多小波模糊神经网络盲均衡算法

为了克服传统恒模算法(CMA)采用固定步长造成的收敛速度与收敛精度之间的矛盾,提出了一种基于平衡正交多小波变换的模糊神经网络盲均衡算法(MWT-FNN-BEA).该算法一方面利用模糊神经网络控制器自动调节算法的迭代步长,较好地解决了收敛速度与收敛精度之间的矛盾;另一方面利用平衡正交多小波变换对均衡器输入信号进行去相关性处理,进一步提高了算法的性能。理论分析和水声信道仿真结果表明,所提出的算法具有较快的收敛速度和较小的稳态误差,抗干扰性能好。     

基于粒子群优化算法的模糊飞行控制器设计

提出了一种基于粒子群优化（PSO）算法的模糊飞行控制器优化设计方法。PSO算法通过粒子跟踪本身所找到的最优解和种群的最优解来完成优化．该算法具有可调参数少．简单易实现，优化速度快的特点。将PSO算法用于对模糊飞行控制器隶属函数的优化设计中，以达到提高控制效果与简化模糊控制器设计的目的。仿真结果表明．利用PSO算法进行优化设计所得到的模糊飞行控制器具有优良的控制性能。     

移动机器人路径跟踪的自适应控制

提出一种结构简单的自适应控制器，控制器是由模糊神经网络和PD控制器并行控制移动机器人路径跟踪。在初始阶段，PD控制器控制路径跟踪并提供控制经验给模糊神经网络学习。在学习信号触发器的管理下，可以在线学习自适应调整模糊神经网络的参数。模糊神经网络控制器既推理产生控制规律，也辩识移动机器人动力学模型，通过BP学习算法实时在线调整自身参数达到路径跟踪自适应控制目的。     

人工神经网络在运动控制中的应用

介绍了人工神经元模型与神经网络基本结构。阐述了多层前向网络的工作原理及误差反转（BP）算法,探讨了用于运动控制的单神经元PID控制器的结构与基于BP网络的模糊自适应PID控制,给出了由传统PID控制器,模糊量化处理,系统辨识神经网络NNM和系统控制网络NNC组成的基于BP网络的模糊自适应PID控制器结构,并讨论了人工神经网络在运动控制领域中应用的发展趋势。     

混沌优化在模糊PID控制中的应用

模糊控制器的设计,较多地依赖设计者的主观经验,工作量大、负担重.文中针对这个问题,提出了混沌优化控制方案,将混沌优化算法应用到模糊PID控制中,利用混沌优化算法对模糊PID控制器中的参数进行优化.仿真结果表明混沌优化算法不但改进了发动机模糊PID控制器的设计,而且整个控制系统具有良好的动、静态性能.     

一种基于GA-BP 算法的PIDNN 控制策略

为改善常规PID控制器对非线性对象的控制性能,提出一种基于GA-BP算法的PID神经网络（PID NeuralNetwork,PIDNN）控制策略。将PID控制规律融入神经网络,构成一种PIDNN控制器,并利用GA-BP算法来对其进行参数优化。采用所设计的PIDNN控制器对一种非线性系统进行仿真研究,仿真结果表明：GA-BP算法收敛速度快,所设计的PIDNN控制器与常规PID控制器相比,其控制稳定性和快速性等性能都得到了很大改善。     

基于免疫遗传模糊神经滑模的地面作战机器人轨迹跟踪控制

提出了一种基于运动学与动力学模型的免疫遗传模糊神经滑模混合控制器用于地面作战机器人的控制。算法中利用径向基神经网络逼近滑模控制的等效部分,并通过免疫遗传算法对径向基神经网络参数进行了优化,滑模控制的增益通过模糊控制策略进行了调节。利用该算法对圆形轨迹进行了跟踪控制仿真及试验分析,与传统的滑模控制相比,该算法能够有效克服系统的不确定性因素的影响,有效抑制了滑模控制中抖振现象,系统的动态轨迹跟踪性能得到了优化。     

航空发动机的CMAC与PID并行控制

提出了一种基于CMAC神经网络与PID并行控制方法，利用传统的PID控制器实现反馈控制．保证系统的稳定性．并抑制扰动；利用CMAC神经网络控制器实现前馈控制．保证系统的控制精度和响应速度。将该算法应用到航空发动机控制中．结果表明．与单纯PID控制算法相比，该算法增强了系统的控制精度，提高了系统的响应速度．并具有较好的抗干扰能力。     

基于改进型BP神经网络的PID控制算法

针对传统的PID控制算法很难获得比较理想的控制效果的问题,提出一种基于BP神经网络的自适应PID控制算法。根据BP神经网络的结构和特点,介绍了改进型BP神经网络算法描述及PID控制器的结构,并通过实例进行仿真分析。结果表明,改进型BP神经网络PID控制器具有良好的控制效果,降低超调量,抗干扰性强和增强系统的鲁棒性,优于常规PID控制器。     

