导读:本文包含了模糊神经网络控制系统论文开题报告文献综述及选题提纲参考文献，主要关键词:滑模控制,模糊神经网络,非线性系统
模糊神经网络控制系统论文文献综述
王靖坤[1]（2019）在《一类非线性系统的模糊神经网络全局滑模控制》一文中研究指出文中针对一类非线性系统提出了一种基于模糊神经网络的全局滑模控制策略。设计了模糊神经全局滑模函数,并根据Lyapunov稳定性理论设计出控制器和自适应律。文中以叁相并联型有源电力滤波器为实例在MATLAB平台上进行了仿真实验,电网电流谐波畸变率由24. 71%降低到1. 6%,表明所提出的方案具有很好的补偿性能。(本文来源于《信息技术》期刊2019年12期）
吴忠强,张伟[2]（2019）在《基于终端滑模模糊神经网络的电力系统负荷频率控制研究》一文中研究指出针对区域互联电力系统受到风电及负荷扰动后,系统频率会出现大幅度波动问题,提出一种基于终端滑模模糊神经网络的多区域互联电力系统负荷频率控制(LFC)方法。在分析单一区域电力系统有功输出特性的基础上,建立计及多区域有功输出的互联电力系统负荷频率控制模型。采用自适应逆控制,有效的解决系统响应和扰动抑制的矛盾。将终端滑模模糊神经网络引入自适应逆系统,构建模糊神经网络辨识器,利用终端滑模在有限时间内可实现无静差跟踪的特点,进一步提高神经网络的辨识能力。仿真结果表明所设计的基于终端滑模模糊神经网络的自适应逆系统,不仅可以得到好的动态响应,还可以使风电及负荷扰动减小到最小。(本文来源于《模糊系统与数学》期刊2019年05期）
李洪梅,高媛,陈向坚[3]（2019）在《基于二型模糊神经网络的不确定混沌系统鲁棒性自适应控制》一文中研究指出该文提出的鲁棒的自适应区间二型模糊神经网络控制(RAITIIFNNC)系统由一个区间二型模糊神经网络识别器与一个鲁棒性控制器组成。识别器完成了对场地不确定性的在线评估,鲁棒控制器用来减小逼近错误,两者结合可以获得更好地跟踪与同步混沌系统。所有的参数学习算法来源于Lyapunov稳定理论以保证网络汇聚的同时有稳定同步的表现。算例分析证明:新系统在同步两个Lorenz混沌系统时具有更好的效率。(本文来源于《南京理工大学学报》期刊2019年04期）
金鸿雁,赵希梅[4]（2019）在《基于Sugeno型模糊神经网络和互补滑模控制器的双直线电机伺服系统同步控制》一文中研究指出针对高精密直驱龙门定位平台的双直线电机伺服系统的位置同步控制问题,提出一种Sugeno型模糊神经网络(SFNN)同步补偿器和互补滑模控制器(CSMC)相结合的控制方法。建立了含有参数变化、外部扰动和摩擦力等不确定性的永磁直线同步电机(PMLSM)动态模型,采用广义滑模面和互补滑模面相结合的方式来设计CSMC。CSMC可有效抑制参数变化、外部扰动和摩擦力等不确定性的影响,削弱传统滑模控制器(SMC)存在的抖振现象,减小系统的跟踪误差,实现高精度位置跟踪。同时,利用SFNN同步补偿器解决双直线电机间动态参数不匹配问题及耦合现象,SFNN同步补偿器可对每个轴进行误差补偿,从而减小位置同步误差,保证系统实现同步控制。实验结果表明,该控制方法可明显减小系统的跟踪误差和同步误差,进而改善轮廓加工精度。(本文来源于《电工技术学报》期刊2019年13期）
龚晨,杨盛泉[5]（2019）在《模糊神经网络PID算法在输油泵系统中的控制研究》一文中研究指出针对输油泵在复杂地形中,由外界的温度、湿度、原油特性等不良因素导致的漂离问题,本文研究与设计了模糊神经网络PID控制算法来对输油泵控制系统进行控制,结合常规PID控制,模糊控制,神经网络控制的优点,分析了输油泵控制系统的组成结构,设计了模糊神经网络PID控制算法的模型结构和实现过程。仿真实验结果表明,文中算法相比较常规PID控制算法,超调量减少约20%左右,相较于模糊PID超调量减少了约9%,达到稳定状态所需的控制时间也远低于常规PID和模糊PID,并且文中算法具有较好的自适应能力和抗干扰能力。(本文来源于《西安工业大学学报》期刊2019年03期）
