混沌系统的一种自学习模糊控制

提出一种基于遗传算法的自学习模糊控制方法控制混沌系统。用一种改进的遗传算法学习模糊控制器的隶属度函数，以改善模糊控制器的性能，使其达到良好的控制效果。用此方法控制Ｈｅｎｏｎ系统的混沌行为，效果良好。     

带遗忘因子的高阶闭环迭代学习控制器设计

为了解决迭代学习控制对系统存在的不确定性和非重复性干扰的鲁棒性问题，提出了一种带有遗忘因子的高阶闭环迭代学习控制器。该控制器中控制量包括反馈和前馈部分；其中，反馈控制采用简单的HD控制，迭代学习控制器设计为高阶HD型，它以前馈控制的形式作用于对象。通过引入遗忘因子对迭代学习控制器沿迭代方向进行滤波以，削弱系统模型的不确定部分及非重复干扰对系统收敛性的影响。仿真实验证明了该学习控制器的有效性和实用性。     

一种基于规则和学习算法设计的电力系统智能PID控制器

提出了一种基于规则和学习算法设计的电力系统智能ＰＩＤ控制器的设计方法。通过对固定参数电力系统ＰＩＤ控制器性能的研究，验证并获得了一些关于电力系统电压和稳定性控制协调与鲁棒性的结论。在此基础上，研制出一种智能ＰＩＤ控制器，它由基于规则的开关控制和基于学习控制的算法组成。在单机无穷大电力系统中应用的非线性仿真表明，这种智能ＰＩＤ控制器满足电力系统电压和稳定性协调控制的要求，且具有较强的鲁棒性。     

遗传小脑神经网络在液位控制中的应用

针对非线性液位控制问题，提出了一种采用遗传小脑模型神经网络（CMAC）的学习控制方法；该控制器采用遗传算法作为CMAC神经网络的学习算法，给出了具体的控制结构和算法；仿真结果表明，该控制器具有良好的处理非线性以及跟踪连续变化信号的能力，并对时变外负载干扰具有明显的抑制作用，而且新型控制器能使用较高的学习速率，学习速度快，适于在线学习控制。     

基于神经网络的模糊自适应PID控制方法

提出一种基于BP神经网络的模糊自适应PID控制器。该控制器综合模糊控制、神经网络与PID调节各自的优点，既具有模糊控制的简单和有效的非线性控制作用，又具有神经网络的学习和适应能力，同时具备PID控制的广泛适应性，仿真实验表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。     

基于单神经元的PID自适应控制器的仿真研究

本文将神经网络与PID控制器相结合，设计了一种具有自适应、自学习功能的单神经元自适应PID控制器，该控制器可以实现PID参数在线调整，当控制对象参数在较大范围内改变时，该控制器表现出较强的鲁棒性。     

基于有序神经网络的神经模糊预测控制

本文使用有序神经网络和改进的模糊控制器构成了一种新型的神经模糊预测控制方法，有序网络学习速度快，所需神经数目少，用事先训练好的有序网络代替传统的预测模型，以期增强输出预测的准确性；同时，用一种改进的模糊控制器原有的PID控制器，增强系统的鲁棒性。仿真结果表明，所提出的神经模糊预测控制方法可以获得理想的控制效果。     

一种模糊神经解耦混合控制器的研究

该文将模糊神经网络与Pl控制技术相结合构成一种模糊神经解耦混合控制器。新控制器在控制过程中借助模糊神经网络的自学习算法实现控制参数的在线调整。仿真结果表明，该控制方法对非线性时变系统有较好的控制效果。     

基于H∞方法的不确定系统迭代学习控制设计

针对不确定线性离散系统，研究了开闭环型的鲁棒迭代学习控制器。给出了控制器收敛的充分条件，根据此条件，将迭代学习控制的设计问题转化为H∞设计问题，提出了一种兼具反馈闭环控制与前馈学习控制的鲁棒迭代学习控制律，并采用H∞性能指标对系统进行优化，使系统的收敛率基于H∞最优，然后使用线性不等式（LMI）方法求解迭代学习控制器的参数。仿真实例表明了该设计方法的有效性。     

