一种改进的模型跟随自适应控制算法

提出了一种改进的模型跟随自适应算法(DS-AMFC),即把系统输出的误差引入控制信号,同时,利用线性神经网络对系统(k+1)时刻输出误差预测,并利用该预测值对系统进行控制。仿真表明该改进算法较原算法有较强的跟随模型的能力。     

一种改进的模型参考自适应算法

针对一种模型跟随自适应算法（DS-AMFC），利用线性神经网络预测系统输出与模型输出之差为控制信号的计算提供较准确的偏差值，用该估计的偏差量进行控制。同时，把控制的误差引入控制信号，在输入信号频率较高时仍具有跟随模型的能力，鲁棒性大大提高。     

样本数量对切削力的神经网络预测精度的影响

为用尽量少的训练样本达到预测目的，通过不同数量训练样本训练网络的对比试验，分析了训练样本数量对基于列文伯格-马夸尔特算法的切削力的神经网络预测精度的影响．用统计学平均幅值和均方差作为误差的评价指标，探讨了训练样本数量与预测精度的关系．研究结果表明：用40-50组样本训练网络，就可以实现特定切削用量范围内切削力的准确预测．     

网络控制系统的时延估计和自适应预测控制

提出了基于最小二乘支持向量机（LS-SVM）的网络时延预估网络控制系统（NCS）的自适应预测控制方法．先将网络时延转化为非线性时间序列，再用径向基函数（RBF）作为LS-SVM的核函数，建立NCS的时延预测模型．用通过该模型预测的时延设计自适应控预测制器，补偿和控制NCS的时延．仿真结果表明，该时延预测方法对NCS的随机时变时延有较高的预测精度，根据预测的时延设计的控制器能使系统的输出很好地跟踪期望的输出．     

非线性混沌时序预测研究及应用

混沌是一种普遍存在的非线性动力学行为，针对混沌时间序列的难以预测和控制的问题，提出了基于趋势的混沌预测模型，利用混沌系统的初值、参数敏感性来微调和控制系统扰动，并用改进的最优化方法来估计模型的参数，在其相空间中对时序的未来值进行预测．算例表明，选取最佳的模型阶数能增加预测的准确程度，它不仅克服了仅用延迟嵌入技术的弊端，也降低了直接使用预测误差决定输入模式的盲目性．预测效果比其他时序方法要好。     

基于Elman神经网络的港口货物吞吐量预测

为提高港口货物吞吐量的预测精度,进而为港口建设提供数据支持,引入具有处理动态信息能力的Elman神经网络。将Elman神经网络应用于宁波舟山港的货物吞吐量预测,采用前6个月数据递归预测后一个月数据的方式构建时间序列数据,同时与BP神经网络以及RBF神经网络的预测结果进行分析比较。结果表明:在港口货物吞吐量预测方面,相比于BP神经网络以及RBF神经网络,Elman神经网络更能适应吞吐量数据随时间变化的特性,其预测值更接近实际值,其预测性能更优,且更能体现港口实际状态。     

基于Fuzzy - PID汽油机怠速控制器的设计

通过对汽油机怠速工况的分析,采用PID与模糊控制相结合的复合控制策略,即在大偏差范围内采用模糊控制,小偏差范围内转换成PID控制,使系统在较大误差时追求速度,在较小误差时强调精度.仿真结果表明:该控制策略使系统实现了快速、平稳、无误差跟踪的特性,怠速工况的控制精度大为提高,系统的控制品质大为改善.     

