Optimal Fuzzy PID Controller with Incomplete Derivation and Its Simulation Research on Application of Intelligent Artificial Legs

提出了一种新的最优模糊PID控制器，它由两部分组成，即在线模糊推理机构和带有不完全微分的常规PID控制器，在模糊推理机构中，引入了三个可调节因子xp,xi和xd，其作用是进一步修改和优化模糊推理的结果，以使控制器对一个给定对象具有最优的控制效果，可调节因子的最优值采用ITAE准则及Nelder和Mead提出的柔性多面体最优搜索算法加以确定，这种PID控制器被用来控制由作者设计的智能人工腿中的一个直流电机，仿真结果表明该控制器的设计是非常有效的，它可被用于控制各种不同的对象和过程。

基于模糊神经网络水下机器人直接自适应控制

提出了基于广义动态模糊神经网络的水下机器人直接自适戍控制方法,该控制方法既不需要预先知道模糊神经结构,也不需要预先的训练阶段,完全通过在线自适应学习算法构建水下机器人的逆动力学模型.首先,本文提出了基于这种网络结构的水下机器人直接自适应控制器,然后,利用Lyapunov稳定理论,证明了基于该控制器的水下机器人控制系统闭环稳定性,最后,采用某水下机器人模型仿真验证了该控制方法的有效性。

Fuzzy层次神经网络

本文提出和归纳了Ｆｕｚｚｙ前馈神经网络模型，并提出了Ｆｕｚｚｙ前馈神经网络的反向传播学习算法，模拟结果表明利用ＦｕｚｚｙＢＰ学习算法训练的Ｆｕｚｚｙ前馈神经网络具有较好的非逻辑归纳能力和Ｆｕｚｚｙ规则表达能力。

模糊控制在现场总线控制系统中的应用

介绍了如何把模糊控制算法与现场总线中的CAN总线结合起来应用于控制系统 ,并设计了一种智能型模糊控制算法 ,给出了系统的整体结构和现场模糊控制单元的硬件实现电路及其软件设计思路 ;系统的仿真结果表明 ,该系统实时性好 ,控制精度较高 ,鲁棒性强 ,在现场控制中有效可行

基于CAN总线的分布式数据采集与控制系统

随着电子技术和计算机技术的不断发展，工业生产过程的控制系统正在向着智能化、数字化和网络化的方向发展。传统的集散控制方式和计算机分层控制方式已经开始让位于智能终端与网络结合的总线网络控制方式。当今，在工厂中过程控制环境下的分布式自动化系统变得越来越复杂，尤其系统内部的各设备之间需要快速交换大量的信息，以便实现对被控系统更为精确的控制和提供一些辅助的评价函数。这就意味着要不断增加带宽和提高通信速率以满足网络通信的需要。在现有的多种可利用网络设备中，CAN总线以其清晰的定义、极高的可靠性及其独特的设计，被认为是最能有效地解决这一问题的途径之一。而且市场上基于通信技术的产品中，就实时性考虑，由于CAN总线采用的非表意性的通信方式，因此其结构更为简单，实时性更好。基于此背景，我们以CAN总线作为通信媒介，将分布于各控制现场的传感器、执行器和控制器有序地连接起来，构成了一个基于CAN总线的分布式局域网络控制系统。本文首先介绍了基于CAN总线的分布式数据采集与控制系统的总体结构。然后从硬件方面描述了基于CAN总线的通信协议转换单元、数据采集单元和输出控制单元的功能、硬件配置及各单元功能的具体实现过程，给出了各单元的性能指标。软件方面，以C语言作为平台，开发了基于CAN总线的上位计算机管理与监控软件，实现了对整个网络设备的系统管理和系统控制功能。对于该总线系统，作者运用了PID控制和模糊控制算法实现了对水箱液位的控制，达到了理想的效果。基于CAN总线的控制系统很好地解决了集散控制系统难以解决的难题，模糊控制的应用能很好地把总线控制系统应用到具有非线性、大时滞和难于获得精确模型的控制系统中。

Fuzzy-Rough Sets Assisted Attribute Selection

R. Jensen and Q. Shen. Fuzzy-Rough Sets Assisted Attribute Selection. IEEE Transactions on Fuzzy Systems, vol. 15, no. 1, pp. 73-89, 2007.

Semantics-Preserving Dimensionality Reduction: Rough and Fuzzy-Rough-Based Approaches

R. Jensen and Q. Shen. Semantics-Preserving Dimensionality Reduction: Rough and Fuzzy-Rough Based Approaches. IEEE Transactions on Knowledge and Data Engineering, 16(12): 1457-1471. 2004.

Towards Fuzzy Compositional Modelling

X. Fu, Q. Shen and R. Zhao. 'Towards fuzzy compositional modelling,' In Proceedings of the 16th International Conference on Fuzzy Systems, 2007, pp. 1233-1238. Sponsorship: EPSRC

Knowledge representation for fuzzy model composition

X. Fu and Q. Shen. 'Knowledge representation for fuzzy model composition', in Proceedings of the 21st International Workshop on Qualitative Reasoning, 2007, pp. 47-54. Sponsorship: EPSRC

Fuzzy-Rough Data Reduction with Ant Colony Optimization.

R. Jensen and Q. Shen, 'Fuzzy-Rough Data Reduction with Ant Colony Optimization,' Fuzzy Sets and Systems, vol. 149, no. 1, pp. 5-20, 2005.

Fuzzy-Rough Attribute Reduction with Application to Web Categorization.

R. Jensen and Q. Shen, 'Fuzzy-Rough Attribute Reduction with Application to Web Categorization,' Fuzzy Sets and Systems, vol. 141, no. 3, pp. 469-485, 2004.

Selecting Informative Features with Fuzzy-Rough Sets and its Application for Complex Systems Monitoring.

Q. Shen and R. Jensen, 'Selecting Informative Features with Fuzzy-Rough Sets and its Application for Complex Systems Monitoring,' Pattern Recognition, vol. 37, no. 7, pp. 1351-1363, 2004.

Tolerance-based and Fuzzy-Rough Feature Selection.

R. Jensen and Q. Shen, 'Tolerance-based and Fuzzy-Rough Feature Selection,' Proceedings of the 16th International Conference on Fuzzy Systems (FUZZ-IEEE'07), pp. 877-882, 2007.

Webpage Classification with ACO-enhanced Fuzzy-Rough Feature Selection.

R. Jensen and Q. Shen, 'Webpage Classification with ACO-enhanced Fuzzy-Rough Feature Selection,' Proceedings of the Fifth International Conference on Rough Sets and Current Trends in Computing (RSCTC 2006), LNAI 4259, pp. 147-156, 2006.

Data-driven fuzzy rule generation and its application for student academic performance evaluation

K. Rasmani and Q. Shen. Data-driven fuzzy rule generation and its application for student academic performance evaluation. Applied Intelligence, 25(3):305-319, 2006.