对神经网络、模糊系统及其在运动控制中的应用进行了详细的介绍，需要的下吧

查表法设计模糊系统 根据测定的输入和输出数据利用查表法设计模糊系统 (1)确定输入和输出的空间（论域及划分） (2)根据输入和输出数据对(记录样本)产生模糊规则 (3)对于每条规则赋予一个规则强度（规则冲突时仲裁用），规则强度可定义为隶属度的乘积 (4)创建模糊规则库 (5)构造模糊系统。R,描述复杂输入-输出关系的模糊系统 *

多变量模糊系统控制设计及其在并行混合电动汽车中的应用(英文).pdf

模糊控制经典书籍，王立新著，很适合搞控制的人学习一下

本书是针对研究生和高年级本科生的教科书。王立新老师曾是模糊之父扎德的学生，是模糊界的大牛，这本书曾风靡一时。

模糊系统matlab代码实现

模糊系统章节，模糊逻辑与模糊推理

模糊模型设计方法归结为两种，即语义驱动和数据驱动。数据驱动模型具有更好的性能，是目前研究的热点。模糊系统辨识是数据驱动下模糊系统建模的重要手段，辨识的优良直接影响系统建模的精度。模糊系统辨识可以分为两部分进行认识，即模糊系统结构辨识和参数辨识。回顾了近年来模糊系统辨识的理论和方法，如subtractive聚类、多分辨率自适应空间分解、SVM、核函数法、粒子群算法和并行遗传算法等。对各种算法原理、特点进行了介绍，对模糊系统辨识的发展进行了展望。

人工神经网络是由大量简单的处理单元组成的非线性、自适应、自组织系统，它是在现代神经科学研究成果的基础上，试图模拟人类神经系统对信息进行处理加工。

由于主动避撞系统的验证中需要有动力学模型来支撑，所以要搭建无人车 纵向动力学模型。无人车纵向动力总成包括发动机、液力偶合器、自动变速器和 车辆质量模型等。为了验证所本文所搭建的动力学模型的合理性，在 CarSim 中同 样建立了整车模型，并在与 Simulink 中搭建的纵向动力学模型进行对比，证明所 建动力学模型的完整性与准确性。 与传统的模糊系统不同，DFS 将模糊变量分解为 N 层，并除去了两个边界 模糊集。每一层的传统模糊变量由一个对应的模糊集及其补集构成，并且每一层 对应于原模糊划分中的一个模糊集。由于采用 DFS 所构建的基于专家经验的模糊 规则库的规则数过多，所以采用简易分解模糊系统（SDFS）。对于 SDFS，相比 DFS 来说只需要考虑来自模糊变量的同一排序层的模糊集，模糊规则数相对较少。 针对无人车的主动避撞系统，避撞逻辑的模型采用安全距离模型。将前后 车的状态信息输入到控制器中，按照设计好的计算方法得到相应的危险阈值，该 阈值是表示当前车况危险程度的量，无人车可通过阈值法判别紧急危险状况，以 及是否触发车辆自主制动措施。一旦触发车辆自主的制动，系统将给出制动的期 望减速度，无人车将以期望加速度为目标进行制动。采用控制目标设计层、扭矩 输出层的分层控制策略。在目标设计层中，将期望纵向加速度与实际值作比较得 到相应的误差;在扭矩输出层，误差通过分解模糊 PID 控制器计算出期望加速度所 需要的力矩。最后，通过仿真验证所提出的控制方法的有效性。