模糊控制规则库中优化参数获取方法的应用研究

本在讨论模糊控制规则确定方法的基础上，研究了模糊规则库中优化参数的获取方法，实际应用表明其方法是有效的。     

基于SAGACIA优化方法的模糊控制规则优化及其MATLAB实现

模糊控制规则的选择是模糊控制器设计的关键问题之一.将SAGACIA优化方法应用在优化模糊控制规则中,并在MATLAB中编程实现,应用该优化方法不像遗传算法那样要编码解码,并且按一定的概率接受劣解和变异,使得算法易于跳出局部最优,从而更有利于找到全局最优解,在MATLAB中实现起来也简单.     

基于SAGACIA优化方法的模糊控制规则优化及其MATLAB实现

模糊控制规则的选择是模糊控制器设计的关键问题之一。将SAGACIA优化方法应用在优化模糊控制规则中,并在MATLAB中编程实现,应用该优化方法不像遗传算法那样要编码解码,并且按一定的概率接受劣解和变异,使得算法易于跳出局部最优,从而更有利于找到全局最优解,在MATLAB中实现起来也简单。     

一种模糊控制规则修正方案的研究

在对非线性变权模糊控制算法结构及参数作进一步分析的基础上，提出了对该算法的几种改进方案，并通过仿真实验证明了改进方案的有效性。     

混沌在模糊控制规则优化中的应用研究

利用混沌（Ｃｈａｏｓ）所特有的随机性、遍历性及规律性。将其应用于一类复杂非线性时变过程的模糊控制规则优化中,提出了一种利用混沌进行模糊规则参数优化的方法。仿真结果表明,该算法具有国强的全局搜索能力和较快的搜索速度,是一种适用的优化策略。     

析取置信规则库系统参数优化的深度神经网络模型

基于深度学习的置信规则库系统在参数优化方面存在可移植性差、应用效率低等问题,为此,将深度神经网络与析取置信规则库结合,有效减少模型的规则和参数的数量;引入梯度下降算法优化模型参数,提高模型构建和优化的效率. 通过非线性函数拟合、北京市空气质量污染预测和多个UCI公共分类数据集的实验,对提出的方法进行验证,并将实验结果与现有的置信规则库系统和传统的机器学习方法进行对比. 结果表明,所提出的方法比传统的方法具有更高的推理精度和更快的训练速度.     

一种优化模糊控制规则的新方法

提出一种新的优化模糊控制规则方法：首先把模糊规则参数化，在不同的输入偏差等级引入不同的规则调整因子α；再应用思维进化算法对其进行优化，以得到优化的模糊控制规则。这种方法解决了在没有专家经验的情况下设计模糊控制器的问题。仿真实例表明了这种设计方法的可行性和良好的控制效果。     

一种改进细菌觅食算法的模糊控制规则库设计

模糊控制规则库的建立决定了模糊控制系统的性能,而在能源生产、机器人控制等领域中对控制精度要求越来越高,使得常规的模糊控制规则库建立方法有时不再适用。为此,提出一种新型的基于集群智能算法的改进细菌觅食算法IBFO(improved bacterial foraging optimization)来改进规则库的建立过程,剖析了依据人工经验归纳来制定模糊规则库的不完善性,描述了对改进型的模糊控制系统的构建步骤,优化了改进型TSK(takagi-suegeno-kang)模糊系统C-ATSKFS(constant-ameliorative TSK fuzzy system)规则库的高斯隶属函数参数。通过与现有的规则库建立方法相比对,可知改进算法能有效地提高模糊控制系统的识别精度。MATLAB仿真结果表明:提出的新型细菌觅食算法对模糊控制规则库的建立具有较高的实用价值。     

模糊控制规则的形成研究

本文通过对现有提取模糊控制规则的方法的分析，利用大系统的分解、协调思想，提出了递阶协调优选模糊控制规则的方法，该方法具有不需已知系统的输入－输出数据对提取数据规则的优点。并举例说明该方法的应用。     

用遗传算法优化模糊控制规则的方法及其MATLAB实现

介绍了用遗传算法优化模糊控制规则的方法,包括目标函数的确定,选择、交叉等遗传算子的确定．给出了如何用MATLAB编程实现算法的具体步骤,最后将所得的规则用于设计模糊控制器,并进行仿真,取得了很好的效果．     

一种带折衷因子的FUZZY控制器的研究

对一般FUZZY控制器和带有修正因子FUZZY控制器作了深入的研究.FUZZY控制器对对象的参数有着很强的适应性,但它在处理具有大滞后、大惯性的工业对象以及在对操作者的经验总结不充分时,会遇到很多的困难.针对这一问题,提出了一种具有折衷特性的FUZZY控制器,较好地解决了这一问题.通过仿真研究,验证了其优良特性,并具有控制精度高、跳变小的优点.     

