一种自适应模糊小波神经网络及其在交流伺服控制中的应用

针对某武器大功率交流伺服系统所存在的大变负载、慢时变、强耦合的非线性特性和不确定扰动等问题,提出了模糊小波神经网络(FWNN)间接自适应控制器,该控制器的特点为Takagi-Sugeno-Kang(TSK)模糊模型的后件部分由自回归小波神经网络(SRWNN)构成。给出了SRWNN参数的迭代算法,利用SRWNN辨识器为控制器提供实时梯度信息,有效地克服了参数变化和负载扰动等不确定因素的影响,且具有良好的动态特性。采用Lyapunov稳定性理论方法证明了闭环系统的稳定性。仿真研究和样机试验结果证明了所提方案的有效性和正确性。

间接自适应动态递归模糊神经网络控制器设计

针对仿射非线性系统,提出了一种新型的基于动态递归模糊神经网络(DRFNN)的间接自适应控制器。该控制器采用DRFNN对系统的动态非线性映射进行在线估计,并依据李亚普诺夫稳定性理论推导出DRFNN参数在线调整的自适应算法,同时运用投影算法确保参数向量处于约束集合内。应用自适应DRFNN对动态非线性映射进行在线估计时,仅采用被控系统的1个状态变量作为其输入,避免了因增加输入个数而导致网络结构膨胀的问题,从而加快了收敛速度。仿真结果表明:由自适应DRFNN构成的控制器可使系统具有满意的跟踪性能。

用模糊RBF神经网络简化模型设计多变量自适应模糊控制器

针对多变量系统实时性要求 ,提出模糊径向基 (RBF)神经网络结构的简化模型及相应算法 ,并对由此简化模型设计的多变量模糊控制器模糊规则的在线自学习算法进行分析 ,提出一种系统动态增益的处理方法和基于过程最优的改进方案 .仿真实验结果表明该控制器可实现实时自适应控制 ,改进算法是有效的 .

自适应模糊神经网络控制器在电阻加热炉中的应用

提出一种自适应模糊神经网络控制器，着重讨论了自适应模糊神经网络的混合学习算法和自适应动量解耦的最速下降法。给出了适于非线性时滞、基于径向基函数网络和自适应模糊神经网络控制器的控制方案，并把它用在电阻加热炉中。实际应用表明，模糊神经网络控制器具有良好的控制效果。

基于模糊神经网络滑模控制器的一类非线性系统自适应控制

虽然滑模控制具有控制简单和对不确定性与扰动不灵敏等优点,但是控制信号中的颤动是其应用中需解决的主要问题。该文首先针对一类非线性系统提出了一个新型控制器—模糊神经网络滑模控制器。新控制器不仅能消除颤动,而且比一般滑模控制器具有更强的鲁棒性。然而它与一般滑模控制器相比有较大的跟踪误差。为了解决这个问题,提出了结合滑模控制器和模糊神经网络滑模控制器的自适应控制方法。这种自适应控制方案可以减小跟踪误差,增强系统的鲁棒性和消除控制信号中的颤动。仿真结果说明了控制方案的有效性。

基于小波神经网络辨识器的模糊神经自适应控制在VAV空调系统中的应用

针对温度控制的大惯性、大滞后、非线性特点,提出采用基于小波神经网络辨识器的模糊神经自适应控制的中央空调房间温度控制器的设计方案。由于小波神经网络的非线性映射能力比一般神经网络要强,所以基于小波神经网络的辨识器可以获得很高的辨识精度。而且,模糊神经自适应控制器随着系统动态特性的改变可以在线改变其控制规则,从而进行客观准确的控制。与普通模糊控制方法相比较,仿真试验说明了系统设计的有效性。

用B样条神经网络设计自适应模糊控制器

本文提出一种可用于设计自适应模糊控制器的模糊化Ｂ样条神经网络，并给出了合适的训练算法．由于这种网络在每次训练时仅需对少量权重进行调整，因此构成的模糊控制器学习速率快，可应用于过程控制中．本文最后以电厂中过热汽温的控制为例，说明本文的设计方法是有效的．

一类非线性动态系统的自适应模糊小波神经网络控制

对未知非线性动态系统研究基于模糊小波神经网络的自适应跟踪问题,首先构建一个模糊小波神经网络用于逼近未知的非线性函数的模型,然后根据李亚普诺夫稳定性理论建立自适应率,在线调整的模型参数包括小波网络的权重、小波的伸缩量、偏移量和模糊集合隶属函数的相关参数。提出了一种自适应模糊小波神经网络的滑模控制策略,保证系统的跟踪误差和对外界干扰的抑制被衰减到期望的程度。证明了闭环系统的半全局收敛性和鲁棒性,对倒立摆系统的仿真试验证明了所提控制方法的有效性。

基于自适应学习速率的模糊神经网络控制器

针对模糊神经网络控制器中很难确定一个最佳学习速率的问题,将带有动量因子的自适应学习速率BP算法引入模糊神经网络控制器中。采用模糊推理自适应调节学习速率,同时引入动量因子,提高系统的收敛速度,并基于Lyapunov定理给出了系统稳定的证明过程。针对同一数学模型,用Matlab编程仿真3种方法的实验结果表明:优化后的模糊神经网络控制器较普通模糊神经网络控制器和模糊控制器具有更优越的控制性能。

