《模糊小波神经网络在控制系统应用中的研究》由会员分享,可在线阅读,更多相关《模糊小波神经网络在控制系统应用中的研究(36页珍藏版)》请在金锄头文库上搜索。
1、控制理论与控制工程专业毕业论文控制理论与控制工程专业毕业论文 精品论文精品论文 模糊小波神经网模糊小波神经网络在控制系统应用中的研究络在控制系统应用中的研究关键词:小波神经网络关键词:小波神经网络 控制系统控制系统 数学模型数学模型 模糊逻辑模糊逻辑 智能控制智能控制 模糊神经网络模糊神经网络摘要:许多复杂的系统是无法用传统方法对它定义,不能建立有效的数学模型 和控制方法。目前,模糊逻辑和神经网络技术是智能控制理论中十分活跃的分 支,而小波分析技术由于对信号具有多分辨率功能和时频局部化性质,一出现 便得到了迅速的发展。为此,本文研究了基于模糊逻辑技术、小波分析和神经 网络相结合的一种新的模型一
2、模糊小波神经网络。主要的研究工作如下: 首 先,全面的回顾了非线性系统辨识的发展历史及研究现状,并对当前模糊逻辑 技术、小波分析和神经网络三者结合的研究进展作了概述。 然后,将 T-S 模 糊模型与前馈神经网络相融合构造了一种新型的模糊神经网络,该模型采用基 于梯度下降法和 -LMS 算法相结合的混合学习方法,其中梯度下降法用来训练 高斯型隶属度函数的非线性参数,而 -LMS 算法用来训练线性参数,即权值。 从理论上,证明了该模型对非线性函数的万能逼近能力。 最后,进一步利用 小波变换的压缩和多分辨率特性与模糊神经网络相结合构造出两种模糊小波神 经网络模型,并应用在非线性系统辨识上。通过对静态
3、系统进行仿真,结果表 明模糊小波神经网络是最优的。正文内容正文内容许多复杂的系统是无法用传统方法对它定义,不能建立有效的数学模型和 控制方法。目前,模糊逻辑和神经网络技术是智能控制理论中十分活跃的分支, 而小波分析技术由于对信号具有多分辨率功能和时频局部化性质,一出现便得 到了迅速的发展。为此,本文研究了基于模糊逻辑技术、小波分析和神经网络 相结合的一种新的模型一模糊小波神经网络。主要的研究工作如下: 首先, 全面的回顾了非线性系统辨识的发展历史及研究现状,并对当前模糊逻辑技术、 小波分析和神经网络三者结合的研究进展作了概述。 然后,将 T-S 模糊模型 与前馈神经网络相融合构造了一种新型的模
4、糊神经网络,该模型采用基于梯度 下降法和 -LMS 算法相结合的混合学习方法,其中梯度下降法用来训练高斯型 隶属度函数的非线性参数,而 -LMS 算法用来训练线性参数,即权值。从理论 上,证明了该模型对非线性函数的万能逼近能力。 最后,进一步利用小波变 换的压缩和多分辨率特性与模糊神经网络相结合构造出两种模糊小波神经网络 模型,并应用在非线性系统辨识上。通过对静态系统进行仿真,结果表明模糊 小波神经网络是最优的。 许多复杂的系统是无法用传统方法对它定义,不能建立有效的数学模型和控制 方法。目前,模糊逻辑和神经网络技术是智能控制理论中十分活跃的分支,而 小波分析技术由于对信号具有多分辨率功能和时
5、频局部化性质,一出现便得到 了迅速的发展。为此,本文研究了基于模糊逻辑技术、小波分析和神经网络相 结合的一种新的模型一模糊小波神经网络。主要的研究工作如下: 首先,全 面的回顾了非线性系统辨识的发展历史及研究现状,并对当前模糊逻辑技术、 小波分析和神经网络三者结合的研究进展作了概述。 然后,将 T-S 模糊模型 与前馈神经网络相融合构造了一种新型的模糊神经网络,该模型采用基于梯度 下降法和 -LMS 算法相结合的混合学习方法,其中梯度下降法用来训练高斯型 隶属度函数的非线性参数,而 -LMS 算法用来训练线性参数,即权值。从理论 上,证明了该模型对非线性函数的万能逼近能力。 最后,进一步利用小