李鹏飞,李占旗,王述勇[6]（2019）在《基于模糊神经网络的自适应巡航控制系统设计》一文中研究指出基于分层架构思路,设计了自适应巡航控制系统。决策控制层,结合前车运动状态动态计算可变车间时距,进一步通过期望车间距与实际间距的比较判定巡航控制模式;车距模式下,采用模糊神经网络通过驾驶数据训练自动生成隶属函数和模糊规则的模糊神经网络控制器进行跟车控制。执行控制层,基于车辆动力及制动系统特性,通过驱动或制动力矩控制实现车速与车间距的精确控制。通过构建"ACC控制策略-车辆动力学-交通场景"闭环系统模型,采用叁类典型工况进行验证,仿真结果表明车辆响应较快且跟随稳定,满足控制目标和舒适度的要求。(本文来源于《新型工业化》期刊2019年06期）
杨昊[7]（2019）在《基于BP神经网络和模糊控制的智能灌溉系统设计》一文中研究指出我国是农业大国,有着广阔的农田覆盖面,灌溉用水量大,但灌溉水资源利用率不高,农业灌溉自动化、智能化程度偏低,在一定程度上造成了水资源的浪费,阻碍了我国农业的持续发展。针对这一现象,本文使用BP神经网络和模糊控制对灌溉用水量进行预测控制,并结合ZigBee技术和4G通信技术设计了一种智能灌溉系统。本文的主要研究内容如下:第一,对系统需求进行分析,并对ZigBee技术、4G技术进行研究,确定了以网状拓扑型ZigBee网络结构对现场数据进行感测并执行灌溉指令、以4G网关模组完成与上位机之间的通信、以上位机为控制中枢对现场数据进行分析并下达灌溉指令的系统架构方案。第二,对农作物需水特性进行分析并根据数据计算作物的需水量,并对BP神经网络和模糊控制进行介绍,建立了BP神经网络预测模型和模糊控制器,最后对灌溉策略流程进行设计并验证了算法的可行性。第叁,确定了以CC2530ZigBee芯片作为无线传感器网络节点的架构方案,并根据芯片特性完成了各节点所需的外围硬件的选型。在电路设计工作中完成了各类节点与其外围硬件电路的设计,并对电路原理进行分析。第四,在系统软件设计中分析了协议栈的工作流程,针对不同硬件的功能设计了相应的工作流程。在上位机平台设计中首先确定了平台设计方案,并分析了组织结构,最后完成各部分的设计。本文设计的智能灌溉系统在通信技术上结合了ZigBee技术和4G技术,在算法上结合了BP神经网络和模糊控制,能够对灌溉做出实时、有效的决策,达到了节水目的,同时为农业灌溉的自动化、智能化管理提供了参考,具有一定的实际意义。图[57]表[9]参[53](本文来源于《安徽理工大学》期刊2019-06-12）
唐焱,裴翔,蒋占四,肖蓬勃[8]（2019）在《车辆AFS模糊神经网络系统稳定性控制研究》一文中研究指出针对车辆主动前轮转向系统(AFS)日趋先进的稳定性控制需求,研究了基于相对模糊控制具有更强自适应性与鲁棒性的模糊神经网络理论控制方法,采用附加前轮转角闭环控制策略,设计了自适应模糊神经网络控制器。并且针对目前车辆AFS稳定性控制研究缺少同时考虑AFS变传动比功能的问题,设计了固定横摆角速度增益下的变传动比规律。在Matlab/Simulink与Carsim搭建的主动前轮转向车辆模型上,采用典型与复杂两种工况对控制方法进行验证。结果表明:基于模糊神经网络控制的AFS控制方法相对模糊控制、无控制可以在车辆转向行驶时更好地提高车辆操纵稳定性,且对复杂工况有很好的鲁棒性。(本文来源于《机械设计与制造》期刊2019年S1期）
