基于CFNN的电火花加工工艺效果预测模型

针对常规神经网络和模糊神经网络的不足,介绍了一种具有快速算法的补偿模糊神经网络,并根据电火花加工的工艺特点及其复杂性,建立了基于补偿模糊神经网络的电火花加工工艺效果预测模型,可实现指定加工条件下的工艺效果预测。仿真结果显示了其良好的预测精度,其性能优于常规模糊神经网络。

基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。

一种基于补偿模糊神经网络的新型图像滤波方法

针对图像滤波难题,将补偿模糊神经网络应用于图像滤波中,提出了基于补偿模糊神经网络(compensatory fuzzy neural network)的图像滤波方法。该方法结合了模糊逻辑的推理能力和神经网络的自适应、自学习能力。同时采用具有快速学习的补偿算法,引入补偿模糊神经元,使学习后的网络具有更高的容错性,并弥补了神经网络学习耗时的缺点,提高了滤波效率。模糊运算采用动态的、全局优化运算,使网络更优化,进一步改善了滤波效果。仿真结果表明,该方法对噪声具有很好地滤除作用,与现有其它滤波方法相比,具有明显的效果。

补偿模糊神经网络在模糊规则训练中的应用

目前,自治式水下机器人(Autonomous Underwater Vehicle,AUV)、自动导引驾驶小汽车、轮船等领域应用模糊规则控制已经受到许多人的关注,模糊规则的制定与训练是其中之关键所在,该文将模糊规则控制应用在无人机自由编队飞行控制中。在训练模糊规则过程中,常规的BP神经网络法存在学习速度慢、无法结合专家知识以及容易陷人局部最小等缺点,为了克服上述不足,文中引入了补偿模糊神经网络,它是一个结合了补偿模糊逻辑和神经网络的混合系统,由面向控制和面向决策的神经元组成,其模糊运算采用动态的、全局优化运算,学习速度快、学习过程稳定。将其用于无人机自由编队飞行的模糊控制规则进行训练,结果表明用补偿模糊神经网络对模糊规则的训练效果良好。

基于自适应学习速率法的补偿模糊神经网络

为克服常规网络收敛速度慢、无法结合专家知识等缺点,引入补偿模糊神经元,结合模糊系统强大的知识表达能力和神经网络优秀的自学习能力,并利用自适应学习速率法动态地改变学习率.提出了一种新型的基于自适应学习速率法的补偿模糊神经网络,并将其应用到实际例子中.结果证明,它不仅能在线适当调整参数,还能动态地优化相应的模糊推理,加快训练速度.

补偿模糊神经网络在储层参数预测中的应用

为了克服常规 BP神经网络法在预测储层参数中出现学习速度慢、无法结合专家知识等不足 ,我们引入了补偿模糊神经网络。它是一个结合了补偿模糊逻辑和神经网络的混合系统 ,由面向控制和面向决策的神经元组成 ,其模糊运算采用动态的、全局优化运算 ,学习速度快、学习过程稳定 ,将其用于储层参数预测效果良好。

基于电动舵机优化控制的仿真研究

电动舵机是个多变量、非线性、强耦合、时变的复杂系统,传统的PID等控制方法对其进行控制时存在精度低、抗干扰能力差等问题。为解决上述问题,本文设计了一种改进学习算法的补偿模糊神经网络(CFNN)控制器,在补偿模糊神经网络学习算法中加入自适应学习速率因子,使神经网络的学习速率根据当前的学习收敛速度做动态的调整,从而加快学习收敛速度,改善其控制性能。仿真结果表明,采用改进学习算法的补偿模糊神经网络控制的电动舵机系统响应更快,鲁棒性强、位置跟踪精度更高,其控制性能优于传统的PID控制与经典学习算法的补偿模糊神经网络控制。

一种基于补偿模糊神经网络的水质预测方法

在污水处理系统过程控制中,对水质变化规律进行预测是控制系统可靠、稳定运行的重要环节。介绍了基于模糊逻揖和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点,建立污水处理厂CFNN的水质预测模型。实例预测结果表明该模型对初始值的选择不敏感,具有很好的收敛性和预测精度,适合实际工程应用。

基于补偿模糊神经网络的洗衣机仿真研究

本文介绍了基于模糊逻辑和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点使洗衣机能够更加准确的判断衣物的软硬程度、衣量多少、脏污程度和性质等,自动生成模糊控制规则和隶属度函数,预先设定洗衣机水位、水流强度和洗涤时间,在整个洗衣过程中实时调整这些参数,达到最佳的洗衣效果。

基于关联模糊神经网络和改进型蜂群算法的负荷预测方法

为提高负荷预测精度,考虑历史负荷数据之间相关联的特性,利用关联模糊神经网络建立了负荷预测模型。与其他负荷预测方法相比,基于关联模糊神经网络和改进型蜂群算法的负荷预测方法,减少了模型所需要的模糊规则的数量,降低了模型的复杂度。将该方法应用于某地实际负荷预测,数值结果表明,该方法具有较高的预测精度。

补偿模糊神经网络自适应逆控制的仿真研究

该文应用的补偿模糊神经网络(CFNN)是结合补偿模糊逻辑和神经网络的混合系统。由于引入补偿神经元使网络容错性更高,系统更稳定;同时模糊运算采用动态的、全局优化运算,并在神经网络学习算法中动态优化补偿模糊运算,使网络更适应,训练速度更快。将补偿模糊神经网络与自适应逆控制原理结合应用到某位置伺服系统噪声消除控制中,并同用BP网络,传统PID控制和常规模糊神经网络控制效果比较来证明此方法的优越性。仿真结果表明补偿模糊神经网络自适应逆控制在缩短训练时间,提高控制精度等方面都有显著改善。

基于神经网络和光流场的嵌入式高速目标识别与跟踪（英文）

研究了面向嵌入式硬件平台的高速视频图像处理与高速目标跟踪算法。基于神经网络的光流场算法能有效减少程序对硬件系统的内存要求和运算要求,该算法能够比传统算法更加容易的应用于以DSP(数字信号处理)芯片为核心的嵌入式硬件平台中。首先设计了一个基于Hopfield神经网络控制器的自适应滤波器,以图像信噪比为控制指标,对需进行目标识别的视频图像进行图像预处理;然后,利用补偿模糊神经网络控制器对光流场计算方法进行优化,这是一种通过参数控制平滑度实现的平均速度的角度误差和标准角误差的CFNN(补偿模糊神经网络)控制器识别跟踪算法。微机仿真及嵌入式系统试验结果均表明:该算法能够在同等条件下显著提高目标辨别与跟踪能力,显示其具有较高的有效性和实用性。