带有误差修正项的自适应学习控制

本文讨论了二阶系统在任意初态偏差下的自适应控制问题,借助学习控制及其初始修正的思想,提出了两种带有修正初态偏差功能的自适应控制策略:一阶吸引子控制器和零阶吸引子控制器.两种控制器都是将整个控制过程分成若干个等长时间的子过程,在每个子过程中控制算法都会进行误差校正和参数学习.其中,一阶吸引子控制器在每个子过程中同时修正所有状态偏差;而零阶吸引子控制器在每个子过程中先修正高阶状态偏差,再修正低阶状态偏差.并且两种控制器在控制过程中,都利用反正切函数对控制量进行连续化处理,解决了控制过程中的颤振问题.最后,通过计算机仿真验证了算法的有效性.     

基于Elman神经网络的浓相输送模糊控制系统

由于粉末物料的浓相输送系统存在严重的非线性和时变性,故要想建立其准确数学模型难度非常大,本文提出了使用模糊神经网络控制系统,并对于模糊控制规则由Elman神经网络联想记忆后提取,它不但可以获得最佳控制规则,而且响应速度快并能够进行在线进行规则的修正。经仿真实验,该控制器能够对粉末物料流量在一定范围内进行协调优化时实控制。     

A STABLE SELF-LEARNING OPTIMAL FUZZY CONTROL SYSTEM

The issue of developing a stable self-learning optimal fuzzy control system is discussed in this paper. Three chief objectives are accomplished: 1) To develop a self-learning fuzzy controller based on genetic algorithms. In the proposed methodology, the concept of a fuzzy sliding mode is introduced to specify the system response, to simplify the fuzzy rules and to shorten the chromosome length. The speed of fuzzy inference and genetic evolution of the proposed strategy, consequently, is higher than that of the conventional fuzzy logic control. 2) To guarantee the stability of the learning control system. A hitting controller is designed to achieve this requirement. It works as an auxiliary controller and supports the self-learning fuzzy controller in the following manner. When the learning controller works well enough to allow the system state to lie inside a pre-defined boundary layer, the hitting controller is disabled. On the other hand, if the system tends to diverge, the hitting controller is turned on to pull the state back. The system is therefore stable in the sense that the state is bounded by the boundary layer. 3) To explore a fuzzy rule-base that can minimize a standard quadratic cost function. Based on the fuzzy sliding regime, the problem of minimizing the quadratic cost function can be transformed into that of deriving an optimal sliding surface. Consequently, the proposed learning scheme is directly applied to extract the optimal fuzzy rulebase. That is, the faster the hitting time a controller has and the shorter the distance from the sliding surface the higher fitness it possesses. The superiority of the proposed approach is verified through simulations.     

基于模糊树模型的自适应直接逆控制

基于模糊树模型, 结合神经网络中的逆向学习和专门化学习, 提出了自适应直接逆控制方法. 首先离线辨识对象的逆模型作为初始的控制器, 然后与对象串联, 用最小均方差 (Least mean square, LMS) 算法在线调节控制器中的线性参数. 本方法辨识得到的逆模型控制器可以减少需要的模糊规则数目, 同时达到较好的跟踪控制效果. 仿真结果表明了方法的有效性.     

