| 【中文题名】 | 模糊神经元网络在过程控制中的应用 |
| 【英文题名】 | The Appliance of Fuzzy Neural Networks in Process Control |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-9-13 |
| 【中关键词】 | 模糊逻辑,神经元网络,模糊神经元网络,PID控制,, |
| 【英关键词】 | Fuzzy logic,neural network,Fuzzy neural network,PID control, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 | 随着科学技术的发展，现代工业生产过程的一个共同特征是控制系统的复杂性和不确定性日趋明显，即各子系统之间或其内部会有较强的关联性，参数的高维性、时变性和随机性，且系统和环境具有许多未知的和不确定的因素，这些因素还会随环境、工况和时间等发生不可预料的变化。因此己很难采用那些基于定量数学模型的传统控制方法对其实现有效的控制，必须寻求新一类的控制策略。
模糊控制是一种不依赖于被控过程数学模型的仿人思维的控制技术。它可以利用领域专家的操作经验或知识建立被控系统的模糊规则，有较好的知识表达能力。但在工程实际应用中却缺乏自学习或自调整的能力。尽管神经网络是一类黑箱式的非线性映射，但它具有良好的自学习能力。将二者有机结合起来，取长补短，可以提高整个系统的学习能力和表达能力。目前这个方向的研究正方兴未艾。
本文首先分析了工业过程控制中被控对象的特性，并对模糊控制、神经网络及模糊神经网络的发展、背景和原理等进行了综述。针对工业生产过程的特点，结合传统PID控制，本文提出了一种基于模糊RBF神经网络的控制策略，进一步完善了PID控制的自适应性能，能发挥模糊控制鲁棒性能、动态响应好，上升时间快，超调小... |
| 【论文题纲】 |
|
第一章 绪论 |
10-17 |
|
1.1 论文选题的目的和意义 |
10 |
|
1.2 工业过程控制的现状 |
10-12 |
|
1.2.1 工业过程控制生产的特点及发展 |
10-12 |
|
1.2.2 传统控制存在的问题 |
12 |
|
1.3 智能控制方法 |
12-15 |
|
1.3.1 智能控制方法的起源、发展及分类 |
13-14 |
|
1.3.2 智能控制的功能特点 |
14-15 |
|
1.3.3 智能控制在过程控制中的应用 |
15 |
|
1.4 论文的主要工作及内容安排 |
15-17 |
|
第二章 模糊控制与神经网络控制理论 |
17-33 |
|
2.1 模糊控制理论及模糊控制 |
17-25 |
|
2.1.1 模糊控制的发展及主要成果 |
17-18 |
|
2.1.2 模糊逻辑的数学基础 |
18-22 |
|
2.1.2.1 模糊集合的隶属函数 |
18-19 |
|
2.1.2.2 模糊逻辑推理 |
19-20 |
|
2.1.2.3 模糊判决方法 |
20-22 |
|
2.1.3 模糊控制的基本原理 |
22 |
|
2.1.4 模糊控制器的结构及设计 |
22-24 |
|
2.1.5 模糊控制的特点 |
24-25 |
|
2.2 神经网络基本理论及神经网络控制 |
25-33 |
|
2.2.1 神经网络的发展及成果 |
25-26 |
|
2.2.2 神经网络基本原理 |
26-30 |
|
2.2.3 神经网络的学习方法 |
30-31 |
|
2.2.4 神经网络在过程控制中的应用 |
31-33 |
|
第三章 模糊神经网络控制 |
33-40 |
|
3.1 模糊控制与神经网络的融合 |
33 |
|
3.2 模糊系统和神经网络融合的形态 |
33-35 |
|
3.3 模糊神经技术的实现方式 |
35-40 |
|
3.3.1 基于神经元网络的模糊控制 |
35-37 |
|
3.3.2 模糊神经元网络 |
37-38 |
|
3.3.3 用模糊逻辑增强的神经元网络 |
38-40 |
|
第四章 基于模糊RBF神经网络整定的PID控制 |
40-54 |
|
4.1 模糊系统和RBF神经网络的函数等价性 |
40-42 |
|
4.1.1 RBF神经网络 |
40-42 |
|
4.1.2 模糊推理系统 |
42 |
|
4.2 RBF模糊神经网络的结构 |
42-47 |
|
4.2.1 模糊系统的T-S模型 |
43 |
|
4.2.2 RBF模糊神经网络的结构 |
43-45 |
|
4.2.3 简化结构的模糊RBF神经元网络 |
45-47 |
|
4.3 模糊RBF神经元网络的学习算法 |
47-48 |
|
4.4 基于模糊RBF神经网络的PID控制系统设计 |
48-53 |
|
4.4.1 基于模糊RBF神经网络PID控制系统结构 |
48-50 |
|
4.4.2 仿真实例 |
50-53 |
|
4.5 小结 |
53-54 |
|
第五章 PID型模糊神经元网络控制 |
54-68 |
|
5.1 PID型模糊控制器 |
54 |
|
5.2 PID型模糊神经元网络控制器 |
54-61 |
|
5.2.1 模糊神经网络(FNN)的构成 |
55-56 |
|
5.2.2 FNNC的学习算法 |
56-57 |
|
5.2.3 FNNC学习速率的选择 |
57-61 |
|
5.3 仿真实例 |
61-67 |
|
5.3.1 非线性对象 |
61-63 |
|
5.3.2 非线性时变 |
63-65 |
|
5.3.3 典型二阶系统 |
65-66 |
|
5.3.4 三种模型的ISE性能比较 |
66-67 |
|
5.4 小结 |
67-68 |
|
第六章 总结与展望 |
68-69 |
|
参考文献 |
69-73 |
|
致谢 |
73-74 |
|
研究成果及发表的学术论文 |
74-75 |
|
作者及导师简介 |
75-76 |
|
硕士研究生学位论文答辩委员会决议书 |
76-77 |
|
| 【DOI】 | LunWen.ID:2.2008.387957 |
