一种基于RBF神经网络的模糊PID控制算法

提出一种将RBF神经网络与模糊控制相结合的方法,对系统输出误差进行模糊化,利用RBF神经网络对PID控制参数进行在线整定。仿真结果表明基于上述的PID控制算法能较好地实现PID控制参数的在线调整和优化。     

基于模糊RBF神经网络的永磁同步电机位置控制

针对比例-积分-微分(PID)控制器参数固定而引起永磁同步电机位置伺服系统控制效果不佳问题,设计了基于平滑切换的模糊PI控制和径向基函数(RBF)神经网络PID控制的位置控制器。暂态时,采用模糊PI控制;稳态时,采用RBF神经网络PID控制,两者中间采用模糊PI-RBF神经网络PID复合控制。该位置控制器既结合了模糊PI控制和RBF神经网络PID控制的优点又克服了各自的缺点。仿真结果表明,当永磁同步电机受到外部扰动时,采用模糊RBF神经网络控制器的永磁同步电机位置系统具有良好的动态性能,能够实现快速响应,做到精确定位,而且当负载变化时具有很强的抗干扰性。     

步进电机的模糊神经网络控制

提出了步进电机的模糊神经网络控制器。通过对模糊控制的结论参数进行辩识，实现其控制目的。经过仿真实验，系统的控制性能良好，系统运行稳定，没有失控现象发生。     

电控汽油机怠速模糊RBF神经网络控制

针对电控汽油机怠速控制要求，提出了一种模糊径向基函数(RBF)神经网络控制方案，在MATLAB环境下进行了控制仿真，获得了比PID、模糊、模糊BP神经网络更好的控制性能。     

电控汽油机怠速模糊RBF神经网络控制

针对电控汽油机怠速控制要求,提出了一种模糊径向基函数(RBF)神经网络控制方案,在MATLAB环境下进行了控制仿真,获得了比PID、模糊、模糊BP神经网络更好的控制性能。     

模糊RBF神经网络在麻醉深度控制系统中的应用

麻醉深度通常用病人的平均动脉压（MAP）值来直接反应和度量。针对平均动脉压的时变、非线性特点,提出了基于模糊RBF神经网络的麻醉深度PID控制系统。通过采用模糊RBF神经网络对检测到的平均动脉压值进行模糊化处理及神经网络辨识,从而在线整定PID控制器各个参数,以获得更好的控制效果。MATLAB仿真结果表明模糊RBF神经网络用于麻醉深度控制具有良好的动态响应性能。     

双电机驱动胶带运输系统模糊跟随器的研究与设计

由于运量的加大,单电机拖动的小功率胶带运输系统已逐步被大运量、长距离、高带速的双电机拖动的胶带运输系统所取代.双电机拖动系统的出现,虽然使煤炭运输能力有了很大提高,但带来了电机功率不平衡问题.采用模糊控制技术对双电机驱动的胶带运输系统的功率平衡进行研究.设计了以主从电机电流差及其变化率为输入变量、以控制液力偶合器油量调节时间长短为输出变量的二维模糊跟随器,给出了系统硬件的基本组成和算法流程图.该模糊跟随器在某中型煤矿的井下原煤运输系统中进行了实际应用,效果良好,较好地解决了双电机拖动系统的功率平衡问题.     

基于模糊神经网络的电液位置伺服系统控制

采用将T-S模型与RBF神经网络相结合的网络结构,提出一种复合式控制方案,以解决传统自适应控制中模型的在线辨识和控制器的在线设计问题,以达到对不确定非线性系统的高精确度输出跟踪控制;通过引入运行监控器,克服模糊神经网络控制方法通常存在的实时性差的问题;同时,利用一个鲁棒反馈控制器,来保证模糊神经网络模型学习初期闭环系统...     

