基于参数动态调整的动态模糊神经网络的软件可靠性增长模型

利用遗传算法对动态模糊神经网络的自身参数进行动态调整(GA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。在对动态模糊神经网络进行训练的过程中,用遗传算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。利用3组软件缺陷数据,对用GA-DFNN建立的SRGM和模糊神经网络(FNN)以及BP神经网络(BPN)建立的SRGM的预测能力进行了比较,仿真结果证实,根据GA-DFNN建立的SRGM的短期预测能力稳定,短期预测误差小,且具有一定的通用性。

自组织递归区间二型模糊神经网络在动态时变系统辨识中的应用

针对动态时变系统辨识过程中存在噪声干扰的问题,本文将区间二型模糊集结合到递归神经网络中,提出了自组织递归区间二型模糊神经网络以增强动态时变系统的抗噪能力。该自组织递归区间二型模糊神经网络由前件和后件两部分构成:前件为区间二型模糊集模型,用于将每个规则的激活强度反馈到自身构成内反馈回路,其参数学习采用梯度下降算法;后件为带有区间权值的Takagi-Sugeno-Kang(TSK)模型,其参数学习采用有序规则卡尔曼滤波算法,且网络初始规则数为零。所有规则均通过结构学习和前后件参数同时在线学习来产生,其网络结构学习采用的是在线区间二型模糊群集。为验证提出的神经网络的优越性,将其应用到单输入单输出动态时变系统的辨识中。实验结果表明,相对于前馈一型/二型模糊神经网络、递归一型模糊神经网络,该神经网络的辨识能力强,即使在存在白噪声的条件下,也能减小测试及训练误差。

基于结合模拟退火算法的动态模糊神经网络的软件可靠性增长模型

利用模拟退火算法对动态模糊神经网络的自身参数进行动态调整(SAA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。用软件失效数据在对动态模糊神经网络进行训练的过程中,用模拟退火算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。根据3组软件缺陷数据,将SAA-DFNN建立的SRGM与模糊神经网络(FNN)、BP神经网络(BPN)、G-O模型建立的SRGM的预测能力进行比较,仿真结果表明,根据SAA-DFNN建立的SRGM的单步向前预测能力稳定,预测误差小,并具有一定的通用性。

基于动态结构神经网络的自组织模糊控制

给出了一种利用动态结构的BP神经网络进行模糊推理的方法 ,即在学习过程中BP网络的隐层层数和维数不断变化 ,其目的在于使网络性能在训练过程中始终保持最优 ,从而实现规则自组织 ,达到在控制过程中不断优化控制性能的目的。

雷达网数据融合的自组织模糊神经网络模型

对雷达网的数据融合提出了一种自组织模糊神经网络模型 ,分析了该模型的自组织特征及神经元感应场内模糊隶属度函数最大的 WTA竞争机制 .通过二维舰船目标的识别和航迹融合仿真实验 。

结合SVD_TLS及EKF算法的动态自组织模糊神经网络在动态系统中的应用

针对如何优化模糊神经网络的规则及如何合理地调整非线性参数及线性参数等问题,提出了将奇异值分解_总体最小二乘法(SVD_TLS)及扩展卡尔曼滤波(EKF)相结合的动态自组织模糊神经网络(STD_DSFNN)。首先给出了STD_DSFNN的结构及各层的含义;其次,用EKF算法学习非线性参数,SVD_TLS算法学习线性参数的同时提取重要模糊规则;最后,通过典型的Machey-Glass时间序列预测实例验证SVD_TLS及EKF相结合的动态自组织模糊神经网络(STE_DSFNN),同时与DFNN、ANFIS及UKF_DFNN相对比,结果表明STE_DSFNN网络结构更紧凑,具有更好的泛化能力。

半主动悬架模糊动态建模与神经网络控制

进行可调减振器外特性试验,拟合其阻尼系数与步进电动机转角之间的非线性关系,基于模糊动态模型理论,建立车辆半主动悬架模糊动态模型.设计半主动悬架模糊神经网络控制策略,研制半主动悬架模糊神经网络控制器.在仿真的基础上,进行实车道路试验.结果表明,模糊动态半主动悬架模糊神经网络控制有效地衰减车身垂直振动,改善车辆行驶姿态,提高乘坐舒适性及行驶安全性,协调整车综合性能.