基于模糊小波神经网络的加工过程自适应控制

为了克服模糊控制动态响应慢和鲁棒性差的缺点,将模糊控制的定性知识表达能力与小波分析优异的局部控制性能和神经网络的定量学习能力相结合,提出了一种模糊小波神经网络自适应控制器,并将其应用于加工过程控制。对变切削深度的铣削加工过程控制的仿真结果表明,基于模糊小波神经网络的加工过程自适应控制,其控制效果优于一般的模糊控制和神经网络控制,具有很好的动、静态性能。该自适应控制器能有效防止刀具损坏和提高加工效率,是一种有效的加工过程控制方法。

应用单层神经网络设计多变量自适应模糊控制器

提出一种应用单层神经网络设计多变量囱适应模糊控制器的方法。应用单层神经网络可以学习多变量模糊控制规则中的未知参数．还可由它来实现多变量模糊推理过程。该方法能解决多变量模糊控制中普遍存在的规则获取困难和难于实现实时自适应等问题。仿真试验表明，所设计的多变量模糊控制器不仅实时性好，而且可得到满意的控制效果。

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。

基于神经网络BP算法的模糊自适应控制器的研究与实现

提出了一种基于神经网络BP算法的模糊自适应控制器 ,通过BP算法 ,修正量化因子和比例因子 ,使模糊控制器具有自适应的能力。计算机仿真结果和实验表明 ,这种智能控制器超调小、响应快且具有良好的鲁棒性。

一种新型模糊神经网络自适应控制器

文章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。在网络学习算法上分别采用 Davidon最小二乘法和带有动量项的BP算法。仿真结果表明了该方法的有效性。

模糊神经网络自适应控制器的设计

讨论了一个模糊神经网络自适应控制器的设计问题。设计思想是基于系统的变结构原理，并利用模糊逻辑来处理系统的不确定性，然后使用具有学习功能的神经网络来实现自适应控制。所设计的控制器应用于一大类高维机器人系统，即使在显著但未知摩擦阻尼的环境中仍能获得十分满意的轨道追踪效果。

一种自学习模糊神经网络多变量自适应控制器

本文在将文 [6]的参数学习算法推广到多变量系统和对爬山法加以改进的基础上 ,提出了一种新的基于Pi sigma混合型自适应模糊神经网络的多变量自适应控制器 .该控制器能在不需过多先验知识的情况下在线自学习前件和后件参数 .仿真结果表明 。

基于小波神经网络的自适应控制器设计

针对一类未知非线性系统,设计了一种基于小波神经网络的自适应控制器,并提出了一种适合在线学习的参数混合训练算法。根据离线和在线学习系统的特性,得到小波神经网络控制器的初始参数,使用混合训练算法在线修正控制律,实现了自适应控制。仿真结果验证了该控制方案的有效性。

基于自适应模糊神经网络控制器的网络控制系统

网络控制系统中存在着时延、丢包、网络干扰等问题。针对网络控制系统中存在恶化系统的控制性能,甚至导致系统不稳定的因素,提出了一种基于自适应模糊神经网络控制器的网络控制系统,它能根据系统的实际输出与期望输出误差,利用自适应模糊控制和神经网络自学习的原理进行控制参数的自行调整,以符合控制系统的实际要求,同时,分析了网络延时,丢包率及网络干扰因素对系统性能的影响。利用True Time工具箱建立了包含自适应模糊神经网络控制器的网络控制系统的仿真模型,并将其分别与基于常规PID控制器的网络控制系统和基于模糊参数PID控制器的网络控制系统进行了比较。实验结果表明,在相同的网络环境下,基于自适应模糊神经网络控制器的网络控制系统的控制效果比基于常规的PID控制器和基于模糊参数PID控制器的要好,且具有较好的抗干扰能力和鲁棒性能。

基于模糊小波神经网络的四旋翼飞行器鲁棒自适应控制

针对四旋翼飞行器的飞行控制问题,提出了一种基于模糊小波神经网络的鲁棒自适应滑模控制方法。首先利用牛顿-欧拉方程得到四旋翼飞行器的动力学模型,然后用模糊小波神经网络在线逼近系统中的外部扰动和未建模不确定动力学特性,最后提出鲁棒自适应滑模控制算法,通过Lyapunov稳定性理论证明了整个飞行控制系统的稳定性。仿真和实验结果验证了所提出控制方法对外界干扰和模型的不确定性具有较好的鲁棒性和自适应性。

基于神经网络的半主动悬架自适应模糊控制

提出了基于神经网络的自适应模糊控制策略。模糊控制主要用来对付系统的非线性 ;神经网络根据振动响应的方差递推结果来辨识车体的振动情况实时调节模糊控制器的量化因子 ,使模糊控制器对路面的变化具有自适应的能力。在半主动悬挂 1/ 4车非线性模型的基础上进行了仿真研究。