一种用于非线性控制的神经网络模糊自组织控制器

本文提出一种神经网络自组织控制器，并应用于非线性跟踪控制中，为了加快模糊控制器的在线学习，文中给出了一种变的最速梯度下降学习算法，仿真结果表明，该控制是有效的。     

一种自组织双模糊神经网络控制算法

针对传统模糊神经网络设计复杂、控制实时性滞后的问题,提出自组织双模糊神经网络算法。将样本数据进行聚类划分,形成原始的模糊隶属函数集;在神经网络的离线训练过程中,完善并优化模糊隶属函数和规则;采用双神经网络结构,在线工作时,一个神经网络完成在线学习任务,另一个神经网络完成工业控制任务;经过一定的系统周期,同步系统中两组神经网络的参数;提取完成控制任务的神经网络的输出作为算法的输出。应用于火箭发动机试验台控制系统中,表明算法能够提升控制系统中针对输入参数越界的鲁棒性,提高控制实时性,简化了模糊神经网络的设计复杂度。     

一种最优模糊神经网络控制器

基于最优控制的思想,通过对控制系统的过程模拟,提出一种最优模糊神经网络控制器的设计方案,首先利用基于十进制编码机制的遗传算法寻找最优的控制器结构,然后利用基于浮点数编码机制的遗传算法寻的最优的控制器参数,仿真结果表明该控制器优于常规模糊控制器。     

SCARA机器人自组织模糊聚类神经网络控制器

本文提出了用于SCARA机器人运动控制的自组织模糊聚类神经网络控制器.该控制器基于模糊聚类方法在学习模糊规则之前先优化训练数据,去除冗余数据并解决数据冲突问题,不但减少了神经网络的计算负担,而且生成的规则更加适合机器人运动控制.控制器主要特点是能够动态地自组织结构,学习速度快,鲁棒性强.仿真结果表明控制效果很好.     

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。     

模糊神经网络控制器

自从1965年美国学者LAZadeh教授提出模糊集合论以来，模糊系统理论得到很大的发展，而1974年英国剑桥的E．H．MhlTldani首次应用模糊控制实现了对蒸汽机的控制。使人们对模糊控制引起了极大的热情。近二十年来，模糊控制经历了重大的发展与演变，现已深入到自组织控制，预测控制．多变量控制等方面。但是，无论是何种模糊控制系统，其核心都集中于模糊推理框架。如何将模糊规则表达与近似推理有机结合起来，实现高速动态推理，一直是尚待解决的问题。近年来随着人工种经网络理论的发展，人们开始将神经网络和模糊控制相结合，构成模糊神…     

一种自适应模糊控制器

对文 [1]提出的模糊自适应控制算法提出改进方案 ,根据改进方案 ,控制算法可以去掉监督项 ,同时可加入一辅助控制项以提高动态特性 .经证明 ,算法仍然满足全局稳定 .为保证闭环渐近稳定性条件 ,文中提出一种模糊控制器结构自组织学习方法 .仿真结果显示 ,与文 [1]算法相比 ,本文算法更能保证闭环渐近稳定性 ,具有更好的动态性能 .     

一种新的分布式神经模糊控制器

本文提出了一种分布式神经模糊网络和自学习模糊控制器的构成方法，它是CMAC模型的一种扩展，使其能进行模糊推理和构成自习的模糊控制器，该方法除具有CMAC优点外，还具有以下特点；（1）输入数据通过 模糊划分和隶属函数后自动编码，对精度没有限制；（2）从现场数据直接获取控制规则，即使对未训练的数据，也能结合插值和泛化两种能力，推理出合适的输出。本文还对DNFN的逼近能力进行了讨论，学习实例证明了方法的有效性。     

