基于减法聚类的模糊神经网络负荷建模

负荷模型是决定电力系统仿真结果可信度的关键因素之一,本文从非机理模型的角度,提出一种基于减法聚类的模糊神经网络的负荷建模新方法。首先对建模样本输入输出数据进行特征分析,建立其山峰密度函数,应用减法聚类自适应的调整建模数据的聚类数和聚类中心,以确定负荷模型的模糊规则数和隶属度函数个数。在此基础上建立综合负荷模型的模糊初始结构。通过神经网络对推理数据进行学习,获取模糊推理规则,同时调整隶属函数的参数,用反向传播算法来修正网络的连接权重,辨识模糊模型的隶属函数的参数,完成综合负荷的非机理建模。通过对实测综合负荷的有功和无功建模实例,证明了该方法具有很高的拟合精度和收敛速度,对负荷建模具有重要的指导意义。

基于减法聚类及自适应模糊神经网络的短期电价预测

提出了基于Takagi-Sugeno模型的自适应模糊神经网络的短期电价预测方法。首先采用减法聚类方法确定自适应模糊神经网络的结构,然后利用混合学习算法训练该网络的前件参数和结论参数,最后将影响未来日电价的相关因素输入到训练好的自适应模糊神经网络中进行电价预测。以美国加州电力市场公布的1999年负荷与电价数据进行模型训练和预测,结果表明采用该方法所建立的预测模型具有较高的预测精度。

基于减法聚类和自适应模糊神经网络方法的运动规划器设计

使用减法聚类和自适应模糊神经网络方法设计了一种水下机器人运动规划器。根据输入输出数据的特性,用减法聚类算法,自适应地确定模糊系统的初始结构和参数,提出将模糊神经系统参数分解为非线性前提参数和线性结论参数并分开辨识。采用梯度下降算法和最小二乘算法分别进行自适应模糊推理系统前后件参数的优化,提高了参数的学习效率。仿真结果表明:在相同的仿真环境下,所设计的自适应模糊神经网络运动规划器的规划效果要好于模糊运动规划器。

基于减法聚类模糊神经网络高速公路混沌控制

研究了基于减法聚类的高速公路混沌系统模糊神经网络控制方法.提出通过数据挖掘技术建立交通流混沌控制器知识库的思想,设计了以密度、上游流量和最大李亚普诺夫指数作为输入,红灯时间作为输出的T-S模糊神经网络混沌控制器.采用减法聚类确定控制器结构提取模糊规则、控制器初始参数;应用模糊神经网络方法对控制器参数进行优化;结合遗传算法对聚类半径进行优化.仿真实验分析了该控制方法的控制效果,证明了该混沌控制方法的有效性.

基于减法聚类模糊神经网络的砂土液化势判别

砂土地震液化问题是岩土地震工程学的重要研究课题之一。在分析模糊神经网络原理的基础上,利用减法聚类算法对自适应模糊推理系统进行优化,并建立了砂土地震液化的模糊神经网络模型。然后,将该模型用于实际工程的砂土液化判别中,并与传统砂土液化判别方法结果进行对比。判别结果表明:文中建立的模糊神经网络模型具有较强的学习功能,用于砂土地震液化判别中是可行的和有效的。

利用减法聚类的自适应模糊神经网络客观评定织物起皱等级

本文提出一种基于减法聚类的自适应模糊神经网络 ,用于织物起皱等级评定。首先利用减法聚类方法确定模糊神经网络的结构 ,再结合模糊推理系统进行模式识别 ,并详细介绍其基本原理和学习算法 ,最后引入四种起皱特征参数对真实织物进行验证 ,实验表明该方法是有效。

基于减法聚类的模糊神经网络转炉终点温度预报模型

分析了对转炉终点温度的影响因素,利用减法聚类自动确定模糊规则的数目,建立了模糊神经网络系统预报转炉终点温度.结果表明,该方法建立的模型能够对终点温度进行较好的预报,误差在±4℃以内的命中率可达25.49%;预报误差小于±20℃的炉数可达84.31%.

基于减法聚类的自适应模糊神经网络的短期负荷预测

论述了基于减法聚类的自适应模糊神经网络(ANFIS:adaptiveneuro-fuzzyinferencesystem)的短期负荷预测方法.利用减法聚类的方法确定了自适应模糊神经网络的结构,再结合最小二乘估计法和反向传播算法对参数进行训练.向训练好的自适应模糊神经网络输入相关的影响因素数据进行预测.预测结果显示,自适应模糊神经网络能比人工神经网络获得更高的预测精度和耗费更少的训练时间,所以有更好的使用价值.

基于减法聚类的自适应模糊神经网络评定织物起皱等级

提出了一种基于减法聚类的自适应模糊神经网络,用于织物起皱等级评定.首先利用减法聚类方法确定模糊神经网络的结构,再结合模糊推理系统进行模式识别,并详细介绍了其基本原理和学习算法,最后引入4种起皱特征参数对真实织物进行验证.实验表明,该方法有效且可行.