考虑航艏向与数据变化差异的船舶轨迹预测

船舶自动识别系统(Automatic Identify System,AIS)数据可以实时体现船舶当前时刻的具体动态,采用传统BP(Back Propagation)神经网络模型的船舶轨迹分析预测方法,在计算中直接将航艏向数据纳入模型,没有考虑船舶航艏向在零度附近变动时带来的实际方向变动幅度与数据变化幅度存在较大偏差问题。为解决该问题,在BP神经网络基础上,引入双三角函数变换,同时将正弦值与余弦值纳入模型,将两者相结合,从两维度体现航艏向情况;在拟合预测后进行反三角函数变换和平均处理,构建一种基于改进神经网络算法的船舶AIS轨迹预测模型。选取实例数据进行模型验证,实例结果表明,该模型预测结果比不考虑差异方法的误差均方差更小,大幅降低误差幅度,可更精确地预测船舶轨迹。     

用于求解线性方程组的神经网络新方法

本文提出了用于求解实系数、复系数线性方程组的一种新的神经网络方法和相应的递归预测误差算法，求解结果准确。仿真模拟结果表明：该方法求解线性方程组是有效的。     

用B样条神经网络控制非线性系统的混沌运动

采用B样条神经网络，通过选取混沌系统不稳定周期轨道的不动点附近的数据作为参数扰动模型输入样本的学习，把该模型训练成神经网络混沌控制器，从而预测出混沌系统将来时刻的时间序列，获得控制混沌系统的扰动信号。用该扰动信号，将嵌入在混沌吸引子中不稳定周期轨道镇定到稳定的不动点处．通过对Henon映射的数值仿真实验，证明采用B样条神经网络控制非线性混沌运动是有效的．     

基于大时滞特性预估补偿的模型辨识及模糊控制方法

对具有大迟延特性的对象采用径向基神经网络辨识其预测控制模型,在不需要知道被控对象的精确物理解析数学模型,也不需要知道对象的脉冲激励响应模型和阶跃激励响应模型的情况下,可以实现对系统响应特性的在线辨识．采用分级模糊建模的思想,设计一种分级模糊控制器,可以极大地减小模糊规则基的规模,在分级模糊控制器的设计中,采用共生进化遗传算法对参数寻优,提高了进化速度．仿真试验证明,该方法的效果很好．     

一种神经网络自适应PID控制器

采用神经网络与模糊逻辑相结合的方式，构造了一种自适应ＰＩＤ控制器。该控制器用具有改进学习算法的神经网络作ＰＩＤ参数调节器，用模糊神经网络对被控对象进行模型辨识，综合了神经网络，模糊控制和ＰＩＤ控制的优点。结构简单，易于实现，且适应环境能力强。     

基于模糊补偿的RBF神经网络机械手控制

针对机械手系统的高精度轨迹跟踪控制,提出了一种基于模糊补偿的RBF（radial basis function）神经网络机械手控制方法.该方法首先利用PD（proportional-integral）控制器获得机械手的控制策略,将其输出作为RBF神经网络的输入,并学习得到系统模型;然后运用模糊逻辑补偿器对系统扰动和建模误差进行补偿;最后,在MATLAB/Simulink平台上针对两关节机械臂,进行了有模糊补偿和无模糊补偿系统跟踪的均方根误差测量仿真实验.研究结果表明,两关节机械臂的控制精度分别提高了60.8%和71.4%,本文提出的方法能够解决机械手实际模型很难精确建立的问题,并能对系统未建模部分和扰动部分进行自适应补偿.      

基于模糊变步长神经网络的自适应PID控制

本文针对具有非线性和不确定性的控制对象，提出了一种基于前向神经网络的自适应PID控制系统算法。并根据其特点，提出学习步长模糊校正的方案.这种控制系统综合了神经网络、模糊决策和PID控制的优点，易于实现，仿真结果表明该控制系统对非线性被控对象具有比较好的控制效果。     

����ģ���߼��Ľ�ͨ�źſ��Ʒ�����������ɳ�ذ�������Ӧ��ǰ��

模糊控制器的应用于1977年首次在文献中提出,其中指出对于有简单绿灯延时控制的单车道交叉口,模糊控制器比车辆感应式控制器更具优势。此后,模糊控制器有了进一步发展,关于交通信号控制的模糊逻辑方法的研究也进一步深入,该方法被陆续应用于无转向车流的双车道交叉口、无限制的单车道交叉口、多交叉口、相位顺序和相位时长控制、拥挤交叉口和路网等等,尤其在高负荷和不均衡交通流条件下表现出优于传统交通信号控制方法的特性。模糊逻辑方法可以改善自适应交通信号控制,改变自适应控制器和TMS的整个决策过程,很大程度上改善未来的交通需求管理方法,然而这类交通信号控制和交通需求管理方法的实际应用并不多见。在诸如沙特阿拉伯这样的发展中国家,学者应根据本国的特有情况研究基于模糊逻辑的交通信号控制与TMS的发展潜力,从而减少拥挤导致的各种损失。     