基于神经网络的模型参考自适应控制方法

针对传统基于模糊神经网络的模型参考自适应控制方法的一些不足,提出了一种基于BP神经网络的模型参考自适应控制结构,并对所使用的BP网络学习算法进行了分析改进。对比分析采用传统自适应方法和改进的自适应方法时,不同的控制仿真结果表明,改进后的方法可以有效地抑制神经网络的“过学习”现象,减小了对神经网络辨识器精度的依赖程度,改进效果显著。     

基于模糊神经网络PID的串级温度控制系统研究

为解决传统PID 控制存在控制效果不够理想、性能欠佳和很难满足系统精度要求的问题,提出基于模糊 神经网络的自适应PID 控制算法对系统进行控制。采用Labview 构建模糊神经PID 控制器,对环控引气系统温度进 行动态控制,进行仿真研究,并将此控制策略与经典PID 控制进行仿真比较。结果表明：基于模糊神经网络的PID 控制算法在系统的超调量和调节时间上都小于经典PID,能提高系统的快速性和准确性,改善系统特性。     

遗传算法在武装机器人稳定平台控制中的应用

为了进一步提高武装机器人稳定平台的控制效果,达到武装机器人在复杂野外环境下的作战要求,使用遗传基因算法对控制武装机器人的稳定平台的模糊控制器进行了优化。首先对模糊控制器的控制规则进行编码,确定种群和个体,然后通过复制、交叉、变异、选择,利用适应度函数选择出更优的个体,进而改良模糊控制器。通过实验仿真证明：利用遗传基因算法优化后的模糊控制器对武装机器人稳定平台的控制效果得到了大幅的提升,遗传基因算法在优化模糊控制器,提升模糊控制器对武装机器人稳定平台控制效果上具有很好的作用。     

基于模糊神经网络的遥控武器站伺服系统PID控制器

针对遥控武器站伺服系统具有间隙、摩擦等非线性、不确定性特征,将PID控制与模糊神经网络进行有机结合。利用多层神经网络提取模糊控制规则,构建模糊神经网络控制器,根据偏差E和偏差变化EC在线调整PID控制器的三个参数。仿真试验表明,该控制器具有PID控制器精度高,以及模糊神经网络控制器响应速度快、超调小、稳定性高的特点,具有良好的动、稳态特性。     

一种自适应模糊小波神经网络及其在交流伺服控制中的应用

针对某武器大功率交流伺服系统所存在的大变负载、慢时变、强耦合的非线性特性和不确定扰动等问题,提出了模糊小波神经网络（FWNN）间接自适应控制器,该控制器的特点为Takagi-Sugeno-Kang (TSK)模糊模型的后件部分由自回归小波神经网络（SRWNN）构成。给出了SRWNN参数的迭代算法,利用SRWNN辨识器为控制器提供实时梯度信息,有效地克服了参数变化和负载扰动等不确定因素的影响,且具有良好的动态特性。采用Lyapunov稳定性理论方法证明了闭环系统的稳定性。仿真研究和样机试验结果证明了所提方案的有效性和正确性。     

基于模糊控制器的自适应遗传算法

基于模糊控制器的自适应遗传算法,通过模糊控制器自适应地动态改变交叉率、变异率的值;从而使该算法最快达到全局最优解.其模糊控制器的设计及求取Pc(交叉率)、Pm(变异率)的步骤包括:输入、输出变量的选取,输入、输出语言值及隶属度函数的定义,模糊规则表的建立,模糊推理及解模糊.     

基于模糊神经网络PID的机床直流调速系统

为解决PID参数的在线调整问题,针对龙门刨床的主拖动系统,提出将神经网络的模糊PID自适应控制器用于直流调速系统的方法。分析龙门刨床电气设备的组成,综合模糊控制和神经网络的长处,将神经网络、模糊逻辑和PID控制相融合,构成模糊神经网络控制器,并通过MATALAB对系统进行仿真。设计时,将模糊规则融于神经网络中,通过对神经网络的自学习、自适应能力在线调整模糊规则和隶属函数参数,对PID控制器实现在线实时调整。仿真结果表明,该系统比普通控制器具有更好的动、静态特性。     

基于模糊PI 控制的甲醇催化燃烧系统温度控制策略

为改善甲醇催化燃烧系统中由于温冲效应导致重整室温度达到稳态时间的滞后问题,运用模糊算法对传统的PI控制器进行优化,根据先验知识实时调整P、I参数,并通过Matlab软件仿真计算和设计实验对2种控制策略性能进行比较.仿真计算和实验结果均表明:在升温快速响应阶段,模糊PI控制器较传统PI控制器响应时间更短、速度更快;在稳定阶段,相较传统PI控制器,模糊PI控制器产生的超调量更小,且能更快使系统温度达到稳定状态.由此可见,模糊PI算法能有效提升系统快速性和稳定性,一定程度改善系统滞后的缺点.