利用遗传算法设计模糊神经直流控制器规则表的研究

提出一种利用遗传算法对模糊控制规则表进行设计的方法,解决了在实际中设计模糊控制规则表时,经常遇到的缺乏专家经验指导的矛盾,有助于模糊控制技术的推广和应用。将这种方法应用于HVDC系统的在线模糊神经直流控制器的模糊规则表的设计中,通过NETOMAC软件实验仿真,证明了其有效性。

高压直流输电系统在线模糊神经控制器的研究

提出了一种适用于高压直流输电系统快速灵活控制的在线模糊神经直流控制器。由于是在线控制 ,所以这种直流控制器与传统的 PI调节器和离线式神经网络控制器相比更具鲁棒性和自适应学习能力 ;与只考虑电流误差的神经网络控制器相比 ,则具有更好的动态性能。通过 NETOMAC数字仿真实验证明了该控制器对交直流系统稳定有良好的效果。

基于神经网络的规则自校正模糊控制器及其在交流伺服系统中的应用

提出了一种基于神经网络的规则自校正模糊控制器 ,设计了一种在线的模糊推理算法 ,利用神经网络调整模糊控制规则 ,并将其用于交流伺服系统的控制中 ,仿真实验结果表明 :该控制器响应快、鲁棒性强 ,采用该控制器的系统具有较好的动、静态性能和抗干扰能力。

基于MATLAB的模糊神经网络高压直流输电换流控制器的研究

在研究模糊逻辑控制技术、神经网络技术和高压直流输电(HVDC)系统的基础上,从原理上说明,对换流器两侧都采用模糊神经网络控制能有效地提高交流?直流(AC/DC)系统的动态特性和恒定性。整流侧和逆变侧分别提取直流线路电流、电压误差及其变化率作为模糊控制器的输入,输出作为神经网络的输入,分别控制电流和电压。用MATLAB对一典型12脉冲桥高压直流输电系统在传统控制和模糊神经控制下分别进行仿真,结果表明,与传统控制方法相比,当直流线路或者单相交流线路发生接地故障时,模糊神经控制能改善换流站直流电流和直流电压的恒定性,而且提高了交直流系统的暂态稳定性,并且双侧模糊逻辑控制要比单侧模糊逻辑控制效果好。

基于增强型算法并能自动生成规则的模糊神经网络控制器

给出了一种基于增强型算法并能自动生成控制规则的模糊神经网络控制器RBFNNC(reinforcementsbasedfuzzyneuralnetworkcontroller) .该控制器能根据被控对象的状态通过增强型学习自动生成模糊控制规则 .

基于模糊神经网络的直流伺服控制器及其仿真研究

在［１］方案的基础上，提出了基于模糊神经网络的直流伺服控制器，可以在无专家或先验知识的情况下获得模糊规则，以直流伺服控制系统为对象进行的仿真结果表明控制效果良好。

基于TS型模糊神经网络控制器的有源电力滤波器直流侧电压控制的研究

针对三相并联型有源电力滤波器(APF)直流侧电容电压控制问题,考虑TS型模糊推理易于和比例积分微分(PID)控制方法相结合的特点,提出了基于TS型模糊推理的模糊神经网络控制器(FNNC)方法,并将其用于APF直流侧的电压控制。确定了基于TS-FNNC的三相APF指令电流运算结构,研究了相应的控制策略,对TS-FNNC的连接权值和第二层节点的隶属函数调整分别采用最小二乘法和BP算法,使其具有较快的响应速度。仿真试验验证了该控制策略的有效性。

神经网络自学习模糊控制器在直流蒸汽发生器控制中的应用

针对直流蒸发器的动态过程中 ,各段长度均发生变化 ,干扰因素多 ,具有不确定性和非线性等特性 ,利用神经网络具有并行处理、分布式信息存贮、自学习自适应特点等 ,设计了基于神经网络的自学习模糊控制器。仿真结果表明 ,所设计的控制器具有良好的控制效果。本文研究结果对直流蒸汽发生器的控制系统设计具有一定的指导意义。

自适应模糊神经控制器在MIMO系统中的应用研究

首先给出一种适用于 MIMO系统的自适应模糊控制器 ,然后针对该控制器用于复杂系统时 ,存在模糊规则过多且建立规则的时间随规则数增加呈指数增长的问题 ,提出了另一种适用于 MIMO非线性系统的自适应模糊神经控制器 .该控制器采用“全逼近”的控制策略 ,依据李亚普诺夫方法给出了模糊神经自适应输出反馈控制律和参数自适应律 .仿真研究证明了

基于模糊神经网络的位置控制器研究

提出了一种基于 Sugeno模糊推理神经网络位置控制器 ,以永磁无刷直流电机 ( BLDCM)构成伺服系统作为对象进行了仿真实验 ,研究了该控制器的学习精度、收敛速度及控制性能 ,仿真结果表明本文所设计模糊神经网络位置控制器学习精度高、收敛速度快、在系统同时存在电机参数的变化和负载扰动时 ,具有较强的鲁棒性和抗干扰能力。

调整模糊控制规则的规则表旋转法(英文)

提出了用规则表旋转法修改控制规则的方法 .模糊控制器通常是基于专家经验或对象模型而设计的 .无论模糊模型或是经验都是粗糙和不能令人满意的 .提出的方法可以通过旋转规则表来调整原始的规则 .仿真结果说明 ,这个方法是一种在模糊控制系统中有效调整规则的方法 .