模糊神经网络的结构自组织算法及应用

提出了一种新的模糊神经网络自组织算法,该算法能够基于输入输出数据自动进行结构辨识和参数辨识.首先采用一种自组织聚类方法建立起网络的结构和各参数的初值,然后采用监督学习来优化网络参数.通过对非线性函数逼近的分析,证明了该自组织算法的有效性,并与其他算法作了比较.最后,以某污水处理厂的实际运行数据为对象,应用该模糊神经网络建立了活性污泥系统出水水质预测模型,仿真结果表明,该模型能够对污水处理系统出水水质进行较好的预测.

自组织模糊CMAC神经网络及其非线性系统辨识

针对 CMAC的特点 ,提出了联想度的概念 ,并由此设计了一种自组织模糊 CMAC神经网络 ( SOFC-MAC)及其学习算法 ,证明了 SOFCMAC能以任意精度对非线性特性一致逼近。该网络具有学习速度快 ,逼近精度高及局部泛化能力等特点。

基于动态模糊神经网络的超临界机组协调控制

为改善超临界机组的协调控制品质,研究了基于动态模糊神经网络(DFNN)的机组负荷与主汽压特性逆模型建模方法,借助火电机组全范围仿真机获取的仿真数据进行离线建模。以上述模型为基础,提出一种模型离线训练与在线校正相结合的协调系统DFNN逆控制方案,编制了实时控制算法。通过与仿真机进行实时双向数据交换,开展了详细的协调控制仿真试验。结果表明:采用DFNN逆控制,机组在大幅变工况下负荷与主汽压响应的快速性与机组原PID控制相比有较为显著的提高,有效改善了机组的协调控制品质。

基于动态模糊神经网络的建设工程造价估算系统

介绍了建设工程造价估算技术的发展及面临的问题,对神经网络在工程造价估算方面的应用成果进行了总结,提出了基于动态模糊神经网络的建设工程造价估算系统的实现方式及工作模型.

基于自组织模糊神经网络的炭化炉产量预测模型研究

以陕北某大型焦化生产企业的炭化炉为研究对象,在分析其工艺的基础上,通过对已有研究成果的分析,提出了利用兼具自学习特性与模糊处理能力的模糊神经网络来构建炭化炉产量预测模型,又利用具有聚类处理能力的自组织算法对其进行了优化。使用MATLAB软件对模型进行训练和预测仿真,利用自组织模糊神经网络构建的产量预测模型优于一般的模糊神经网络预测模型,是可信赖的炭化炉产量预测模型。

动态模糊神经网络在大坝变形预报中的应用

针对静态模糊神经网络的局限性,提出了在线动态建模的模糊神经网络方法。当新增样本进入训练集之后,根据新样本对模型的贡献大小,在已有模型的基础上进行动态修正,这样可以减少建模的计算时间。新方法实现了增加样本而矩阵阶数不增加,避免了矩阵求逆运算,理论上可以提高计算效率。实例表明动态模糊神经网络方法是可行的,可实现持久预报,具有较强的适应能力和较高的预报精度,可应用于在线实时变形预报及相关领域。

广义动态模糊神经网络对软件质量的预测

软件质量预测是软件质量评价体系中的关键技术,针对软件质量预测过程中难以建立精确数学模型的特点,提出了将广义动态模糊神经网络应用于软件质量预测模型中。以模糊?的完备性作为高斯函数宽度的确定准则,避免了初始化过程中选择的随机性,同时,能对模糊规则和输入变量的重要性作出评价,从而使每条规则的输入变量的宽度可以根据它对系统性能贡献的大小实施在线自适应调整。通过对软件可靠性的仿真实验结果证明,广义动态模糊神经网络不仅适合模糊规则抽取也可用于系统建模,而且具有较高的辨识精度和效率。

