模糊控制的NN方法研究
近年来，控制对象的复杂程度在不断增加，同时人们对控制效果的要求不断提高，这两者之间产生了尖锐的矛盾。控制对象复杂程度的不断增加，意味着建立被控对象精确的数学模型是越来越困难。经典控制理论和现代控制理论正是依赖于被控对象的数学模型，并且当调整好控制系统各项参数后，如果被控对象的数学模型由于外界或自身因素而改变，这一套参数可能就无法满足控制要求。 智能控制三大方法：模糊控制、神经网络、专家控制，其最大的特点是不依赖于被控对象的数学模型，这样就解决了前面所提到的依赖于被控对象数学模型的问题。对于越愈复杂的现代控制系统，专家知识也是很有限的，因此模糊控制和神经网络控制的地位就显得突出和重要。模糊控制和神经网络都有其自身的优缺点，将两者结合，正好达到了互补的效果。 论文的重点是模糊神经网络结构、离线算法和在线自适应算法；基于MATLAB的模糊神经网络控制系统仿真和基于DSP的模糊神经网络控制系统实现方法讨论；并选用了TMS320LC/LF2407作为DSP实现方法讨论的载体。 仿真过程中，主要着重于训练样本的采集和处理，两种学习算法的实现；阶跃输入和带干扰信号的阶跃输入时的控制效果，被控对象模型发生变化时的控制效果，以及模糊神经网络在线自适应的实现。DSP实现讨论部分着重于硬件实现和软件实现(A/D转换、D/A转换以及其它子程序的编写和调试)。最终完全实现模糊神经网络控制系统的仿真；完成基于DSP的模糊神经网络控制系统部分子程序的编写和调试。仿真结果表明模糊神经网络控制具有较好的鲁棒性，控制效果也能够达到要求。算法
- 作者：
- 陈晓红
- 学位授予单位：
- 贵州大学
- 专业名称：
- 控制理论与控制工程
- 授予学位：
- 硕士
- 学位年度：
- 2007年
- 导师姓名：
- 谢宗安；文方
- 中图分类号：
- TP273.4；TP183
- 关键词：
- 模糊控制；神经网络；数字信号处理器；学习算法
- Fuzzy control；neural network；fuzzy-neural network；Digital Signal Processing (DSP)；study arithmetic