模糊神经网络控制器参数修正方法研究

模糊神经网络控制器是一种将模糊逻辑与神经网络相结合的智能控制器 ,其既不依赖于被控对象精确的数学模型 ,又能根据被控对象参数和环境的变化自适应地调节控制规则和隶属函数参数 ,但是存在着在线修正权值计算量大、过度修正权值还可能导致系统剧烈振荡等缺点。针对存在的问题 ,提出了一种模糊神经网络控制器的优化方法 ,即在线自学习过程中 ,仅对控制性能影响较大的控制规则所对应的权值进行修正 ,以减小计算量 ,根据偏差及偏差变化率的大小自适应调节权值修正步长 ,避免系统发生剧烈振荡。

模糊-单神经元PID复合控制智能控制器

设计了适应于无刷直流电动机控制系统的智能控制器,将模糊控制和单神经元自适应控制很好地结合在一起,利用各自的优点在PID不同的情况下进行控制。仿真研究与实时控制结果表明,该智能控制系统具有令人满意的静、动态性能,而且响应速度快、鲁棒性强、自适应性好。

无刷直流电动机的新型自适应模糊神经控制

为无刷直流电动机提出了一种自适应模糊神经控制方法.这是一种建立在开关控制、模糊控制和自适应控制相结合基础上的控制方法,并用神经网络实现了模糊控制器和自适应机构.在无刷直流电动机的双闭环调速系统中,电流控制器是PI控制器;转速控制器是由1 个开关控制器和1 个包括自适应机构在内的模糊控制器相结合组成的,且用1 个3 层前向神经网络离线学习实现了模糊控制器,学习算法采用的是改进的BP算法.用1 个单神经元通过在系统运行过程中的动态学习实现了自适应机构,学习算法选用了有监督的Hebb 学习算法.由电机所处的运行阶段决定哪一个控制器工作.此控制算法的仿真结果说明,它使系统具有良好的动。

基于Matlab的高压直流输电系统逆变器的模糊神经网络控制研究

在研究模糊逻辑控制技术、神经网络技术和高压直流输电系统的基础上,针对HVDC系统的快速、高度可控性,从原理上说明,对逆变器采用模糊神经网络控制也能有效地提高AC/DC系统的动态特性和恒定性。提取直流线路逆变侧电压误差及其变化率作为模糊控制器的输入,输出作为神经网络的输入,控制直流电压。设计非故障和故障模糊神经网络控制器,用M atlab分别对一典型12脉冲桥HVDC输电系统在传统控制和模糊逻辑控制下分别进行仿真,结果表明,与传统控制方法相比,当直流线路或者单相交流线路发生接地故障时,模糊神经控制能改善系统直流电流和直流电压的恒定性,而且提高了交直流系统的暂态稳定性。

一种规则生成和参数自调整模糊控制器及其应用研究

控制过程中,对象常具有非线性、时滞、不确定性和参数时变的特点,而普通模糊控制器因控制规则固定,影响控制效果.针对这些问题,基于模糊神经网络的方法,设计一种模糊控制器,对学习算法进行推导,实现模糊控制规则的自生成和参数自调整.经仿真实验并根据其特点,将之应用于烧结控制过程,表明该控制器有良好的控制性能.

基于自校正模糊神经控制的无刷直流传动系统

提出了一种自校正模糊神经网络控制器（ＳＣＦＮＮＣ）来实现无刷直流电动机起动、调速、制动等各运行阶段的性能指标．该ＳＣＦＮＮＣ是采用调整系统增益参数的方法完成较完善的控制规则的．重点研究了系统自校正增益参数的确定方法，模糊控制器的设计，人工神经网络实现模糊控制规则的方法等．自校正增益参数是根据系统对超调量、转速稳态误差、动态速降的期望值来确定的．设计模糊控制器时是根据系统的性能指标，确定出合适的模糊控制规则表，用于训练神经网络．为使系统的性能达到最佳，采用了自校正模糊神经控制、开关控制和比例控制相结合的复合控制方法，通过数学仿真证实配备ＳＣＦＮＮＣ的系统具有优良的动、静态特性，及较强的鲁棒性．

一种基于TSK型递归模糊神经网络的无刷直流电动机位置控制方法仿真

考虑系统的参数变化和包括摩擦力在内的非线性及时变的外界干扰情况下,永磁无刷直流电动机位置伺服控制系统是多变量和非线性的时变系统。针对传统PID控制方法的不足,提出了一种TSK型模糊神经网络控制器的设计方法,并用于永磁无刷直流电动机伺服控制系统的位置控制;可同时动态在线进行结构学习和参数学习,以提高位置控制静态精度和动态跟踪性能。仿真结果表明,所设计的TSK型模糊神经网络位置控制器响应速度快、跟踪性能好、输出精度高、动态和静态性优能于传统PID控制方法。

基于模糊神经网络的无刷直流电机位置伺服控制

针对多变量、非线性、时变的永磁无刷直流电机位置伺服控制系统的特点,提出一种基于免疫遗传算法(IGA)的递归模糊神经网络(RFNN)控制器的设计方法,并应用于无刷直流电机三闭环控制系统中的位置调节器中,实现系统精确的位置控制。在与传统PID位置控制器仿真比较中,采用该方法的系统显示出良好的控制性能和控制效果。

基于单神经元的参数自学习模糊控制器的研究

为进一步改善永磁交流伺服系统的动静态性能,本文设计了一种基于单神经元的参数自学习模糊控制器,它在控制规则数与二维控制器相当的基础上,可实现三维模糊控制的效果。引入的单神经元采用改进的BP算法来实现比例因子的在线自学习。控制器具有结构及算法简单、易于解析实现的特点。为验证其有效性,本文通过仿真试验,将其与采用常规的PI调节器的控制系统进行比较,结果表明,这种模糊控制器具有较好的控制效果。