基于PLC的自适应模糊-PID压力控制系统

本文在传统PID控制技术和模糊控制技术的基础上,吸收两者长处,设计了自适应模糊-PID控制器,并将其应用于压力控制中。基于S7-200PLC的自适应模糊-PID压力控制系统,以偏差和偏差变化率作为输入,根据被控系统不同工况变化的要求,通过修改PID控制器的参数来获得满意的动态和静态控制性能。     

基于模糊自适应PID的剪板机控制系统研究

针对剪板机伺服控制系统的实际需求,在分析了剪板机常用伺服控制方法的基础上,设计了模糊自适应PID控制器.采用模糊控制和PID相结合,克服了传统PID控制的一些缺点.通过对控制系统建模、仿真,其结果表明,和模糊控制、传统PID相比较,该控制器在超调量、调节时间、抗干扰、鲁棒稳定性等方面有更好的品质.     

模糊自适应PID参数自整定控制器的研究

当控制系统中的被控对象存在纯滞后、时变或非线性等复杂因素时,普通的PID控制器的控制效果很难达到较好的控制效果,针对这一问题,应用模糊控制和自适应控制的知识,设计了模糊自适应PID参数自整定控制器,此控制器的比例系数、积分系数和微分系数可根据模糊推理规则进行在线调整。仿真结果表明,该控制方法提高了系统的动、静态特性,使该系统具有较好的鲁棒性。     

一种新型的自适应模糊单神经元控制算法

提出了一种新型的模糊单神经元控制算法，它不需要对象的数学模型，同时又具有模糊控制和单神经元控制的优点，并且参数在动态过程可自适应调整．仿真实验表明这种算法具有较好的动态过程性能指标和较强的鲁棒性．     

基于BP算法的自适应模糊控制系统研究*

在用模糊算法产生模糊规则的过程中，专家信息对算法是否收敛起到了很重要的作用。本文基于模糊控制器的一种解析结构，提出了用ＢＰ算法完善经验规则，加速非线性系统模糊控制过程的方法。     

玻璃熔炉料道自适应模糊控制系统

本文介绍了一种实用的自适应模糊控制方法,通过在玻璃熔炉料道温度控制中的应用证明,该系统具有跟踪快、超调小和便于实现等特点。对于大惯性、慢变化的被控对象而言,是一种理想的控制算法。     

基于模糊神经网络的自适应控制系统的设计

自适应控制系统往往结合神经网络技术和模糊理论来实现规则节点和隶属度函数调整。但是这种系统的运行过程往往是顺序的,自适应过程慢。此外,在网络结构中往往存在冗余节点,加大了计算量,降低了控制反应速度。针对以上问题本文设计1个新的模糊神经网络控制系统(FNCC),FNCC在结构学习中引入了减少规则节点的操作,降低了由于过量计算所带来的时间滞后。同时,此系统的参数学习与网络结构学习同步进行,降低了由于顺序操作所带来的时间滞后。通过研究得出FNCC具有以下特点:(1)无需预知系统的模型,(2)无限制的结构设计。在研究中我们将此系统应用到一非线性系统上,通过仿真结果来验证FNNC的可行性和准确性。     

基于单神经元的温箱自适应控制系统

为了提高温箱的温度控制精度与抗扰能力,提出了一种基于单神经元的自适应改进控制算法。分析了温箱模型及其时延性与传导惯性,将单神经元与经典PID算法相结合,利用单神经元的非线性逼近和自学习能力,实现参数的在线调整,同时利用二次型性能指标对连接权值进行约束调整,提高参数调整稳定性和收敛速度。仿真结果表明,与经典PID算法相比,该改进控制算法具有更快的响应速度和更小的超调量,系统自适应和鲁棒性能得到明显提升。     

基于模糊自适应PID的温度控制系统的设计

针对锅炉温度系统,研究设计了一种自适应模糊PID控制器。其突出优点是应用模糊控制适应系统的不确定性,能够提高对象模型不确定时PID参数的自适应能力。很大程度上改善了系统的控制品质,提高了系统的鲁棒性。实际运行结果证明了该方法的有效性。     

适应性模糊控制系统的研究

本文基于参考模糊集建模方法，给出了模糊模型在线辨识方法，并按模糊模型求取模糊控制规则，实现了模糊自适应控制。仿真研究结果表明该方法是有效的。     

基于自适应神经元学习模糊控制规则

本文给出了利用自适应神经元学习、修改模糊控制规划的新方法，该方法可以学习与当前控制过程输出性能有关的在过去起作用的控制规划，可以随过程环境变化自动调整控制规划，以改善过程输出性能。     

自适应模糊神经网络控制系统的研究

自适应模糊神经网络控制器是由模糊控制和神经网络相结合构成,它不依赖被控对象的数学模型,并能自动产生模糊控制规则,又具有良好的自适应性,是目前受人们关注的课题。本文在对其分析的基础上又提出了卡尔曼滤波的学习算法,解决了原BP算法实时性差的问题,通过仿真实验说明了其优越性,并体现了模糊神经网络与最优控制相结合的思想。     

一种基于模糊逻辑神经网络的自适应控制及其应用

本文提出了一种模糊逻辑神经网络自适应控制器．这种控制器由一个模糊高斯神经网络和一个多层神经网络组成．它具有自适应和学习能力．计算机仿真和实际的伺服直流电机调速实验的结果表明本文提出的这种控制器是切实可行的，其系统响应和鲁棒性优于常规的Ｆｕｚｚｙ控制．     

基于模糊神经网络的模型参考自适应控制

用模糊神经网络作为控制器,依靠参考模型产生理想的控制系统闭环响应,从而随时得到控制系统的输出误差.用梯度法实时修正模糊控制器的输入和输出隶属度参数,得到一种在线模糊自适应控制的新方法.通过倒立摆的仿真实验表明,该方法是可行的并能适应对象特性的大范围变化.     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

基于模糊神经网络水下机器人直接自适应控制

提出了基于广义动态模糊神经网络的水下机器人直接自适应控制方法, 该控制方法既不需要预先知道模糊神经结构, 也不需要预先的训练阶段, 完全通过在线自适应学习算法构建水下机器人的逆动力学模型. 首先, 本文提出了基于这种网络结构的水下机器人直接自适应控制器, 然后, 利用 Lyapunov 稳定理论, 证明了基于该控制器的水下机器人控制系统闭环稳定性, 最后, 采用某水下机器人模型仿真验证了该控制方法的有效性.     

基于FNN的滑模自适应控制

研究一类不确定性非线性系统的直接自适应控制方法。该方法由滑模控制器和模糊神经网络构成，通过平滑切换实现自适应控制策略。仿真结果表明，这种方法既有强鲁棒性，又能有效地消除高频颤动。     

基于模糊神经网络的机器人滑模自适应控制

滑模控制（SMC）响应快,对系统参数和外部扰动呈不变性,可保证系统的渐近稳定性,但其缺点是控制存在很强的抖动;而模糊神经网络（FNN）具有模糊系统和神经网络共同的特点。将滑模控制和模糊神经网络控制有机结合,利用简单得到的学习信号对模糊神经网络进行在线学习,通过平滑切换函数实现直接自适应控制策略。对两连杆机械手的仿真研究表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能有效减小滑模控制的抖动问题。     

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。     

一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播（FCP）网络辨识器和径向基函数（RBF）神经网络控制器组成,仿真结果表明了该方案的有效性。