向楠[9]（2019）在《基于模糊神经网络的无刷直流电机再生制动控制系统研究》一文中研究指出随着经济的快速发展,环境污染问题引起了人们更多的关注,其中燃油汽车排放的尾气污染备受关注。并且近几年全球政治经济动荡,石油危机若隐若现。为应对能源危机和环境污染各国加大了对电动汽车的研发力度。但电动汽车续航里程依然达不到人们的要求,再生制动技术能够有效延长续航里程,受到了研究人员更多的关注。本文以BLDCM(Brushless Direct Current Motor)作为被控核心,首先对BLDCM结构原理进行分析。在此基础上,对纯电动汽车再生制动控制的影响因素和原理进行讨论。为给纯电动汽车再生制动控制系统提供稳定的初始转速,本文设计使用了双闭环调速控制系统。然后对电动汽车进行再生制动控制研究,设计一种基于T-S(Takagi-Sugeno)模糊神经网络控制策略的控制器。该控制器以反馈电流与给定电流的差值和转速为输入,以PWM脉宽调节量为输出,采用BP(Back Propagation)神经网络算法自适应调整输入隶属度函数和模糊规则。然后搭建了电动汽车再生制动控制系统模型,对设计的控制器进行仿真实验研究。最后通过软硬件设计了基于英飞凌TC1782芯片的控制器。并在dSPACE半实物仿真平台进行仿真测试。本文完成的工作如下:(1)针对纯电动汽车用BLDCM的原理和数学模型,分析再生制动控制系统的原理。在实现系统再生制动控制前,搭建双闭环调速控制系统,其转速环为模糊PID控制,电流环为PI控制。调速控制系统驱动电机达到再生制动所需的转速。(2)对BLDCM再生制动系统中PWM全桥调制方式和PWM半桥调制方式进行数学推导和原理分析,选择使用能量回收率更高的半桥调制方式。(3)对基于T-S模糊神经网络再生制动控制策略进行数学分析和推导,设计了基于T-S模糊神经网络再生制动控制系统,并在Matlab/Simulink平台搭建模型进行仿真验证,实验表明基于T-S模糊控制策略能量回收率和模糊控制相比明显提高,达到了设计目的。(4)为验证控制策略在实际控制器中的效果,硬件设计基于英飞凌TC1782的再生制动控制器,并设计对应的软件程序,然后在dSPACE平台搭建再生制动控制系统的硬件在环仿真系统,进行控制器的半实物仿真验证。论文特色之处:(1)分析再生制动控制技术原理,对传统的模糊再生制动控制策略进行改进,设计了基于T-S模糊神经网络再生制动控制系统,并和模糊再生制动控制系统对比,实验证明所设计的系统能有效提高能量回收率。(2)搭建模糊神经网络再生制动控制系统半实物仿真平台,硬件设计基于英飞凌TC1782芯片的再生制动控制器,并设计对应的程序,验证所设计系统的有效性。(本文来源于《桂林电子科技大学》期刊2019-06-02）
张国奇[10]（2019）在《基于T-S模糊神经网络温室自适应控制系统的研究》一文中研究指出现代智能温室控制系统的研究涉及到控制器设计、常规控制与最优控制等控制决策的选择,以及精准农业与保护农业所包含交叉学科、多学科互联技术等跨学科融合技术的研究。同时,现代化农业正在随着社会的需求而变化,要求通过节水、减少农用化学品和削减农作物种植面积等方式确保农产品供应,它需要高质量作物的生产系统作为保证。由此本文对基于T-S模糊网络的温室自适应控制系统进行研究与设计,选取最佳的温室环境控制器与最优的控制决策,采用智慧互联多学科与多科技融合技术,实现温室大棚智能控制系统,达到智慧农业、保护农业与精准农业叁者的共同需求。