基于减聚类和T-S模糊神经网络的转台故障诊断系统

在分析转台故障类型和机理的基础上,针对故障与征兆之间的复杂非线性映射关系,提出了一种基于减聚类的T-S型模糊神经网络故障诊断方案。首先建立了转台故障底事件与征兆信号的明确对应关系,并以清晰数值形式表述专家的诊断经验;然后在减聚类算法中引入权值的概念,获得简约规则表;接着利用抗噪声训练方法训练网络,使其能够克服一定幅值内的噪声干扰;最后利用含噪声数据和测试数据分别试验。试验结果表明:该方法能有效减少诊断规则的数目,准确地实现故障识别,对噪声的容错能力强,有很强的工程实用性。

基于减聚类模糊神经网络的企业创新人才全面孵化管理评价研究

为提升创新人才全面孵化管理,促进企业可持续发展,对企业创新人才内涵进行分类并分析了全面孵化管理的内涵,构建了企业创新人才全面孵化管理概念模型,设计了基于减聚类模糊神经网络(SC-FNN)的企业创新人才全面孵化管理(TIM)评价体系,可为企业创新人才的全面孵化管理提供理论依据与决策借鉴。

基于模糊粗糙集与改进聚类的神经网络风速预测

提高风电功率预测精度是保障风电场和电力系统安全稳定运行的有效手段。神经网络方法已在风电功率预测中得到了广泛应用,并取得了不错的效果,而网络的输入变量与训练样本对其预测性能有着重要影响。基于此,提出一种基于模糊粗糙集与改进聚类的神经网络风速预测方法。采用模糊粗糙集对影响风电场风速的多种因素进行了属性约简,得到优化了的模型输入及各属性对风速的重要性;采用基于属性重要性的加权欧氏距离对传统聚类进行改进,建立了各聚类预测模型,并提取相似性较高的数据作为训练样本训练各类预测模型,对训练样本实现了优选;根据当前属性值选择匹配的模型对风速进行预测。以华北地区某风电场实际数据为例进行了实验,结果表明该方法能在较少的模型输入下有效地提高预测精度。

基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测

提出基于小波分解、模糊灰色聚类和BP神经网络的短期负荷预测方法。通过小波分解将负荷序列分解成低频分量和高频分量,找出负荷各频率分量的规律;通过模糊灰色关联聚类方法选取待预测日的负荷相似日;针对不同频段负荷的规律采用相对应的神经网络模型进行负荷预测,获得不同频段的待预测日负荷各分量,将各分量的预测结果叠加得到负荷预测值。采用所提方法对某地区2010年实际负荷进行预测,并与已有的负荷预测方法比较,结果表明所提方法可提高负荷预测的精度。

基于熵聚类模糊神经网络味觉信号识别系统的研究

提出了一种基于熵聚类的模糊神经网络味觉信号识别系统模型 ,该模型利用聚类方法实现模糊输入空间划分和模糊IF THEN规则提取 ,并使用梯度下降法对系统参数进行精炼 系统兼具有良好的可解释性和学习能力 ,对 1

基于模糊聚类的神经网络模型及其在渗流分析中的应用

本文采用模糊聚类理论方法对因子集进行模糊聚类 ,然后利用神经网络的方法建立样本因子集类别变量特征值与样本观测值之间的预测模型 ,提出了将模糊聚类、模糊模式识别以及神经网络三者有机结合的预测理论。并通过某大坝渗流计算实例对传统的统计预报模型和基于模糊聚类的神经网络预测模型进行了比较 ,结果表明后者的预报精度比前者要高。

基于模糊聚类与神经网络的柴油机技术状态评价方法研究

对在正常工作条件下不同使用时间的某型装甲车辆柴油机进行了实车测试试验,提取了评价柴油机技术状态的特征向量;阐述了模糊聚类和神经网络的原理;根据技术状态不同,利用模糊聚类的方法将所测柴油机分成了5类,将分类结果作为神经网络模型训练样本理想输出值的确定依据;利用RBF-BP组合神经网络建立了基于多参数测试的柴油机技术状态评价模型,并对部分柴油机进行了技术状态评价。结果表明,神经网络评价结果与分类结果是一致的,基于神经网络的技术状态评价模型具有推广应用价值。

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。

油气识别的模糊聚类与遗传神经网络技术

为了解决遗传BP神经网络在储层油气识别中存在的问题,采用改进的遗传算法优化了RBF网络的连接权值及结构,不仅解决了神经网络易陷入局部最优的问题,而且提高了网络的泛化性能.针对储层性质差别大会影响油气识别精度的问题,给出基于马氏距离的模糊聚类方法,对原样本空间按储层性质聚类得到了新的样本空间,并以常规测井和录井资料作为网络的输入参数进行了油气识别.通过样本的聚类处理,提高了遗传神经网络映射的精度.

基于模糊C均值聚类的模糊RBF神经网络预测焊接接头力学性能建模

针对焊接过程的高度非线性,多种因素的复杂交互作用,难以预测焊接接头力学性能的问题和常用反馈(Back propagation,BP)神经网络的不足,利用模糊C均值(Fuzzy C-means,FCM)聚类算法和伪逆法相结合,建立焊接接头力学性能模糊径向基(Radial basis function,RBF)神经网络预测模型。以TC4钛合金惰性气体钨极保护焊(Tungsten inert gas arc welding,TIG焊)焊接工艺参数(焊接电流、焊接速度和氩气流量)作为模型的输入参数,以焊后力学性能(抗拉强度、抗弯强度、伸长率、焊缝硬度和热影响区硬度)作为模型的输出参数。利用27组试验数据对所建模型进行学习训练,用另外9组试验数据进行仿真。结果表明,利用该方法所建模型具有结构稳定、训练速度快、适应性强、鲁棒性好、预测精度高的特点,能够预测焊接接头力学性能。通过数学解析,用函数形式表达焊接工艺参数与接头力学性能之间的规律,可以优化焊接工艺参数,为调控焊接接头的质量提供依据。

一种新的模糊聚类神经网络及其在水资源评价中的应用

本文在工程模糊集理论的基础上,融合香努(Kohonen)聚类网络与自适应谐振理论(AdaptiveResonanceTheory ,ART)的优点给出了一种新的模糊聚类神经网络,并将其应用于区域水资源评价中。网络模型融入模糊识别理论,增强了处理复杂水资源问题的能力,同时模糊竞争的学习算法改善了Kohonen网络学习效果。结合ART理论使得网络模糊类别数可以增加,因此具有较强的可塑性。最后。