基于优化LM模糊神经网络的不均衡林业信息文本分类算法

为解决不均衡林业信息文本分类中少数类分类正确率低问题,提出了一种基于优化LM模糊神经网络的不均衡林业信息文本分类算法。在阐述优化LM模糊神经网络算法原理的基础上,提取不均衡林业信息文本特征矩阵训练分类器的各项参数,实现对不均衡林业信息文本的精准与快速分类。实验结果表明该算法对少数类辨识准确率高,优于神经网络分类法以及SVM算法、模糊神经网络算法,为不均衡林业信息文本的分类提供了新思路。

发动机多目标优化的正交模糊神经网络方法研究

提出了一种基于正交优化方法、模糊函数和神经网络辨识系统三者相结合的多目标优化新方法-OFNN法(Orthogonal Fuzzy Neural Network)。该方法综合了正交优化能够以最少的试验次数,达到与全面的试验等效结果的特性、模糊理论建立评判准则的特性以及神经网络自学习的智能特性,最终通过有限次数的仿真试验和模糊神经网络的自学习诊断,对发动机的油耗,NOx、碳烟和爆发压力找到了多目标优化合理的解决方案,该方法为多目标优化提供了一种新思路。

二氧化氮浓度时空预测:一种区间二型直觉模糊神经网络方法

空气中二氧化氮浓度的高低对环境保护和公共健康具有重要影响。目前二氧化氮浓度预测方法在表征时空关联性方面存在不足。鉴于此,提出了新的使用区间二型直觉模糊神经网络时空预测二氧化氮浓度的方法。首先,阐述了该区间二型直觉模糊神经网络框架,引入可变系数加权其隶属部分和非隶属部分的输出,并采用随机向量泛函链接神经网络作为规则后件;然后,为确定网络结构和参数,采用分层聚类算法得到模糊规则库,并通过最小二乘法优化网络后件的输出权值;最后,使用2018年1月至3月采集的北京市二氧化氮浓度真实数据进行数值验证。实验结果表明,与现有方法相比,该方法在短期和长期时空预测方面均取得了较高的预测精度和效率。

基于深度模糊神经网络的太阳总辐射预测研究

提出一种基于深度模糊神经网络的太阳总辐射预测模型。首先利用Pearson相关系数分析太阳总辐射关键影响因素,其次利用深度学习多隐含层所具有的特征提取优势将模糊神经网络模块重复连接,构建深度模糊神经网络模型,并使用蝗虫优化算法对其中心值和宽度进行优化。利用所提太阳总辐射预测模型对5个气象站点的相关数据进行仿真实验,并对结果进行分析。仿真结果表明:所提预测模型较其他模型具有较高的预测精度,验证了模型的有效性,可满足无辐射监测站点太阳总辐射预测的需要。

基于混合双层自组织径向基函数神经网络的优化学习算法

针对传统方法采用先训练后测试两阶段学习机制极易导致的过拟合或欠拟合问题,提出一种基于混合双层自组织径向基函数神经网络的优化学习(hybrid bilevel self-organizing radial basis function neural network optimization learning,Hb-SRBFNN-OL)算法。首先,将训练过程和测试过程集成到一个统一的框架中,规避过拟合或欠拟合问题。其次,基于进化学习机制,提出上下2层的交互式优化学习算法,上层基于网络复杂度和测试误差自组织调整网络结构,下层采用列文伯格-马夸尔特(Levenberg Marquardt,LM)算法作为优化器对自组织径向基函数神经网络(self-organizing radial basis function neural network,SO-RBFNN)的连接权值进行优化。最后,利用来自多个子网络的综合信息生成模型的最终输出,加速网络全局收敛。为验证所提方法的可行性,分别在多个分类和预测任务中进行了测试实验。结果表明,在与传统神经网络结构相似甚至更好的测试和分类精度下,该方法不仅能实现更快的训练收敛,而且能进化成更精简紧凑的径向基函数神经网络(radial basis function neural network,RBFNN)模型。尤其在污水处理过程中总磷的质量浓度预测实验中,测试集中均方根误差(root mean squared error,RMSE)最高可降低48.90%,实际场景实验结果验证了所提算法的精确性更佳且泛化能力更强。

基于线性优化模糊C均值算法和人工神经网络的光照传感器布局方法

针对目前光照传感器的布局方式计算量大、能耗高,易受人为因素的影响,难以准确地预测室内日光强度等问题,该文提出一种基于线性优化模糊C均值算法(LOFCM)和人工神经网络(ANN)的光照传感器布局方法。LOFCM算法利用线性优化(LO)稀疏权重矩阵后,使用模糊C均值(FCM)筛选数据,确定工作面光照传感器布局。随后,使用ANN分别训练工作面光照传感器测量值与4组辅助光照传感器测量值之间的非线性数学模型。实验结果表明,该文提出的基于LOFCM算法在保证计算工作面平均照度和均匀度准确的情况下,工作面光照传感器的数量比对比方法减少了37.5%。此外,在4组辅助光照传感器布局中,墙壁和窗户布局方式具有较好的预测精度,为预测室内日光强度提供了更加准确的预测方式。