一种基于模糊CMAC神经网络的自学习控制器

通过分析模糊控制和基于广义基函数的ＣＭＡＣ神经网络,提出一种模糊ＣＭＡＣ（ＦＣＭＡＣ）神经网络。通过ＦＣＭＡＣ权系数的在线学习,实现修正模糊逻辑。给出一种基于ＦＣＭＡＣ的自学习控制器的结构及合适的学习算法,这种网络每次学习少量参数,算法简单。仿真结果表明所提出的控制器优于传统的ＰＩＤ控制器。     

某机载雷达智能环境控制器模糊算法设计

为了提高某机载雷达环境控制系统控制品质,设计了一种基于PID控制与模糊控制相结合的智能控制器。文章介绍了该智能控制器的基本原理、系统组成,详细论述了温度控制算法。该算法具有更大的灵活性、更快的响应速度、抗干扰性强和鲁棒性高的优点,特别适用于非线性、时变和大滞后的控制系统。试验表明,采用该算法的环境控制系统,具有良好的控制性能,对机载设备冷却或加热取得了满意的效果。     

基于模型参考自适应方法的对偶控制方法研究

针对未知参数随机系统，基于模型参考自适应方法和双准则函数，设计了具有控制和学习作用的对偶控制器．通过控制器的学习作用提高了控制精度，有效地减少了启动时的超调．仿真结果表明，设计的控制器能够具有较好的跟踪性能．     

机械臂自调整因子模糊PD迭代学习控制研究

大部分模糊控制器不具有适应控制对象变化的能力,基于此设计一种自调整因子模糊控制器,并针对机械臂长时间重复操作导致运动精确度下降这一类问题,结合迭代学习控制方法,提出一种自调整因子模糊PD迭代学习控制方法;以双关节机械臂为研究对象,利用Fuzzy工具箱编写模糊控制规则,通过系统产生的误差以及误差的变化率作为模糊控制器的输入量调整模糊系统中的量化因子和比例因子,实现模糊规则的更新和对迭代学习控制中的PD参数的实时调整,系统的自适应性得到提高,并在Simulink中进行机械臂的运动控制实验,仿真结果表明,所提控制方法最终产生的误差可以精确到0.0001 rad,同时在进行第2次迭代时关节角度和角速度误差收敛基本趋于零,整体的控制效果较好。     

Development of a physiological knee motion simulator

Several kinds of knee motion simulator systems have been developed for the accurate analysis of knee biomechanics. Knee motion simulators, however, are not recognized for their practical use because of difficulties in design and control. In this study, a wire-driven knee simulator which generates physiological knee motion has been developed. Physiological three-dimensional tibia motion against the femur can be generated by the simulator. Many clinical studies have been performed to analyze the length displacement pattern of the anterior cruciate ligament (ACL) and the posterior cruciate ligament (PCL). We assume that the physiological knee motion can be realized if the length displacement patterns of the ACL and PCL against the knee flexion angle are the same as the experimental data obtained from the literature. A fuzzy neural control policy, one of the most effective intelligent control policies, has been applied for control of the simulator. Applying the fuzzy neural control policy, human knowledge and experience can be reflected and adaptive/learning ability can be incorporated in the controller. On-line learning of the fuzzy neural controller is carried out to minimize a fuzzy controlled evaluation function using the back-propagation learning algorithm. The effectiveness of the proposed simulator has been evaluated by experiments using a model bone.     

基于FBFN 的鲁棒仿生学习系统设计及在运动平衡控制中的应用

针对两轮直立式机器人的运动平衡控制问题,结合OCPA 仿生学习系统,基于模糊基函数,设计了一 种鲁棒仿生学习控制方案．它不需要动力学系统的先验知识,也不需要离线的学习阶段．鲁棒仿生学习控制器主要 包括仿生学习单元、增益控制单元和鲁棒自适应单元3 部分．仿生学习单元由模糊基函数网络（FBFN）实现,FBFN 不仅执行操作行为产生功能,逼近动力学系统的非线性部分,同时也执行操作行为评价功能,并利用性能测量机制 提供的误差测量信号,产生取向值信息,对操作行为产生网络进行调整．增益控制单元的作用是确保系统的稳定性 和性能,鲁棒自适应单元的作用是消除FBFN 的逼近误差及外部干扰．此外,由于FBFN 的参数是基于李亚普诺夫 稳定性理论在线调整的,因此进一步确保了系统的稳定性和学习的快速性．理论上证明了鲁棒仿生学习控制器的稳 定性,仿真实验结果验证了其可行性和有效性．