本文融合T-S模糊神经网络控制、自适应控制、计算机应用技术、传感器物联网应用技术等,提出了温室控制系统总体设计方案与温室大棚系统结构框架的层次化结构设计。设计了智能温室控制系统的硬件和软件部分,设计了控制器模块的硬件设计、监测控制模块的硬件设计、无线通讯模块的硬件设计。控制器模块设计了嵌入式CORTEX-M4控制模块、人机交互控制模块、电源模块。监测控制模块选取Atmega328微控制器为主控芯片微控制模块、SIM900A与GSM无线通讯模块、继电器输出控制模块以及各个传感器参数采集模块,无线通讯模块分析设计了RF905收发模块和DM642转发模块。其中监测控制模块既可以完成数据的采集任务,也可以完成一些基本的操作控制,两种无线通讯模式,GSM模块完成与手持移动终端的通讯,无线收发与转发模块主要完成与下位机主控制系统的通讯,下位机与上位机通讯通过RS485转接口实现。智能温室控制系统的软件设计主要包括上位机的软件设计和下位机的软件设计,上位机软件主要设计了LabVIEW监控系统工作流程、串口通讯、软件交互界面,下位机软件主要设计了人机交互模块、数据采集模块以及模糊神经网络自适应控制器,针对智慧农业菜园与太原当地的农业气候,在智能温室大棚中能够对CO_2浓度、光照强度、湿度和温度等一些影响农作物生长的重要参数提供实时高效检测策略与自适应控制策略融合的一种智能控制方案,达到智慧农业的控制目标。(本文来源于《太原理工大学》期刊2019-06-01）
模糊神经网络控制系统论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对区域互联电力系统受到风电及负荷扰动后,系统频率会出现大幅度波动问题,提出一种基于终端滑模模糊神经网络的多区域互联电力系统负荷频率控制(LFC)方法。在分析单一区域电力系统有功输出特性的基础上,建立计及多区域有功输出的互联电力系统负荷频率控制模型。采用自适应逆控制,有效的解决系统响应和扰动抑制的矛盾。将终端滑模模糊神经网络引入自适应逆系统,构建模糊神经网络辨识器,利用终端滑模在有限时间内可实现无静差跟踪的特点,进一步提高神经网络的辨识能力。仿真结果表明所设计的基于终端滑模模糊神经网络的自适应逆系统,不仅可以得到好的动态响应,还可以使风电及负荷扰动减小到最小。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模糊神经网络控制系统论文参考文献
[1].王靖坤.一类非线性系统的模糊神经网络全局滑模控制[J].信息技术.2019
[2].吴忠强,张伟.基于终端滑模模糊神经网络的电力系统负荷频率控制研究[J].模糊系统与数学.2019
[3].李洪梅,高媛,陈向坚.基于二型模糊神经网络的不确定混沌系统鲁棒性自适应控制[J].南京理工大学学报.2019
[4].金鸿雁,赵希梅.基于Sugeno型模糊神经网络和互补滑模控制器的双直线电机伺服系统同步控制[J].电工技术学报.2019
[5].龚晨,杨盛泉.模糊神经网络PID算法在输油泵系统中的控制研究[J].西安工业大学学报.2019
[6].李鹏飞,李占旗,王述勇.基于模糊神经网络的自适应巡航控制系统设计[J].新型工业化.2019
[7].杨昊.基于BP神经网络和模糊控制的智能灌溉系统设计[D].安徽理工大学.2019
[8].唐焱,裴翔,蒋占四,肖蓬勃.车辆AFS模糊神经网络系统稳定性控制研究[J].机械设计与制造.2019
[9].向楠.基于模糊神经网络的无刷直流电机再生制动控制系统研究[D].桂林电子科技大学.2019
[10].张国奇.基于T-S模糊神经网络温室自适应控制系统的研究[D].太原理工大学.2019