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。

基于有效性分析的自组织模糊神经网络建模方法

提出了一种基于有效性分析的自组织模糊神经网络(self-organizingfuzzyneural network based on effectiveness analysis, SOEFNN)建模方法。首先,提出了一种针对模糊规则的有效性评价指标,利用样本与规则层输出之间的映射关系进行网络模型的有效性分析,通过累积触发的方式实现相应模糊规则的增加或删减,使网络模型在能够处理复杂非线性问题的同时降低其冗余性,使模型更为紧凑。采用梯度下降算法对网络模型进行训练。然后,对所提出的SOEFNN模型进行非线性系统仿真实验和污水处理过程中的出水生化需氧量预测建模,并与其他自组织模糊神经网络模型进行对比。仿真结果表明,所提出的SOEFNN模型能够很好地实现结构和参数的自适应调整,并且具有较好的逼近能力。

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。

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。

动态神经网络自组织模糊控制在交流调速系统中的应用研究

利用动态神经网络所具有的并行处理、分布式信息存贮、自学习自适应的特点,实现了对结构复杂、干扰大且控制精度要求高的变频调速系统的控制.仿真结果表明,控制方法具有很强的自学习和抗干扰能力.与PID控制作对比研究的结果表明,神经模糊控制超调小、响应快、无静差、鲁棒性强,具有较好的动、静态品质.

基于模糊神经网络的数字媒体数据自动化采集系统设计

为了改善数字媒体数据传输效果,确保系统安全、稳定运行,设计基于模糊神经网络的数字媒体数据自动化采集系统。构建数字媒体数据自动化采集系统框架,数据采集层利用数据采集卡获取不同渠道的数字媒体数据,由数据处理层的数据融合模块调用改进模糊神经网络算法完成数字媒体数据的融合处理后,通过数据传输层的分层自组织无线网络将其传输至存储应用层,实现数字媒体数据的存储、查询、显示与输出。实验结果表明:该系统采集的音频信号波形规律、曲线平滑、功率均值波动误差在(0,0.14),满足允许误差范围;数据传输效果优于采用DSR协议的单点传输方式,当数字媒体数据源为3时,平均峰值信噪比指标最高;具有数字媒体数据查询功能。

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。

基于动态模糊神经网络的机床时变定位误差补偿

为提高数控机床的定位精度,提出基于动态模糊神经网络进行数控机床时变定位误差补偿的方法。针对数控机床定位误差影响因素复杂、模糊规则难于获取的情况,改进动态模糊神经网络,使其能够应用于多输入多输出系统,并实现模糊规则的自动在线辨识与生成。通过测量机床温度和定位精度,应用改进后的动态模糊神经网络建立机床时变定位误差预测模型。运用该模型对数控机床进行定位误差补偿试验,并与径向基神经网络模型补偿的效果进行比较,结果显示,基于动态模糊神经网络的数控机床时变定位误差预测模型精度高、泛化能力强、鲁棒性优,适用于对数控机床定位误差的长时间、高精度的实时补偿。

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.

动态模糊神经网络及其快速自调整学习算法

针对非线性动态系统辨识和控制的特点,对4层模糊神经网络进行了优化和改进.形成了动态模糊神经网络,提高了网络的稳定性和对动态系统的辨识能力,同时给出了基于Lyapunov函数稳定收敛定理的各权向量以及权矩阵学习速率的自适应调整算法.应用于非线性动态系统的辨识和控制仿真试验表明,改进后的动态模糊神经网络与模糊神经网络相比,可取得更好的辨识精度和跟踪控制效果.

模糊自组织神经网络在航空发动机故障诊断中的应用

介绍了模糊自组织神经网络在航空发动机故障诊断中的应用方法 ,并通过实例验证了该方法在发动机故障分类中的实用性。该方法具有结构算法简单、无监督自学习和侧向联想等功能。它有很好的应用前景 ,可以广泛应用于发动机的故障诊断。

基于粒子滤波的自组织模糊神经网络算法研究

为了得到结构更加紧凑、泛化性能更强的自组织模糊神经网络,提出了基于粒子滤波(particle filter,PF)的自组织模糊神经网络训练算法。其能够对模糊规则进行自动生成和增删。文中给出了模糊规则生成准则,应用误差率下降方法作为模糊规则增删策略,删除作用不大的规则。建立了以隶属函数宽度参数为状态,以理想输出为量测的动力学模型,利用PF对参数进行了学习。最后,对两个实例进行了仿真,从仿真结果可以看出,与D-FNN、SOFNN、EKF-SOFNN等算法相比,其在结构紧凑性以及泛化性能上都得到了提高,从而证明了PF-SOFNN的有效性。

基于动态模糊神经网络的产品成本估算

针对在产品方案设计阶段成本估算信息少且颗粒度大的问题,结合神经网络和模糊工程技术提出了动态模糊神经网络(DFNN),采用模糊推理的信息处理方法,在学习过程中隐层层数及维数根据规则不断变化,神经网络结构呈现动态.研究了动态模糊神经网络的学习过程、网络动态算法及模糊知识处理方法,建立了成本估算模型,并开发了基于动态模糊神经网络的成本估算软件,实现了利用产品方案设计信息自动进行成本估算.以挖掘机和液压油缸为例进行验证,结果表明该方法具有较强的信息处理能力,并提高了成本估算模型的柔性.