6、波变 换的压缩和多分辨率特性与模糊神经网络相结合构造出两种模糊小波神经网络 模型,并应用在非线性系统辨识上。通过对静态系统进行仿真,结果表明模糊 小波神经网络是最优的。 许多复杂的系统是无法用传统方法对它定义,不能建立有效的数学模型和控制 方法。目前,模糊逻辑和神经网络技术是智能控制理论中十分活跃的分支,而 小波分析技术由于对信号具有多分辨率功能和时频局部化性质,一出现便得到 了迅速的发展。为此,本文研究了基于模糊逻辑技术、小波分析和神经网络相 结合的一种新的模型一模糊小波神经网络。主要的研究工作如下: 首先,全 面的回顾了非线性系统辨识的发展历史及研究现状,并对当前模糊逻辑技术、 小波分析和
7、神经网络三者结合的研究进展作了概述。 然后,将 T-S 模糊模型 与前馈神经网络相融合构造了一种新型的模糊神经网络,该模型采用基于梯度 下降法和 -LMS 算法相结合的混合学习方法,其中梯度下降法用来训练高斯型 隶属度函数的非线性参数,而 -LMS 算法用来训练线性参数,即权值。从理论 上,证明了该模型对非线性函数的万能逼近能力。 最后,进一步利用小波变 换的压缩和多分辨率特性与模糊神经网络相结合构造出两种模糊小波神经网络 模型,并应用在非线性系统辨识上。通过对静态系统进行仿真,结果表明模糊 小波神经网络是最优的。许多复杂的系统是无法用传统方法对它定义,不能建立有效的数学模型和控制 方法。目前
8、,模糊逻辑和神经网络技术是智能控制理论中十分活跃的分支,而 小波分析技术由于对信号具有多分辨率功能和时频局部化性质,一出现便得到 了迅速的发展。为此,本文研究了基于模糊逻辑技术、小波分析和神经网络相 结合的一种新的模型一模糊小波神经网络。主要的研究工作如下: 首先,全 面的回顾了非线性系统辨识的发展历史及研究现状,并对当前模糊逻辑技术、 小波分析和神经网络三者结合的研究进展作了概述。 然后,将 T-S 模糊模型 与前馈神经网络相融合构造了一种新型的模糊神经网络,该模型采用基于梯度 下降法和 -LMS 算法相结合的混合学习方法,其中梯度下降法用来训练高斯型 隶属度函数的非线性参数,而 -LMS
9、算法用来训练线性参数,即权值。从理论 上,证明了该模型对非线性函数的万能逼近能力。 最后,进一步利用小波变 换的压缩和多分辨率特性与模糊神经网络相结合构造出两种模糊小波神经网络 模型,并应用在非线性系统辨识上。通过对静态系统进行仿真,结果表明模糊 小波神经网络是最优的。 许多复杂的系统是无法用传统方法对它定义,不能建立有效的数学模型和控制 方法。目前,模糊逻辑和神经网络技术是智能控制理论中十分活跃的分支,而 小波分析技术由于对信号具有多分辨率功能和时频局部化性质,一出现便得到 了迅速的发展。为此,本文研究了基于模糊逻辑技术、小波分析和神经网络相 结合的一种新的模型一模糊小波神经网络。主要的研究
10、工作如下: 首先,全 面的回顾了非线性系统辨识的发展历史及研究现状,并对当前模糊逻辑技术、 小波分析和神经网络三者结合的研究进展作了概述。 然后,将 T-S 模糊模型 与前馈神经网络相融合构造了一种新型的模糊神经网络,该模型采用基于梯度 下降法和 -LMS 算法相结合的混合学习方法,其中梯度下降法用来训练高斯型 隶属度函数的非线性参数,而 -LMS 算法用来训练线性参数,即权值。从理论 上,证明了该模型对非线性函数的万能逼近能力。 最后,进一步利用小波变 换的压缩和多分辨率特性与模糊神经网络相结合构造出两种模糊小波神经网络 模型,并应用在非线性系统辨识上。通过对静态系统进行仿真,结果表明模糊
11、小波神经网络是最优的。 许多复杂的系统是无法用传统方法对它定义,不能建立有效的数学模型和控制 方法。目前,模糊逻辑和神经网络技术是智能控制理论中十分活跃的分支,而 小波分析技术由于对信号具有多分辨率功能和时频局部化性质,一出现便得到 了迅速的发展。为此,本文研究了基于模糊逻辑技术、小波分析和神经网络相 结合的一种新的模型一模糊小波神经网络。主要的研究工作如下: 首先,全 面的回顾了非线性系统辨识的发展历史及研究现状,并对当前模糊逻辑技术、 小波分析和神经网络三者结合的研究进展作了概述。 然后,将 T-S 模糊模型 与前馈神经网络相融合构造了一种新型的模糊神经网络,该模型采用基于梯度 下降法和