双电机驱动竞速模型车控制系统设计

介绍了一种双电机驱动的模型车控制系统,采用舵机实现转向及刹车,以RenesasH8／3048为控制核心,光电传感器收集路径信息,霍尔传感器检测电机转速．通过离散PID算法确定舵机角度及驱动电机速度．配合直角弯道算法,双电机驱动模型车转向灵活,能可靠、快速地通过直角弯道．     

基于模糊-RBF神经网络优化的PID控制

采用模糊控制和RBF神经网络训练相融合的方法,应用于对PID控制器参数的调整中,对非线性系统的控制仿真试验结果表明,该方法的控制性能优于单独采用RBF神经网络的控制。     

RBF神经网络自适应模糊控制在短期负荷预测中的应用

为了能够及时准确地进行电力系统短期负荷的预测,采用RBF神经网络和自适应模糊控制相结合的预测方法,首先通过RBF神经网络进行负荷预测,然后利用自适应模糊控制对预测结果进行在线修正,实验结果证明了该方法的正确性与可行性。     

基于模糊神经元网络的阀控马达系统仿真

提出了一种基于模糊神经元网络的阀控马达控制方案．在系统中，将模糊控制技术与神经元网络技术相结合，构建了模糊神经元网络控制器．该控制器结合模糊控制与神经元网络各自的优点，既具有模糊控制器简单和有效的非线性控制作用，又具有神经元网络自学习和自适应能力，改善了控制系统的性能．     

基于RBF网络的轮胎侧向力模型

RBF神经网络相对于其他网络的特点是计算量小,收敛速度快,具有良好的非线性映射效果.采用人工神经网络中的径向基函数(RBF)神经网络,对车辆操纵稳定性仿真分析中的轮胎侧偏特性进行研究,建立轮胎侧向力神经网络模型.并与用于学习的实验数据进行比较,以验证这种模型的准确性,并以求为车辆动力学仿真和控制提供更好的手段.     

基于免疫遗传算法的模糊神经网络在交流伺服系统中的应用

为了满足交流伺服系统高精度、快响应的要求，结合免疫遗传算法寻优速度快和模糊神经网
络控制不依赖于控制对象的优点，设计了一种基于免疫遗传算法优化的模糊神经网络控制的交流伺服系统
。采用免疫遗传算法优化模糊神经网络控制器中隶属函数的平均值、标准偏差以及隶属函数层与规划层的
连接权值。实验和仿真结果验证了该控制策略的可行性。该方法对于系统调节和设定值跟踪均具有很好的
控制效果，而且具有很好的抗干扰性能和较强的鲁棒性，使交流伺服系统具有良好的动、静态性能。     

基于模糊神经元网络的阀控马达系统仿真

提出了一种基于模糊神经元网络的阀控马达控制方案.在系统中,将模糊控制技术与神经元网络技术相结合,构建了模糊神经元网络控制器.该控制器结合模糊控制与神经元网络各自的优点,既具有模糊控制器简单和有效的非线性控制作用,又具有神经元网络自学习和自适应能力,改善了控制系统的性能.     

灰色补偿RBF神经网络

给出了灰色系统与神经网络的一种新的结合方式—灰色补偿RBF神经网络。该网络利用RBF神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

基于模糊神经网络的系统模糊建模方法

提出了一种基于模糊聚类和模糊神经网络的模糊建模方法,该方法首先利用模糊聚类技术来确定系统的模糊空间和模糊规则数,然后利用模糊神经来调整模型的前件参数和后件参数,给出了详细的算法,并对仿真实例进行了研究,仿真实例表明,采用聚类技术能够获得好的初始值,使得计算加快,能够取得满意的结果。     

基于RBF神经网络调节的电动车驱动和再生制动滑模控制

针对电动车的驾驶模式多变和续驶里程短等主要问题,在建立控制系统主回路的基础上对电动车的驱动和再生制动过程进行了研究,设计了电动车用神经网络滑模控制器。该控制器包括两部分:一个RBF神经网络和一个滑模控制器,RBF神经网络对滑模控制器进行在线切换增益调节。实验结果表明,在车辆的驱动和再生制动过程中,神经网络滑模控制器与普通滑模控制器相比,其响应速度、稳态误差及鲁棒性明显改善,尤其在再生制动过程中,可以回收更多的能量,进一步延长了车辆的续驶里程,对节约能源很有意义。     

基于全监督算法RBF神经网络的语音识别

利用RBF神经网络,采用全监督训练算法,实现基于RBF神经网络的抗噪语音识别系统。与传统的K-均值聚类算法相比较,采用全监督训练算法可避免隐含层节点中心容易对初始值敏感的缺点,且能使RBF网络具备更强的分类能力。实验结果表明,在不同的信噪比下,全监督训练算法比传统聚类算法有更高的识别率。