基于改进遗传算法的温湿度模糊神经网络控制器

为了创造适合作物生长的环境,针对温室系统的特点,该文提出了一种基于改进遗传算法的模糊神经网络控制器,利用改进遗传算法训练模糊神经网络模型,采用此模糊神经网络控制器控制温室系统,由数值实验可以看到采用此控制器的温室系统具有响应速度快、过程平稳、编程简单的特点。

木材干燥过程温湿度的T-S型模糊神经网络控制器设计

木材干燥过程是一个强耦合、大滞后的非线性动力系统,很难准确建立被控对象的数学模型。为了准确控制木材干燥过程的温度和湿度,提高木材干燥质量,将智能控制引入木材干燥控制系统是必然的发展趋势。结合模糊控制和神经网络优点,设计了一种木材干燥窑内温湿度的Takagi-Sugeno(T-S)型模糊神经网络控制器。该控制器无需对象的精确数学模型,适应性强,利用模糊算法解除木材干燥窑内温度和湿度间的强耦合关系,采用神经网络的自学习和自适应能力来实现整个非线性过程的模糊逻辑推理。仿真和实验结果表明,T-S型模糊神经网络控制器有效解决了木材干燥过程的温湿度控制,控制器响应速度快、超调小、鲁棒性强、控制精确度高,可以满足木材干燥控制系统要求。

新型模糊神经网络控制器在GTAW焊中的应用

钨极气体保护电弧焊(GTAW)过程是一个复杂的、多参数耦合的高度的非线性系统,难以实现实时、有效的在线控制 模糊控制吸收人的经验思维的特点;神经网络则对信息的处理具有自组织、自学习的特点;遗传算法是一种全局优化搜索方法,具有简单通用、适合并行处理的特点 笔者将三者有机地结合起来,在模糊神经网络控制器的基础上利用改进的遗传算法,并分析其网络结构和离线学习的方法,协调利用三者的优势设计一种新型的模糊控制器,并使之用于脉冲GTAW焊仿真中。

模糊神经网络控制器的仿真研究

简要介绍了一般模糊神经网络控制器的设计理论 ,仿真给出了基于 MATLAB控制器的模糊神经控制流程和算法 ,仿真实验表明该模糊神经网络控制器具有良好的动、静态性能。

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。

一种最优模糊神经网络控制器

基于最优控制的思想 ,通过对控制系统的过程模拟 ,提出一种最优模糊神经网络控制器的设计方案。首先利用基于十进制编码机制的遗传算法寻找最优的控制器结构 ,然后利用基于浮点数编码机制的遗传算法寻找最优的控制器参数。

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。

基于遗传算法的模糊神经网络控制器在虚拟仪器中的实现

模糊控制技术在复杂的非线性控制过程中表现出优越的性能,神经模糊控制器的出现为自适应模糊控制设计开辟了新的途径。遗传算法由于具有不依赖于问题模型、全局最优、隐含并行性、高效率和解决不同非线性问题的鲁棒性等特点,能很好地用于神经网络的训练。两种方法综合使用,可以大大提高模糊神经推理控制系统的自学习性能和鲁棒性。通过应用ActiveX技术在LabVIEW中调用和操作MATLAB的方法,实现了基于遗传算法的模糊神经网络控制器。

模糊神经网络控制器在卫星姿态控制系统中的应用

现代卫星的姿轨控制面临着挠性附件对本体姿态的耦合作用。本文将卫星太阳帆板挠性结构对本体姿态的影响增广进系统方程 ,在PID控制器控制刚体卫星的基础上 ,设计了模糊神经网络控制器 ,采用反向传播和最小方差估计的学习方法进行模糊规则的学习 ,仿真表明 ,模糊神经网络特有的学习和处理定性与定量知识的优点 ,将使卫星姿态在参数变化与外部干扰情况下具有较好的姿态稳定度与精度。

模糊神经网络控制器在DMF回收系统的设计与应用

以DMF回收控制系统的自动化改造为背景,针对精馏塔温度控制存在的问题,提出一种采用模糊神经网络控制器的串级控制策略。在Matlab/Simulink中的仿真实验结果表明:该方法较传统PID方法效果好,能够满足实际生产的需要。

一种基于GA的模糊神经网络控制器设计及应用

结合模糊控制、神经网络、遗传算法三种方法的优点 ,提出了一种基于遗传算法的模糊神经网络控制器 ,并分析了其网络结构和离线学习的方法 遗传算法基于全局优化策略 ,避免了反向传播学习算法易陷入局部最优的缺陷 仿真实验和在汽车防抱死制动系统中的应用表明这种控制方案是有效的 。