基于广义动态模糊神经网络的短时车站进站客流量预测

针对轨道交通车站短时进站客流的不均衡性、高度非线性和时变性特点,结合逻辑推理能力强的模糊技术与自学习能力强的神经网络,提出一种基于广义动态模糊神经网络(GD-FNN)的短时进站客流量预测方法。以北京轨道交通各车站的进站客流量数据为例,分析轨道交通车站的进站客流特征,确定影响短时客流分布的主要因素;然后采用GD-FNN方法构建车站短时进站量的预测模型,实现对北京轨道交通系统若干车站进站量的预测。预测结果表明:该方法与传统的神经网络相比,预测效果更准确(最大相对误差小于8%),稳定性好。

精密机械热动态误差模糊神经网络建模研究

结合模糊逻辑与人工神经网络的优点,提出精密机械热动态误差的模糊神经网络模型,并在多变量模糊模型后件结构与参数辨识中提出了主分量分析建模的新方法.基于语言控制规则的模糊模型,采用模糊推理方法,建模的关键在于结构辨识和参数辨识.采用主分量分析方法可有效地辨识模型后件的结构与参数.为克服建模用的有效数据量少于后件参数,而无法建立相应的模糊模型这一问题,采用一种多变量系统的模糊神经网络建模方法,利用神经网络具有学习的能力,通过使用适当数量的具有充分激励信息的优选数据组作为学习样本对神经网络进行训练,从而建立起模糊神经网络模型.当辨识的模型精度达不到要求时,可应用模糊神经网络的多次训练获取更高的模型精度.实测数据建模表明,模糊神经网络模型能有效地描述热动态误差.

脉冲GTAW熔池动态过程模糊神经网络建模与控制

展示了模糊推理与神经网络结合在脉冲 GTAW熔池动态过程智能控制中的应用研究结果 .建立了脉冲 GTAW平板对接动态过程特征 :正反面熔池的最大宽度、长度与面积等参数的神经网络模型 ,基于实验数据采用模糊辨识方法提取焊接过程的模糊控制规则 ,进而设计了具有自学习适应能力的模糊神经网络控制器 .建立了脉冲 GTAW熔池动态过程智能控制系统 。

基于广义动态模糊神经网络的光伏电池MPPT控制

依照最大功率点跟踪(MPPT)的原理,在综合考虑各种不同的控制方法优缺点的基础上,提出了一种新的基于椭圆基的广义动态模糊神经网络(GD-FNN)的光伏电池的智能控制方法。通过GD-FNN算法调节PWM的占空比来控制光伏电池的输出电压,实现阻抗匹配,达到能量的最优化。仿真结果表明,这种控制方法能够有效地跟踪到电池的最大功率,并且具有较好的稳定性。

一种新型的动态模糊神经网络算法

为了解决模糊系统中的知识抽取问题和避免初值选择的任意性,提出一种新型的动态模糊神经网络算法。运用规则产生准则时,考虑输出误差和可容纳边界的有效半径这2个重要因素;通过分级学习法,大大提高学习的有效性,加之参数的调整只限于线性参数,没有迭代学习,因而学习速度很快,这使算法应用于实时学习成为可能;非线性参数是由训练样本和启发式方法直接决定的。利用D-FNN来进行Mackey-Glass混沌时间序列预测实验。仿真结果表明D-FNN算法的有效性和实用性。

基于UKF的自组织直觉模糊神经网络

模糊集在语义描述上存在不足,因此,如何对模糊神经网络进行扩展是当前模糊神经网络研究的热点,针对这一问题,本文提出了基于UKF的自组织直觉模糊神经网络.首先,给出了直觉模糊神经网络的结构和各层的含义;其次,推导了直觉模糊神经网络的学习算法,用LLS和UKF分别学习线性和非线性参数;然后,给出了模糊规则生成的准则,并用误差下降率方法作为规则修剪的策略,删除作用不大的规则;最后,通过典型的函数逼近、系统辨识和时间序列预测实例,表明本文算法得到的直觉模糊神经网络的结构更为紧凑,泛化性能也更佳.