基于自组织模糊神经网络的大功率LED调光模型

大功率LED光度输出不仅与操作电流大小有关,且受传热过程的时滞时变不确定因素影响难以预测。针对传统机理建模存在参数提取困难、模型适应性弱等缺点,提出基于模糊神经网络建模算法,从而构建以操作电流、热沉温度、环境温度为输入,光通量为输出的调光模型。模型结构和参数依据在线数据进行调整,通过递推学习,模糊规则得到增量式完善,进而不断逼近实际动态过程。结果表明,利用该方法构建的调光模型与参考模型理论值相对误差小于3%,与其他模型相比,结构更加紧凑,预测精度更高。

递归T-S模糊模型的神经网络

在常规T-S模糊神经网络的基础上加入动态递归元件,提出了递归T-S模糊模型的神经网络。在系统辨识中采用无监督聚类算法和动态反向传播算法训练该递归神经网络的参数,给出了该递归网络的逼近性证明。辨识效果与常规T-S模糊模型作比较,说明递归T-S模糊模型的神经网络在非线性系统辨识中表现出更好的性能。

基于动态模糊神经网络模型预测水稻受砷胁迫下叶绿素的含量变化

为探讨利用动态模糊神经网络模型评价水稻受重金属砷污染胁迫状况,研究了水稻农田在自然生长环境下重金属砷污染对水稻叶片中叶绿素含量的影响,并做出对叶绿素含量变化敏感的植被指数与叶绿素之间的相关性分析,通过多元逐步回归找到与叶绿素含量变化敏感的植被指数NDVI、MNDVI、MTCI、MSR、GNDVI作为动态模糊神经网络的输入参数,水稻叶片中叶绿素含量值作为模型的输出参数建立能够判断水稻污染等级的动态模糊神经网络模型。结果表明,预测的叶绿素含量值与实测的叶绿素含量值拟合度高(R2 = 0.905)。说明可以用动态模糊神经网络模型预测农田的污染等级情况,为大面积监测水稻农田污染提供借鉴的依据。

基于动态模糊神经网络的机炉协调系统建模

火电厂机炉协调控制系统是一个复杂的多变量系统,针对其强耦合的动态特性和难以建模的特点,提出一种网络结构动态变化的动态模糊神经网络算法对超临界机组机炉协调系统进行建模。该算法具有模糊推理能力和学习功能等优点,并且模糊规则是在训练的时候依据系统误差和可容纳边界来逐条产生的,同时也采用了分级学习的方法来提高了网络的学习速度。在分析了机炉协调系统的特性以后,对某电厂超临界机组协调系统现场数据进行预处理,应用该算法进行模型的训练和测试。经过MATLAB仿真验证表明,动态模糊神经网络有很好的泛化能力,且建立的协调系统无参数模型具有很高的精度,该模型可以用于协调系统控制算法的设计。

基于有效神经元的自组织模糊神经网络算法

针对传统神经网络识别率低和泛化能力差的问题,提出了一种改进的自组织模糊神经网络(SOFNN)学习算法。以保存椭球基函数(EBF)层各个神经元的输出及输出之和为依据进行神经元的修改,删除和增加,进而得到网络的有效神经元,并减少样本训练的时间。用最小二乘法(RLSE)估计参数,用梯度下降法修改参数,保证网络收敛。与其他的模糊神经网络相比,在精确度、结构复杂性和抗干扰性方面的优越性,在真实数据集上得到了有效的验证。

基于T-S模糊神经网络的Hammerstein模型预测控制

针对化工生产过程中强非线性、大滞后、时变特点的复杂特性,提出了一种基于T-S模糊神经网络的Hammerstein模型动态矩阵预测控制方法。采用非线性控制分离策略,应用动态矩阵控制算法计算该模型动态线性部分的中间变量,作为T-S模糊神经网络的输入,进而通过T-S模糊神经网络逆映射出控制量,以实现基于T-S模糊神经网络的Hammerstein模型预测控制。pH中和过程的仿真控制实验表明,所提方法明显优于传统的PID控制方法,具有良好的设定值跟踪及抗干扰效果。