基于改进深度动态模糊神经网络的信息综合分析算法

针对传统人力资源评价算法的主观性强,难以反映员工真实能力的问题,提出了一种结合深度动态模糊神经网络和粒子群优化的算法。该算法对传统模糊神经网络进行了改进,并使用动态结构来增强原模型训练能力,通过对隶属函数层的优化,使模型具备了处理广域数据的能力。为了提高算法的运行效率,还采用误差下降法对模型的规则权重进行排序并完成剪枝操作,同时利用粒子群算法实现对模型参数的优化。实验测试结果表明,所提算法的训练时间仅需7.8 s,性能与效率指标则均优于对比算法,且与人工评价法得到的指标大致相同,可以作为电力人才评价的辅助数据参考。

基于深度数据挖掘和模糊神经网络的电网资源优化配置算法

为实现高效且智能化的电网人力资源优化配置,提出了一种基于深度数据挖掘与模糊神经网络的资源优化配置算法,对未来一定时间内的资源需求加以预测。该算法基于模糊神经网络对资源数据进行深度挖掘及分析,并在此基础上通过粒子群优化算法完成对该网络的改进。数值实验结果表明,所提算法对电网企业人力资源需求的预测误差为0.13%,相比于仅使用模糊神经网络进行预测的误差降低了2.84%,且通过与多种机器学习算法进行的对比测试证明了该算法的综合性能更优。

基于改进图卷积神经网络的配网线路故障诊断

随着电网的不断扩容,系统结构越来越复杂,多故障频发,而多故障是故障诊断的关键和难点。为解决故障处理数据量大,需要快速、准确地诊断电网故障的问题,本文提出了一种基于模糊优化图卷积神经网络的配网故障诊断模型。首先处理采集的配网故障线路的特征数据;其次,搭建基于图卷积神经网络的故障诊断模型,利用模糊理论建立配电网故障的隶属函数;最后利用训练好的模型进行配网故障诊断。仿真结果表明,模糊优化图卷积神经网络对多故障诊断的准确率高于卷积神经网络以及其他方法,本文方法做出的诊断结果更加精确,综合诊断效果最好。

模糊神经网络算法对机械加工参数选择的优化分析

机械加工过程中,参数的选择对加工质量的影响十分重要,但是存在参数频繁调整,加工参数设置不准确的问题,而且参数调整时间过长。由此,本文提出一种模糊神经网络算法,进行机械加工中的参数调整。首先,采用模糊理论对铣削量、每齿进给量、工序间余量、螺距、螺纹直径等参数进行判断,并按照调整标准进行划分,提高机械加工的准确性。然后,模糊神经算法对机械加工标准进行判断,并对判断结果进行验证。MATLAB仿真显示,在同一机械加工设备下,模糊神经网络算法对机械加工参数选择的准确性、选择时间均优于系统参数调节法。

一种神经网络弹道诸元快速解算方法

针对导弹快速发射的任务需求,提出一种神经网络诸元快速解算方法。首先,根据任务需求建立了终端速度、高度、速度倾角和弹道诸元的映射关系,推导了基于LM优化算法的神经网络参数更新方法;然后,基于贝叶斯正则化理论设计了BP神经网络结构,得到满足精度要求的优化网络结构;最后,利用牛顿迭代法生成诸元数据库,将其作为训练集对神经网络进行训练,获得了具有优化参数的网络模型,并展开了仿真验证。理论与仿真结果表明,该方法可以实现射前诸元的快速精确计算,有效缩短射前准备时间。

模糊聚类和LM算法改进BP神经网络的变压器故障诊断

在变压器故障诊断中,目前BP神经网络算法存在训练样本分布不均匀,收敛速度慢、容易陷于局部极小点等问题,导致整体的诊断性能下降。通过对模糊聚类及LM算法改进的神经网络深入研究,并引入变压器故障诊断中,该算法应用模糊聚类对搜集到的样本预处理,提高样本的质量,再用LM算法改进的神经网络来优化搜索方向,可以实现网络训练速度及测试精度的提高。通过实例仿真实验,验证了该方法能够有效诊断出变压器的故障。

