量子遗传算法及在模糊控制器参数优化中的应用

提出了一种基于实数编码的量子遗传算法。该方法用量子比特构成染色体,用量子旋转门进行染色体更新,用量子非门进行染色体变异。针对量子旋转门的旋转角方向的选择,提出了一种简易快捷的新方法。基于适应度函数的梯度信息,构造了旋转角大小的计算公式。该方法将每一量子位的两个概率幅,看作上下两个并列的基因,每条染色体包含两条并列的基因链,每条基因链代表一个优化解。在染色体数目相同时,可显著加速优化进程,提高获得全局最优解的概率。模糊控制器参数优化问题的仿真结果表明,该方法在搜索能力方面明显优于普通量子遗传算法。     

采用共生遗传算法的模糊控制器设计方法

为解决模糊控制器自动优化设计中对结构和参数的学习和寻优搜索缓慢 ,以及模糊规则基维数爆炸问题 ,采用共生进化遗传算法结合分级模糊建模的思想进行模糊控制器自动设计。提出了模糊规则分类形成子种群 ,多种群并行进化的遗传算法。用这种方法可以同时设计模糊控制器的结构和参数 ,极大地减小编码规模 ,提高搜索速度。对车 杆平衡系统的控制仿真实验表明 ,该方法寻优搜索速度快 ,设计出的控制器控制效果很好。     

干燥过程模糊神经网络控制器的设计与仿真

为了准确控制干燥过程的温度和湿度,提高谷物干后品质,设计了一种基于改进遗传算法的干燥过程模糊神经网络控制器.利用模糊算法解除温湿度的耦合作用,采用神经网络实现模糊逻辑控制的全过程和信号的非线形处理,将训练好的被控对象网络模型与模糊神经网络控制器联成闭环回路,应用改进遗传算法对模糊神经网络控制器的参数进行自适应调整.在仿真实验中,将所设计的控制器与常规PID控制器和经典模糊控制器进行比较,结果表明所设计的模糊神经网络控制器具有较好的性能,满足了谷物干燥过程的控制要求.     

一种基于相位比较的量子遗传算法

针对量子遗传算法不适于连续函数优化的问题,提出了一种改进的量子遗传算法。该算法直接将量子染色体与当前最优解相比较来确定旋转门的旋转角,种群中各个体以不同速率向最优解进化以同时实现全局搜索与局部搜索,引入变异操作以防止算法早熟收敛。对该算法及其全局收敛性进行了分析后,将其用于函数极值求解与PID控制器的参数优化,并与遗传算法和量子遗传算法进行比较。仿真结果表明该算法具有较好的寻优性能。     

一种模糊神经网络控制系统研究

针对被控过程的非线性、时变性和复杂性,提出了一种模糊神经控制器与动态辨识器组成的控制系统。该系统的控制器采用模糊神经网络控制器,它的控制参数采用遗传算法全局离线优化对BP算法局部在线调整相结合的混合方法;该系统的辨识器采用变形Elman动态神经网络进行系统辨识。给出了该系统的结构、原理及工作流程,通过仿真实验证明该系统的可行性和有效性。     

基于粗糙集高速公路混沌T-S FNN控制仿真

研究基于粗糙集理论的高速公路混沌系统模糊神经网络入口匝道控制方法。针对高速公路车流量不确定性特点,提出了通过数据挖掘技术建立交通流入口匝道智能混沌控制器知识库的思想;设计了以密度、上游流量和最大李亚普诺夫指数作为输入,红灯时间作为输出的T-S模糊神经网络混沌控制器;采用粗糙集理论建立混沌控制器知识库,确定模糊神经网络控制器结构并提取模糊规则;采用模糊神经网络方法对控制器参数进行优化。仿真结果表明:采用该方法设计的智能混沌控制器,可实现保持高速公路有序运动、避免交通堵塞、提高交通通行能力的目的,是提高高速公路管理控制水平的有效方法。     

模糊系统的一种结构设计方法及经济系统应用

针对模糊系统的特点,根据输入-输出数据,应用递阶遗传算法设计.现有的模糊系统设计方法大多只能训练系统的模糊集的中心参数、高斯隶属度函数的系数、中心参数和扩展参数,系统的模糊规则得预先用某种方法确定.利用很好设计的递阶遗传算法能够把模糊系统的模糊规则数目和参数同时通过训练确定.利用该方法在非线性经济系统进行仿真,并与BP神经网络的预测结果进行比较,证明该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

气动人工肌肉的模糊小波神经网络控制

针对一种应用于医疗机器人领域的三自由度人工肌肉的非线性特性，结合模糊理论与小波神经网络，提出一种模糊小波神经网络控制器对人工肌肉驱动器进行控制。利用模糊小波神经网络的学习能力，采用梯度法搜寻控制器的最优参数。将采用模糊小波神经网络控制器与采用小波神经网络控制器及模糊神经网络控制器的控制系统仿真结果进行比较。仿真结果说明模糊小波神经网络控制器有效地改善了驱动器的静动态特性，具有更快的训练速度和更好的控制效果，是一种理想的气动人工肌肉控制方法。     

基于GA与CSA-RBF神经网络辨识的自适应PID控制器

提出了一种基于遗传算法(GA)、克隆选择算法(csA)和神经网络的自适应PID控制器的设计方法.该控制器主要由四部分组成:一是利用遗传算法优化PID参数初始值;二是用克隆选择算法对径向基函数(RBF)神经网络参数初始值优化;三是RBF神经网络完成对被控对象Jacobian信息辨识;四是单神经元PID控制器,学习并在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能.仿真结果表明,该控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程.     

