先对空间目标辐射特性进行了研究,指出了用空间目标在3个不同波段的辐射通量作为特征向量进行目标识别。然后研究了进化模糊神经网络(EFuNN)和动态进化神经模糊推理系统(DENFIS),最后用EFuNN和DENFIS进行了仿真实验,并且与BP神经网络、遗传算法以及遗传-神经算法进行了比较。仿真结果表明EFuNN尤其是DENFIS具有较好的学习能力和泛化能力,较大地提高了目标识别率,能够较好地进行空间点目标的识别。

非线性系统神经模糊自适应控制的问题与策略

针对具有未知动力学的机械臂系统 ,提出一系列神经模糊自适应控制方法。提出神经模糊动态逆稳定自适应控制方法 ,该方法使用动态神经模糊系统逼近非线性动态系统 ,设计的动态逆控制器可以通过参数的设定保证闭环系统在初始控制段的动态性能 ,而无需事先要求机械臂状态位于某一紧集的假设。结合延时神经模糊网络 ,引入降维观测器估计输出重定义后机械手的速度矢量 ,从而建立了非线性系统的控制器观测器设计的新方法。采用了动态逆和“Back-stepping(后退 )”的技术 。

Stochastic Optimal Estimation with Fuzzy Random Variables and Fuzzy Kalman Filtering

By constructing a mcan-square performance index in the case of fuzzy random variable, the optimal estimation theorem for unknown fuzzy state using the fuzzy observation data are given. The state and output of linear discrete-time dynamic fuzzy system with Gaussian noise are Gaussian fuzzy random variable sequences. An approach to fuzzy Kalman filtering is discussed. Fuzzy Kalman filtering contains two parts： a real-valued non-random recurrence equation and the standard Kalman filtering.