模糊神经网络控制器用于电站主汽压控制的研究

锅炉的燃烧过程是一个多参数、非线性、时变以及变量强耦合的过程,很难建立被控对象的准确数学模型。根据主汽压被控对象的动态特性,设计了一个模糊神经网络自适应控制系统,引用模糊高斯基函数神经网络结构,并采用基于变尺度优化学习算法的改进型学习算法,其学习信号由神经网络辨识器(NNI)提供。利用神经网络的非线性映射能力,能很好的解决被制对象的动态特性具有非线性、时变性、参数可变等问题。仿真对比试验表明,主汽压控制系统引入模糊神经网络控制器(FNNC)后,系统的响应速度变快,调节精度提高。该控制器的适应性、鲁棒性也明显优于常规PID控制器。

基于遗传算法的模糊神经网络控制器在烘干炉温度控制系统中的设计与仿真

以烘干炉温度为被控对象,由于烘干炉温度控制具有非线性、大滞后和无法建立精确数学模型等特点,传统的控制器很难达到理想的控制效果,为此设计了一种基于遗传算法的模糊神经网络控制器。基于遗传算法的模糊神经网络控制器是将遗传算法的全局寻优和BP算法的在线学习结合起来,先用遗传算法对神经网络的参数进行离线训练,然后再用BP算法对模糊神经网络控制器进一步在线学习。仿真结果表明,基于遗传算法的模糊神经网络控制器与模糊控制、传统PID控制相比较,改善了系统的动态性能和静态性能,能使非线性、大滞后等特殊的系统达到良好的控制效果。

基于遗传算法的模糊神经网络控制器的仿真

对遗传算法 (GA)和模糊神经网络控制器的结构进行了说明。为了克服反向传播算法 (BP)的缺点 ,通过遗传算法对模糊神经网络控制器的参数进行优化 ,亦即对模糊神经网络进行训练。用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象 ,仿真结果证实了其性能较常规模糊控制器优越。

中央空调房间温度模糊神经网络控制器的仿真研究

根据我国当前智能建筑中央空调控制系统传统PID控制存在的问题,依据控制对象为一大滞后大惯性环节的特点,对一种模糊神经网络的控制器进行了仿真研究,以期改善空调控制系统的动静态特性,并能达到节能的效果。

基于Q-学习的模糊神经网络控制器

神经模糊系统在机器人的智能控制中具有巨大的应用潜力,但已有的系统构造方法几乎都面临着样本资源匮乏这一巨大困难。为克服传统系统构造方法可能因样本获取困难而引起的“维数灾难”等问题,该文在模糊神经网络中引入了Q-学习机制,提出了一种基于Q-学习的模糊神经网络模型,从而赋予神经模糊系统自学习能力。文章最后给出了其在菅野模糊小车控制中的仿真结果。实验表明,在神经模糊系统中融入智能学习机制Q-学习是行之有效的;它可以被用来实现机器人智能行为的自学习。值得一提的是,该文的仿真实验在真实系统上同样是容易实现的,只要系统能提供作为评价信号的传感信息即可。

微型水力发电机组的T-S模糊神经网络控制器

随着能源短缺现象的加剧,全球能源互联网的提出,微型水力发电越来越被人们重视。详细分析了模糊控制、神经网络以及TS模糊神经网络结构和算法,针对微型水力发电机系统的非线性和时变性的特点,构件了微型水力发电机组的T-S模糊神经网络控制器,采用MATLAB/Simulink仿真软件,在动态负载条件下对该微型水力发电机组进行仿真,分析了突甩负载和突加负载对机械功率、转子速度、频率和电压的影响,并与PID控制器进行比较。其仿真结果表明,所建立的T-S模糊神经网络控制器动态特性模型符合工程实际,满足系统的稳定性要求,具有良好的稳定性和鲁棒性。

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。

基于GA和BP算法复合调节的模糊神经网络控制器

为了克服单独应用遗传算法或BP算法调节模糊神经网络控制器参数时存在的缺陷,提出了一种将二者复合的方法,即在传统的GA中加入一个BP算子,以充分利用二者各自的优点。而在GA中引进了动态的交叉和变异率,在BP中引进动态的学习率,从而更有效地提高其收敛速度和执行效率。计算机仿真结果表明,用该复合算法调节的模糊神经网络控制器的性能明显优于传统的算法调节的控制器。

模糊神经网络控制器的优化设计

模糊神经网络控制器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的变化自适应调节控制规则和隶属函数参数,但是模糊神经网络控制器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.针对以上问题,提出了在线修正计算中仅对控制性能影响大的权值进行修正,以减小计算量;根据偏差及偏差变化率大小,基于TS模型自适应调节权值修正步长,抑制控制器输出的剧烈变化,避免系统发生振荡.仿真结果表明模糊神经网络控制器的优化设计方法可以改善系统控制性能.