基于遗传算法和神经网络的冷挤压工艺参数模糊优化设计

将模糊优化思想引入冷挤压工艺参数优化设计,以冷挤压模具的四个关键工艺参数为设计变量,以最终挤压件的各处材料的损伤值为目标函数,建立了冷挤压工艺参数模糊优化模型。提出了利用神经网络进行材料损伤近似计算的策略,从而形成了基于遗传算法和神经网络的冷挤压工艺参数模糊优化方法。对冷挤压工艺参数模糊优化模型进行了求解,优化结果表明模糊优化思想能提高冷挤压工艺设计质量。

一类模糊神经网络结构的混沌优化设计

基于混沌变量,提出一种关于模糊神经网络结构的优化设计方法。将混沌变量引入模糊神经网络结构和参数的优化搜索中,使得模糊神经网络的规则数以及所有参数都处于混沌状态中,根据性能指标来寻找一个较优的网络。在线优化采用最小二乘法对去模糊化部分的权参数进行实时修正。仿真实验表明,基于混沌优化的模糊神经网络结构精简,控制精度高。

基于参数优化的自适应模糊神经网络控制在污水处理中的应用

针对活性污泥污水处理系统的机理模型具有复杂的非线性,传统的控制方法存在着精度不高,自适应能力差等缺点,提出一种优化的自适应模糊神经网络控制方法,分析了控制模型参数对系统的影响,并经过数据训练得到控制器各参数的寻优方法,获得系统的最优化参数。该控制方法能够快速、有效地使曝气池中溶解氧浓度达到期望值,并且具有较高的控制效果与控制精度。与传统控制方法相比,该控制方法更具有鲁棒性。仿真结果验证了该控制方法的有效性和正确性。

一种模糊神经网络控制器参数的混沌优化设计

通过模糊控制与神经网络相串联的方式构成模糊神经网络系统 ,然后提出一种基于模拟退火策略的混沌优化算法 ,将该算法引入模糊神经网络参数域中进行优化 ,实现混沌粗搜索与细搜索相结合优化目的 ,体现出具有更强的模糊神经网络参数全局最优解的搜索能力。采用该控制器对一个非线性对象进行控制。仿真实验表明 ,该方法能有效地实现模糊神经网络控制器参数优化 ,控制具有无振荡、超调小、调节时间短等优点 ,算法结构简单 。

一种优化模糊神经网络的多目标微粒群算法

模糊神经网络优化是一个多目标优化问题·通过对模糊神经网络和微粒群算法的深入分析,提出了一种多目标微粒群算法·在算法中将网络的精确性和复杂性分别作为目标进行优化,再用一种启发性分量加权均值法来选取个体极值和全局极值·算法能够引导粒子较快地向非劣最优解区域移动并最终获得多个非劣最优解,为模糊神经网络的精确性和复杂性的折中寻优问题提供了一种解决方法·茶味觉信号识别的仿真实验验证了该算法的有效性·

基于模糊神经网络的压边力优化控制专家系统

说明了压边力优化控制模糊神经网络专家系统的总体结构框架及系统各模块的功能 ,对模糊神经元的选取、模糊神经网络的构造和模糊神经推理机制进行了深入的阐述 ,针对板料拉深过程中的变量选取了模糊神经网络的输入输出参数 .在板料拉深过程中 ,应用压边力优化控制模糊神经网络专家系统实现了冲压成形过程的智能化控制 .

基于模糊神经网络的升温超塑性成形工艺参数优化

为了解决恒温超塑性成形工艺效率低的问题,本文提出了一种升温超塑性成形的新工艺方法,并用模糊神经网络对升温超塑性胀形成形的工艺参数进行优化,得出了优化后的TC4钛合金升温超塑性胀形成形工艺的加载曲线,利用优化后的成形工艺参数进行了某航空器用TC4钛合金薄板盒形件的升温超塑性胀形成形试验。试验结果表明:与恒温超塑性成形相比,此工艺可以显著地缩短成形时间,在本文试验条件下每个零件可以缩短成形时间10min,并可改善材料的成形性,获得厚度分布均匀(厚度分布不均匀率<8%)的成形零件。基于模糊神经网络方法进行成形工艺参数优化的升温超塑性成形方法可在实际生产中应用。

基于自适应遗传粒子群优化模糊神经网络的疲劳驾驶预测模型

为提高疲劳驾驶的预测精度,提出了基于减法聚类和遗传粒子群优化模糊神经网络的疲劳驾驶预测模型。根据训练样本,利用减法聚类确定网络结构和初始参数;借助于进化速度因子,采用自适应遗传粒子群算法优化网络参数。利用疲劳驾驶实车模拟实验获得的数据,对该模型进行了训练和测试,并将结果与传统的粒子群、遗传和反向传播算法进行对比。结果表明,该模型不仅精简了网络结构,缩短了训练时间,而且减小了全局误差,提高了预测精度。