一种新的分布式神经模糊控制器

提出了一种分布式神经模糊网络和自学习模糊控制器的构成方法。它是CMAC模型的一种扩展，使其能进行模糊推理和构成自学习的模糊控制器。该方法除具有CMAC优点外，还具有以下特点：输入数据通过模糊划分和隶属函数后自动编码，对精度没有限制；从现场数据直接获取控制规则，即使对未训练的数据，也能结合插值和泛化两种能力，推理给出合适的输出。学习实例证明了方法的有效性。     

一种参数自调整PID模糊控制器

结合传统PID控制原理,提出一种新型模糊控制器结构,即PID模糊控制器。为提高PID控制器性能,设计能在线调整PID参数的模糊控制方法。仿真结果表明,自调整参数PID型模糊控制器使系统在暂态响应及稳态性能方面性能优良。     

Fuzzy Polynomial Neuron-Based Self-Organizing Neural Networks

We propose a new category of neurofuzzy networks—self-organizing neural networks (SONN) with fuzzy polynomial neurons (FPNs) and discuss a comprehensive design methodology supporting their development. Two kinds of SONN architectures, namely a basic SONN and a modified SONN architecture are discussed. Each of them comes with two topologies such as a generic and advanced type. Especially in the advanced type, the number of nodes in each layer of the SONN architecture can be modified with new nodes added, if necessary. SONN dwells on the ideas of fuzzy rule-based computing and neural networks. The architecture of the SONN is not fixed in advance as it usually takes place in the case of conventional neural networks, but becomes organized dynamically through a growth process. Simulation involves a series of synthetic as well as real-world data used across various neurofuzzy systems. A comparative analysis shows that the proposed SONN are models exhibiting higher accuracy than some other fuzzy models.     

基于自组织竞争神经网络技术的模糊聚类研究

本文对常规模糊聚类方法进行了深入的研究，提出了一种基于自组织竞争神经网络技术的模糊聚类方法。仿真结果证明，这种方法可以有效地进行模糊聚类。     

基于自组织模糊神经网络电力系统稳定器的设计

采用一种自组织模糊神经网络设计电力系统稳定器,该稳定器能通过结构和参数的学习,克服传统模糊控制器设计过程吕存在的盲目性及拚养伤性,避免模糊控制器中模糊逻辑规则的冗余成欠缺。仿夫表明该电力系统稳定器具有良好控制性能。     

模糊系统和神经网络的特征与比较

概述了模糊、神经网络 和人工智能技术之间的关系，尤其探讨了模糊系统和神经网络的特性；指出了模糊系统和神经网络的结合方式，分析了它们的特征。     

模糊神经网络建模方法的研究

近年来神经网络在建模中得到了广泛地应用,但其学习过程需要大量的训练样本以保证其结果的正确性,在工业过程建模中,神经网络因可采集与训练样本数少,且信息不全等困难,难以建立一定正确度的模。针对这一问题,本文以Ｇａｕｓｓ函数为隶属度函数形式改进模糊聚类的Ｃ－平均法,提出了模糊ＣＧ－平均法,对一同组数据的聚类结果证明了此方法的有效性,模糊神经网络在化工中的研究尚处于初级阶段,本文将模糊ＣＧ－平均法与神经网络结合,构造由模糊化层、隶属度生成层、推理层及反模糊化输出层构成的模糊神经网络,实例表明本文所构造的模糊神经网络在使用较少训练样本的条件下仍能取得理想的结果,有助于直接从生产中建立所需的模型。     

模糊人工神经网络方法在QSAR研究中的应用

使用模糊神经网络提取易于理解的“IF－THEN”模糊规则，并用于亚苄丙二腈类衍生物活性的预测，结果较好。     

基于模糊聚类的神经网络集成

针对差异性是集成学习的一个重要条件,研究基于模糊聚类技术提高神经网络集成差异性的方法。提取大量弱分类器的权值和阈值并作为模糊聚类的数据对象,然后将聚类结果作为集成网络中个体网络的权值和阈值,最后在标准数据集上进行仿真实验,证实方法的有效性。