| 【中文题名】 | 基于神经网络的智能控制方法研究 |
| 【英文题名】 | The Study of Intelligent Control Method Based on Neural Network |
| 【学科专业】 | 检测技术与自动化装置 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-24 |
| 【中关键词】 | 递阶遗传算法,神经网络,补偿模糊,相关等级聚类,, |
| 【英关键词】 | hierarchical genetic algorithm,neural network,compensatory fuzzy,relational grade clustering, |
| 【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】 |
随着现代工业向大型化、集成化方向发展，生产过程日趋复杂，过程严重非线性、时变性、不确定性及变量间的强耦合使许多系统缺乏精确的数学描述，难以用传统的理论方法分析和控制，因此有必要研究新的智能控制策略。目前，神经网络、模糊控制和遗传算法已经在不同领域中取得了相当成功的应用，但它们在单独模拟人类智能活动时，又存在着各自的局限性。因此综合这几种方法的优点以克服各自的局限性，将对控制理论的发展和自动控制水平的提高起到积极的推动作用。
本课题在分析了神经网络控制系统之后，主要进行了两个方面的研究。其一：在对神经网络与遗传算法进行结合的基础上，提出了一种神经网络辨识的混合学习算法，利用混合编码的自适应递阶遗传算法同时优化神经网络的拓扑结构和连接权值。其二：在对神经网络与模糊逻辑进行结合的基础上，通过使用补偿模糊运算自适应地调整隶属函数的参数，同时动态优化模糊推理。然后引入递归节点使网络具有了动态映射的能力，从而构成了递归补偿模糊神经网络。针对这个网络，首先采用改进的相关等级聚类法构造网络的初始模糊模型，再利用动态梯度下降算法优化网络参数。通过对典型非线性系统的仿真研究，验证了两种网络学习算法的性能。最后，... |
| 【论文题纲】 |
|
摘要 |
5-7 |
|
Abstract |
7-13 |
|
1 绪论 |
13-22 |
|
1.1 课题背景 |
13-14 |
|
1.2 神经网络发展现状 |
14-15 |
|
1.3 模糊控制发展现状 |
15-17 |
|
1.4 遗传算法发展现状 |
17-18 |
|
1.5 遗传算法、模糊逻辑与神经网络的结合 |
18-21 |
|
1.6 本文的主要工作 |
21-22 |
|
2 神经网络控制系统及BP网络 |
22-32 |
|
2.1 引言 |
22 |
|
2.2 神经网络控制系统 |
22-25 |
|
2.3 基于神经网络的辨识 |
25-26 |
|
2.4 BP神经网络及其算法 |
26-31 |
|
2.5 本章小结 |
31-32 |
|
3 基于递阶遗传算法的神经网络 |
32-45 |
|
3.1 引言 |
32-33 |
|
3.2 递阶遗传算法 |
33-34 |
|
3.3 优化神经网络的自适应递阶遗传算法 |
34-38 |
|
3.4 神经网络辨识的混合学习算法 |
38-42 |
|
3.5 仿真实例及分析 |
42-44 |
|
3.6 本章小结 |
44-45 |
|
4 基于递归模糊补偿算子的神经网络 |
45-62 |
|
4.1 引言 |
45-46 |
|
4.2 具有快速学习算法的补偿模糊神经网络 |
46-53 |
|
4.3 加入递归单元的补偿模糊神经网络 |
53-58 |
|
4.4 仿真实例及分析 |
58-61 |
|
4.5 本章小结 |
61-62 |
|
5 氧乐果合成反应温度控制系统 |
62-72 |
|
5.1 氧乐果合成反应系统分析 |
62-65 |
|
5.2 氧乐果合成反应温度神经网络控制系统 |
65-71 |
|
5.3 本章小结 |
71-72 |
|
6 结论与展望 |
72-74 |
|
6.1 结论 |
72-73 |
|
6.2 展望 |
73-74 |
|
致谢 |
74-75 |
|
参考文献 |
75-80 |
|
附录 攻读硕士学位期间发表的学术论文 |
80 |
|
| 【DOI】 | LunWen.ID:2.2008.388831 |
