模糊Büchi自动机的等价刻画

模糊语言的研究是形式语言研究的焦点之一,然而如何对模糊语言进行刻画甚至更好地分类是其中一个重要研究方向.文章在模糊ω-语言的研究基础上,从模糊逻辑角度研究了模糊ω-正则语言的等价刻画.首先借助广义子集构造方法,证明了任一模糊Büchi自动机与具有分明初始状态和状态转移函数且具有模糊终状态的模糊Büchi自动机是等价的,藉此研究了模糊ω-正则语言的代数刻画和层次刻画,讨论了模糊ω-正则语言关于正则运算的封闭性;其次引入单体二阶Lukasiewicz逻辑的概念,给出模糊Büchi自动机识别语言的等价逻辑刻画;最后通过引入ω-星自由和ω-非周期模糊ω-语言,利用'层次化'处理技巧得到了多值逻辑意义下的分类定理,对模糊ω-正则语言给出了一种分类方法.

一种基于模糊B样条基函数神经网络控制的磨削加工系统

本文将模糊控制与神经网络相结合。用神经网络来实现模糊推理,提出了一种把B样条函数作为隶属函数的模糊神经网络,并将之用于磨削加工的质量控制。仿真结果表明,该系统具有响应快、稳态精度高、鲁棒性强等优点,能很好地应用于磨削加工的质量控制。

具扩散项的模糊BAM神经网络的指数稳定性(英文)

利用Lyapunov-Krasovskii泛函、线性矩阵不等式方法、不动点理论和分析技巧,讨论了一类带扩散项的模糊BAM神经网络,获得了一些充分条件确保此类系统平衡点的全局指数稳定性.并给出一个实例说明我们的结果是可行的.

乘积型模糊B-代数(英文)

引入乘积型模糊B-代数的概念,提供它们的几个例子,研究它们的一些性质。讨论模糊B-代数与乘积型模B-代数的关系,研究乘积型模糊B-代数的同态象与同态原象的性质,给出B-代数上乘积型模糊-代数与-代数的积代数上乘积型模糊-代数的关系。

B样条函数在模糊系统中的应用

模糊系统的设计可看成是一类函数逼近问题,从而可以利用数值逼近的方法来设计模糊系统.本文将B样条函数引入到模糊系统的设计中,构造了两类多输入单输出的B样条模糊系统,并证明了它们均能逼近函数及其导函数.仿真结果表明,将两类B样条模糊系统应用到模糊系统建模和模糊控制器设计是可行的,且在大多数情形下,第1类B样条模糊系统的性能优于本文提到的其他模糊系统.

基于B样条模糊神经网络的钎焊炉温度控制

针对钎焊炉温度控制系统,设计了一种基于PSO算法优化的B样条模糊神经网络温度控制方案,利用B样条模糊神经网络实现模糊推理,利用微粒群算法对网络的权值进行学习与训练。结果表明,该算法在钎焊炉温度控制方面具有有效性和可行性。

B样条基函数模糊神经网络控制系统及其混合学习算法

介绍了一种基于模糊B样条基函数神经网络的控制器,该控制器将模糊控制的定性知识表达能力、神经网络的定量学习能力和B样条基函数优异的局部控制性能相结合,采用B样条基函数作为模糊隶属函数。还提出了模糊神经网络控制器的混合学习算法,即先采用免疫遗传算法离线优化,再采用BP梯度算法在线调整。对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性。

模糊线性时序逻辑的可实现性

模糊线性时序逻辑(fuzzy linear temporal logic)被应用于刻画模糊系统的规范语言,其可实现性(realizability)用于判断满足该时序逻辑公式的开放系统模型是否存在.模糊线性时序逻辑可实现性和系统合成(synthesis)的基本思想是:给定模糊线性时序逻辑公式,判断是否存在满足该公式的系统.如果存在,则构造满足该公式的最优系统.为了检验模糊线性时序逻辑的可实现性,首先引入模糊Büchi博弈的定义,作为检验模糊线性时序逻辑公式是否可实现的模型.其次通过归约的方法,研究模糊Büchi博弈的性质(最优无记忆策略存在性.最后验证模糊线性时序逻辑的可实现性并且给出其系统合成的过程,并说明它们的时间复杂度.

基于人工智能技术的机器人运动控制系统设计

设计一种基于人工智能技术的机器人运动控制系统,确保机器人更好地理解人类的意图,并提供更加人性化的服务。该系统通过运动数据采集与传输组件连接机器人的轴电机,采集机器人当前运动数据后,将其传输到控制器组件内,控制器组件依托X86架构工控机,使用PIC总线将采集到的机器人当前运动数据发送到基于人工智能技术的机器人运动路径规划模块内。该模块运用人工智能技术中的A*算法获取机器人轨迹路径规划结果后,依据该路径规划结果,将人工智能技术中的神经网络和模糊B样条基函数相结合,建立模糊B样条基函数神经网络控制器。该控制器输出机器人运动控制指令,并发送给伺服驱动器组件,伺服驱动器负责驱动机器人轴电机,控制机器人运动。实验结果表明:所设计系统具备较强的机器人路径规划能力,可在复杂路径情况下实现机器人运动控制,且控制精度和控制阶跃响应能力均较强。

B-vex Fuzzy Mappings and Its Application to Fuzzy Optimization Problems

The concept of b-vex and logarithmic b-vex for fuzzy mappings are introduced by relaxing the definition of convexity of a fuzzy mapping. Most of the basic properties of b-vex fuzzy mapping are discussed and established for the nondifferentiable case. Necessary and sufficient conditions for b-vex fuzzy mapping are presented. Sevaral important results are given for nonlinear fuzzy optimization problems assuming that the objective and constraint functions are b-vex fuzzy mappings.