飞行仿真转台模糊神经网络补偿的复合控制

针对飞行仿真转台系统的非线性和不确定性,提出了基于模糊神经网络补偿的复合控制器,该控制器由前馈控制器、闭环控制器及模糊神经网络补偿环节组成。前馈环节由零相差跟踪控制器及FIR滤波器构成,闭环控制器由PD控制及干扰观测器构成,补偿环节由一动态模糊神经网络实现,给出了基于Lyapunov函数的稳定性证明。该控制方法突出优点在于兼顾考虑了系统中的结构化不确定性和非结构化不确定性,能够在外部干扰与参数摄动并存的情况下,保证系统的稳定性和跟踪性能。     

一种规则简化的模糊神经网络控制器

构造了一种实时模糊神经网络控制器，为解决模糊规则组合爆炸问题提供一个新方案。控制器基于T-S模糊模型，由前后件分离的网络结构实现。前件参数通过移动小论域法创建，每个变量仅在工作小论域上生成两个模糊子集，有效减少模糊规则，增强实时性；后件参数通过有ki,kp,kd修正因子的BP改进算法在线更改，控制意义明确，确保系统动态性能。仿真结果证实该控制器实时性好，控制性能优，鲁棒性强。     

AN INTELLIGENT CONTROL SYSTEM BASED ONRECURRENT NEURAL FUZZY NETWORK AND ITS APPLICATION TO CSTR

In this paper, an intelligent control system based on recurrent neural fuzzy network is presented for complex, uncertain and nonlinear processes, in which a recurrent neural fuzzy network is used as controller (RNFNC) to control a process adaptively and a recurrent neural network based on recursive predictive error algorithm (RNNM) is utilized to estimate the gradient information ρy/ρu for optimizing the parameters of controller.Compared with many neural fuzzy control systems, it uses recurrent neural network to realize the fuzzy controller. Moreover, recursive predictive error algorithm (RPE) is im-plemented to construct RNNM on line. Lastly, in order to evaluate the performance of the proposed control system, the presented control system is applied to continuously stirred tank reactor (CSTR). Simulation comparisons, based on control effect and output error,with general fuzzy controller and feed-forward neural fuzzy network controller (FNFNC),are conducted. In addition, the rates of convergence of RNNM respectively using RPE algorithm and gradient learning algorithm are also compared. The results show that the proposed control system is better for controlling uncertain and nonlinear processes.     

神经网络模糊预测优化控制在VAV系统中的应用

将神经网络、模糊控制与非线性预测优化控制结合起来,提出了神经网络模糊预测优化控制方法,采用前馈神经网络作为预测模型,利用贝叶斯正则化方法对模型进行了辨识,以自调整模糊控制器作为优化控制器,通过多步预测方式,系统的优化性能指标综合考虑温度偏差最小和能耗最小这两方面因素,应用该方法对制冷工况变风量空调系统的送风温度和回风温度（室内温度）进行了仿真控制研究。控制结果表明了该方法的有效性,控制效果良好,并且可以达到节省能耗的目的。

Abstract：

Artificial neural network,fuzzy control and nonlinear optimal predictive control were combined.The algorithm of neural network nonlinear fuzzy predictive optimal control was proposed.Feed-forward neural network was adopted as the predictive model of the cooling VAV system.The model was identified by the method of Bayesian regularization.The self-adjusting fuzzy controller was adopted as optimal controller.The algorithm was applied in the cooling VAV system with multi-step predictive method.Indoor temperature and supply air temperature was controlled aimed at minimum temperature deviation and minimum energy consumption by this scheme in Matlab.Simulation results illustrate the effectiveness of this technique,and in the meantime illustrate that this technique can save energy consumption.     

基于T-S模型的模糊神经网络在股市预测中的应用

采用基于 T-S模型的模糊神经网络 ,用改进的遗传算法来训练网络权值 ,隶属函数参数调整算法则采用动量法和学习率自适应调整相结合的策略 ,以上证指数和厦新电子 (个股 )为研究对象予以建模和预测 .结果表明 ,此种模型具有较好的泛化、学习、映射能力 ,对股票市场或类似的非线性经济系统的走势研判或其相应预测决策具有较好的应用价值.     

模糊神经网络的混合学习算法及其软测量建模

提出了一阶TSK模糊神经网络的混合学习算法，算法由三部分组成：基于模糊聚类的网络初始化；基于梯度下降的规则前件的学习算法；基于部分最小二乘的规则后件的学习算法。该混合算法可以根据训练样本的分布自动确定模糊神经网络的初始值，当输入变量个数多时不会出现模糊规则数爆炸现象，训练速度快，模型精度高。将混合学习算法应用到PTA工业过程中4-CBA含量的软测量建模中，取得了令人满意的效果。     

基于模糊神经网络的轮廓误差附加补偿控制研究

在分析系统轮廓误差的基础上，提出了基于模糊神经网络的轮廓误差补偿方法，并说明其补偿器的原理、算法及实现。该法在不改变系统各单轴位置环的前提下，根据系统的轮廓误差，通过模糊神经网络的自学习能力动态向各轴提供误差补偿信息，进而提高系统的轮廓精度，同时也解决了各轴之间增益不匹配、动态不匹配和各轴不可预见性问题。最后，在MATLAB6.1环境下对该系统进行仿真，仿真结果表明其可行性和有效性。     

Fuzzy neural network image filter based on GA

A new nonlinear image filter using fuzzy neural network based on genetic algorithm is proposed. The learning of network parameters is performed by genetic algorithm with the efficient binary encoding scheme. In the following, fuzzy reasoning embedded in the network aims at restoring noisy pixels without degrading the quality of fine details. It is shown by experiments that the filter is very effective in removing impulse noise and significantly outperforms conventional filters.