STUDY ON PARISON CAD OF PLASTIC CONTAINER AND DESIGN FOR ITS CONTROL SYSTEM

ＩｎｔｒｏｄｕｃｔｉｏｎＴｈｅｅｑｕｉｐｍｅｎｔｏｆｅｘｔｒｕｓｉｏｎｂｌｏｗｍｏｌｄｉｎｇｈａｓｔｈｅｆｅａｔｕｒｅｏｆｌｏｗｐｒｉｃｅａｎｄｓｈｏｒｔｍｏｌｄｉｎｇｃｙｃｌｅ，ａｎｄｄｅｖｅｌｏｐｓｑｕｉｃｋｌｙｔｏｓａｔｉｓｆｙｔｈｅｄｅｍａｎ...     

模糊神经网络在钢筋混凝土桥梁结构可靠度分析中的应用

钢筋混凝土桥梁结构可靠度分析中存在着模糊性问题,计算结构可靠度的传统方法没有考虑结构的模糊性问题．将模糊神经网络用于钢筋混凝土桥梁结构的可靠度计算,用神经网络来构造模糊系统,实现输入、输出隶属函数的自动调整,并给出了模糊神经网络计算结构可靠度的步骤．最后通过两个算例来计算结构可靠度,计算结果表明,模糊神经网络法计算结果与JC法计算结果比较接近,该方法可以用于桥梁结构的可靠度计算,特别是可用于功能函数不能显示表达的可靠度计算．该方法的缺点是计算用时稍长以及训练、检验样本的来源存在问题．     

基于模糊神经网络的员工晋升辅助决策系统

为定量地分析企业员工晋升决策过程的影响因素，用基于实例的模糊神经网络方法，通过划分非模糊化和模糊化输入变量。改进了Takagi-Sugeno模糊模型．用包含求和、求积和求极小运算节点的扩展的pi-sigma神经网络学习算法确定结论参数和前提参数。自适应地从员工数据库中归纳出模糊逻辑关系，建立企业晋升决策的辅助系统．经算例验证准确率达75％以上．     

基于模糊神经网络的高速公路路面质量评价

为提高高速公路沥青路面使用质量的评价精度,将T-S模糊理论与BP神经网络相结合,以高速公路沥青路面的路面状况指数、路面结构强度指数、道路行驶质量指数和路面抗滑性能指数4个检测指标作为输入变量,根据模糊推理规则构建路面质量评价的非线性映射关系,路面检测指标经过模糊神经网络的学习和训练,直至网络输出与期望输出的误差达到最小,去模糊化后得到各路段的精确评价结果,建立了路面使用质量的综合评价模型.用实际检测数据对该模型进行了验证,结果表明:该模型具有模糊系统的逻辑推理能力和神经网络的定量数据处理能力,通过本文方法仿真得到的路面质量的综合评价结果,与期望值的相对误差小于2.1%.      

基于RBF神经网络的隶属度函数学习算法

模糊规则的提取和模糊隶属度函数的学习是模糊系统设计中重要而困难的问题.针对当前开发模糊控制系统的一个难点——发现最优的隶属函数和模糊规则,研究了利用RBF神经网络的学习能力,从历史数据中发现隶属度函数,在一定程度上减轻了系统开发工作量,克服了由于缺乏经验而可能造成的偏差.文中探讨了一种用于提取模糊规则的RBF神经网络结构,提出了基于此网路结构的模糊隶属度函数学习算法,最后给出了用于验证该算法有效性的仿真实例.