12、-LMS 算法相结合的混合学习方法,其中梯度下降法用来训练高斯型 隶属度函数的非线性参数,而 -LMS 算法用来训练线性参数,即权值。从理论 上,证明了该模型对非线性函数的万能逼近能力。 最后,进一步利用小波变 换的压缩和多分辨率特性与模糊神经网络相结合构造出两种模糊小波神经网络 模型,并应用在非线性系统辨识上。通过对静态系统进行仿真,结果表明模糊 小波神经网络是最优的。 许多复杂的系统是无法用传统方法对它定义,不能建立有效的数学模型和控制 方法。目前,模糊逻辑和神经网络技术是智能控制理论中十分活跃的分支,而小波分析技术由于对信号具有多分辨率功能和时频局部化性质,一出现便得到 了迅速的发展。为
13、此,本文研究了基于模糊逻辑技术、小波分析和神经网络相 结合的一种新的模型一模糊小波神经网络。主要的研究工作如下: 首先,全 面的回顾了非线性系统辨识的发展历史及研究现状,并对当前模糊逻辑技术、 小波分析和神经网络三者结合的研究进展作了概述。 然后,将 T-S 模糊模型 与前馈神经网络相融合构造了一种新型的模糊神经网络,该模型采用基于梯度 下降法和 -LMS 算法相结合的混合学习方法,其中梯度下降法用来训练高斯型 隶属度函数的非线性参数,而 -LMS 算法用来训练线性参数,即权值。从理论 上,证明了该模型对非线性函数的万能逼近能力。 最后,进一步利用小波变 换的压缩和多分辨率特性与模糊神经网络相
14、结合构造出两种模糊小波神经网络 模型,并应用在非线性系统辨识上。通过对静态系统进行仿真,结果表明模糊 小波神经网络是最优的。 许多复杂的系统是无法用传统方法对它定义,不能建立有效的数学模型和控制 方法。目前,模糊逻辑和神经网络技术是智能控制理论中十分活跃的分支,而 小波分析技术由于对信号具有多分辨率功能和时频局部化性质,一出现便得到 了迅速的发展。为此,本文研究了基于模糊逻辑技术、小波分析和神经网络相 结合的一种新的模型一模糊小波神经网络。主要的研究工作如下: 首先,全 面的回顾了非线性系统辨识的发展历史及研究现状,并对当前模糊逻辑技术、 小波分析和神经网络三者结合的研究进展作了概述。 然后,
15、将 T-S 模糊模型 与前馈神经网络相融合构造了一种新型的模糊神经网络,该模型采用基于梯度 下降法和 -LMS 算法相结合的混合学习方法,其中梯度下降法用来训练高斯型 隶属度函数的非线性参数,而 -LMS 算法用来训练线性参数,即权值。从理论 上,证明了该模型对非线性函数的万能逼近能力。 最后,进一步利用小波变 换的压缩和多分辨率特性与模糊神经网络相结合构造出两种模糊小波神经网络 模型,并应用在非线性系统辨识上。通过对静态系统进行仿真,结果表明模糊 小波神经网络是最优的。 许多复杂的系统是无法用传统方法对它定义,不能建立有效的数学模型和控制 方法。目前,模糊逻辑和神经网络技术是智能控制理论中十
16、分活跃的分支,而 小波分析技术由于对信号具有多分辨率功能和时频局部化性质,一出现便得到 了迅速的发展。为此,本文研究了基于模糊逻辑技术、小波分析和神经网络相 结合的一种新的模型一模糊小波神经网络。主要的研究工作如下: 首先,全 面的回顾了非线性系统辨识的发展历史及研究现状,并对当前模糊逻辑技术、 小波分析和神经网络三者结合的研究进展作了概述。 然后,将 T-S 模糊模型 与前馈神经网络相融合构造了一种新型的模糊神经网络,该模型采用基于梯度 下降法和 -LMS 算法相结合的混合学习方法,其中梯度下降法用来训练高斯型 隶属度函数的非线性参数,而 -LMS 算法用来训练线性参数,即权值。从理论 上,证明了该模型对非线性函数的万能逼近能力。 最后,进一步利用小波变 换的压缩和多分辨率特性与模糊神经网络相结合构造出两种模糊小波神经网络 模型,并应用在非线性系统辨识上。通过对静态系统进行仿真,结果表明模糊