析取置信规则库系统参数优化的深度神经网络模型

基于深度学习的置信规则库系统（BRB-DL）比传统的置信规则库系统（BRB）具有更好的推理精度和适用性。然而,现有的BRB-DL在参数优化方面存在可移植性不足、应用效率低等局限性。鉴于此,本文将深度神经网络与析取置信规则库结合,有效减少了模型的规则和参数的数量,并引入梯度下降算法优化模型参数,提高了模型构建和优化的效率。最后,通过非线性函数的拟合,北京市空气质量污染预测和多个UCI公共分类数据集的实验对本文提出的方法进行验证,并将实验结果与现有的置信规则库系统和传统的机器学习方法进行了对比。结果表明,本文提出的方法比传统的方法具有更高的推理精度和更快的训练速度。     

基于自适应CPN的规则自学习模糊控制器设计

基于扩展Ｋｏｈｏｎｅｎ的自组织映射和Ｇｒｏｓｓｂｅｒｇ的竞争算法,得到了一种高度自适应的双向对传网络（ＣＰＮ）,并给出了一类基于此类网络的模糊控制器．根据经验知识对网络离线学习,确定基本的控制规则,利用在线学习算法,实现了规则的自学习．在此算法中,控制器能够自动确定满足控制要求所需规则的个数,并且根据控制目标能够自动获取和校正控制规则．仿真结果展示了控制器应用具体对象的实时控制效果     

基于粒子群优化算法的模糊神经分数阶PID电子节气门控制器设计

针对汽车电子节气门的精确跟踪控制问题, 建立了面向控制器设计的非线性模型,分析了摩擦非线性以及LH 非线性对电子节气门位置的影响.采用模糊神经分数阶PID 控制方法设计了电子节气门非线性控制器,并利用粒子群优化算法对控制器参数进行优化.最后将扰动考虑在内进行了仿真实验,仿真实验表明基于模糊神经分数阶PID的控制方法能够很好地实现电子节气门控制.     

用自组织模糊逻辑控制器设计飞行器控制系统

提出了模型参考自组织模糊逻辑控制器的设计方法，并建立其模糊逻辑控制规则。此法根据参考模型输出误差及微分来修正控制规则，从而使学习算法进行的更为合理。通过对某战斗机控制系统的仿真，证明其具有良好的精度和鲁棒性。     

基于鲁棒成本函数的随机模糊神经网络参数学习算法

为了解决采用最小方差型的误差成本函数进行输入含噪系统参数学习时的随机模糊神经网络(SFNN)参数不能收敛至真值的问题,将包含噪声方差的误差成本函数推广到多入单出系统,并根据鲁棒统计学理论和目标函数在参数学习中的导向作用,对目标函数进行修正,使之对于不服从统计分布的粗大误差也能有效处理.在此基础上提出了SFNN的鲁棒参数学习算法,并且输入输出数据中的噪声方差也通过学习而得到,从而避免了需要多次测量的要求.结果表明,SFNN的鲁棒参数学习算法能抑制粗大误差和系统噪声.最后,通过仿真对比验证表明了该方法的有效性.     

神经模糊逻辑控制系统隶属函数和推理规则的确定

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，研究了利用神经元网络的学习能力，从历史数据中发现隶属函数和模糊规则，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．文中采用了三个学习算法：Ｋｏｈｏ－ｎｅｎ自组织算法、有监督的竞争算法以及ＢＰ算法，设计了一个二输入一输出的程序，并提供了运行结果     

一种新的基于MEA的自适应模糊控制器

针对两输入一输出的典型模糊控制器，提出了MEA-FUZZY自适应控制策略，采用MEA对模糊控制系统的5个相关参数进行优化，实现了输出比例因子的在线调整，并在分析规则表的基础上调整了模糊隶属函数，从而使该自适应模糊控制器的整体性能接近最优。仿真结果表明，该控制系统结构合理，优化方法简单有效，控制品质优良，同时具有较强的适应性和鲁棒性。     

一种用CMAC网络建立模糊控制器的新方法

提出了和种新的建立模糊控制的方法，在原来模糊控制的基础上，对模集提出了新的解释，将模糊集的建立和模糊规则的确立和受控系统的物理行为直接联系起来。然后，通过ＣＭＡＣ神经网络对受控系统进行学习，掌握受控系统的特性，并最终由ＣＭＡＣ神经网络根据对模糊集的新的解释，来建立模糊集并提取模糊规则。