人工智能控制器

在各種出版物中，介紹了許多被模糊化的控制器，但這應(yīng)與“充分模糊”控制器完全區(qū)分開來，“充分模糊”控制器才是完全意義上的模糊控制器，被模糊化的控制器易于實現(xiàn)，往往通過改造現(xiàn)有古典控制器得以實現(xiàn)，如被模糊化的PI控制器（FPIC）使用模糊邏輯改變控制器的比例、積分參數(shù)，從而使系統(tǒng)的性能得到提高

誤差反向傳播技術(shù)是多層前聵ANN常用的學(xué)習技術(shù)。如果網(wǎng)絡(luò)有足夠多的隱藏層和隱藏結(jié)點以及適宜的激勵函數(shù)，多層ANN只能實現(xiàn)需要的映射，沒有直接的技術(shù)選擇優(yōu)隱藏層、結(jié)點數(shù)和激勵函數(shù)，通常用嘗試法解決這個問題，反向傳播訓(xùn)練算法是基本的快下降法，輸出結(jié)點的誤差反饋回網(wǎng)絡(luò)，用于權(quán)重調(diào)整，搜索優(yōu)。

也有一些的文章論述運用模糊邏輯控制感應(yīng)電機的磁通和力矩。它的輸入標定因子是變化的。實驗結(jié)果也驗證了所提方案的有效性。該系統(tǒng)中模糊速度控制器與常規(guī)的PI速度控制器和CRPWM塑變器一起使用，它往往用來補償可能的慣性和負載轉(zhuǎn)矩的擾動。神經(jīng)網(wǎng)絡(luò)的應(yīng)用 現(xiàn)如今，有大量文章討論神經(jīng)網(wǎng)絡(luò)在交流電機和驅(qū)動系統(tǒng)的條件監(jiān)測和診斷中的運用。