基于和声搜索优化多T-S模糊神经网络的聚合釜过程软测量建模

根据多个模型相加可以提高整体预测精度和鲁棒性的思想,提出一种基于模糊C均值聚类算法的多T-S模糊神经网络模型对聚氯乙烯(polyvinylchlorid,PVC)聚合生产过程中的氯乙烯(vinyl chloride monomer,VCM)转化率和转化速率进行预测。首先采用主元分析来对软测量模型的辅助变量进行选择以降低模型维数,并提出和声搜索和最小二乘法相结合的混合优化算法来优化T-S模糊神经网络子模型的结构参数。仿真结果表明该模型能够显著提高PVC聚合过程中经济技术指标预测的精度和鲁棒性,可以满足聚合釜生产过程的实时控制要求。

基于T-S模糊神经网络的光伏发电机组自动控制

光照情况变化会使光伏发电机组功率呈现不稳定性,加大光伏发电机组控制难度,为此,设计了基于T-S模糊神经网络的光伏发电机组自动控制方法。构建光伏阵列数学模型,分析在均匀和不均匀2种光照情况下光伏发电机组特性曲线。以分析结果为依据,采用T-S模糊神经网络构建光伏发电机组自动控制模型。为保证良好的控制效果,引入定比因子优化隶属度函数,输出最佳跟踪结果,结合最佳跟踪结果和自动控制模型实现光伏发电机组自动控制。测试结果显示,该方法能够完成光伏阵列特性分析,控制效果好。

基于PCA-T-S模糊神经网络底板破坏深度预测

针对底板破坏深度影响因素较多、数据之间相关性较强的特点,选用了主成分分析法对原始数据进行降维处理,提取出主要指标信息;基于T-S模糊神经网络具有拟合性能强、预测准确度高的优点,建立PCA-T-S模糊神经网络模型。通过阅读大量文献资料,选取了煤层埋藏深度、煤层倾角、煤层开采厚度、工作面斜长、底板抗破坏能力以及断层的存在性作为底板破坏深度的主要影响因素,选取24组数据进行模型训练,建立预测模型,并对8组数据进行预测,通过与传统T-S模糊神经网络模型及“三下”开采规范收录公式进行对比,分析PCA-T-S模糊神经网络预测模型优于其它两种方法,预测的最大相对误差仅为15.25%.为底板破坏深度预测提供了一种新的预测方法。

基于模糊神经网络的电网消防预警算法

针对传统基于阈值判别方法的电网火灾预警系统预测精度低、抗干扰能力弱的问题,提出了一种基于模糊神经网络的电网消防预警算法。该算法利用神经网络学习大规模电网数据,使用模糊逻辑推理算法来提升预测结果的推理能力,并通过结合神经网络对大规模数据的学习能力和模糊逻辑算法的推理能力来分析电网线路参数,从而提升电网消防预警系统的精度和抗干扰能力。实验与仿真结果表明,所提出方法能显著提升电网火灾的预警精度,且使用模糊逻辑推理可以得到更符合实际情况的电网火灾预警结果。

基于模糊BP神经网络的智能轮椅BLDCM控制

现阶段多数轮椅电机仍使用传统PID控制,该控制方式存在控制精准度较低、超调量较大以及抗扰动能力差等问题。为解决以上问题,通过对无刷直流电机进行研究,在分析了其控制方法后,提出一种基于模糊BP神经网络的BLDCM控制方法。首先,研究了BLDCM结构并搭建数学模型。其次,在模型基础上构建了模糊BP神经网络PID控制器。最后,在Matlab/Simulink中搭建整个电机控制系统进行三种不同工况下的运动控制仿真,并与传统PID控制算法进行对比。实验结果表明:模糊BP神经网络PID控制策略能获得更好的PID控制参数,具有良好的抗扰动能力,有效的改善了整个轮椅控制系统的动态性能。

自适应模糊神经网络多信息融合串联型电弧故障检测方法

针对低压交流串联电弧故障因其特殊性难以识别的问题,在实验室建立了实验平台,采集不同负载下的正常和电弧故障的电流波形数据,提出一种自适应模糊神经网络(adaptive neuro fuzzy inference system,ANFIS)多信息融合串联型电弧故障检测方法,通过多层次特征参数提取,对自适应模糊神经网络进行训练、测试。结果表明,该方法可以有效地克服反向传播(back propagation,BP)神经网络故障诊断中收敛速度慢、误差精度大的缺点,得到更为精准、理想的诊断结果。

基于T-S模糊神经网络的飞行学员飞行技能评价模型构建研究

为准确评价飞行学员飞行技能的优劣,在分析飞行学员起落航线各飞行阶段任务的基础上,参照飞行训练手册并结合与教员的访谈,建立了飞行学员飞行技能评价指标体系。运用T-S模糊神经网络搭建的飞行技能评价模型实现对飞行学员飞行技能评价,采集118名飞行学员飞行数据(有效数据110组),80组数据用于训练模型,30组数据用于测试,以验证模型评价的适用性和精确度。结果表明:T-S模糊神经网络具有很好的学习效率,评价飞行学员飞行技能准确度为976%,该方法构建出的评价模型应用于飞行学员飞行技能评价有效可行。

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。

基于模糊神经网络的氢液化氦气压力PID控制

为了解决氢液化装置氦气压力调节系统超调量大、响应速度慢、调节时间长、控制参数无法在线整定等问题,针对系统具有非线性和时变性的特点,设计了基于模糊神经网络的PID控制器以及基于双曲正切函数的改进型激活函数。仿真结果表明:相比传统PID控制或模糊PID控制,采用模糊神经网络PID控制的系统动态性能显著改善,使得氢液化装置的氦气压力调节更加稳定可靠。

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。

基于模糊神经网络的无人机数据传输时延控制模型

传输信道状态若是处于拥塞状态,会使得无人机数据传输时延大幅度增加,所以构建基于模糊神经网络的无人机数据传输时延控制模型;考虑直射、散射和反射等现象确定无人机数据传输信道,计算无人机数据传输信道传输时延,综合能量消耗、时延等因素判断无人机数据传输信道是否处于拥塞状态;利用基于模糊神经网络的时延控制模型生成时延控制指令,通过扩频调制、拥塞调度和队列管理等步骤,实现无人机数据传输时延控制;实验结果表明,在该模型控制下无人机数据传输时延达到预期水平,控制误差约为0.03 s,且未对数据传输进程产生明显不利影响,控制效果更好。

基于强化学习算法的神经网络模糊测试技术优化研究

现有神经网络模糊测试技术在测试样本生成阶段通常对初始样本进行随机变异,导致生成样本质量不高,从而测试覆盖率不高;针对以上问题,提出一种基于强化学习算法的神经网络模糊测试技术,将模糊测试过程建模为马尔可夫决策过程,在该模型中,测试样本被看作环境状态,不同的变异方法被看作可供选择的动作空间,神经元覆盖率被看作奖励反馈,使用强化学习算法来学习最优的变异策略,指导生成最优测试样本,使其能够获得最高的神经元覆盖率;通过与现有的主流神经网络模糊测试方法的对比实验表明,基于强化学习算法的神经网络模糊测试技术,可以提升在不同粒度下的神经元覆盖。

基于模糊神经网络PID变压器恒温箱控制系统研究

针对变压器油色谱恒温箱对温度精细化的要求以及分析现有成熟的温度控制方法,提出了模糊神经网络PID控制进行优化,实现了对温度的可靠控制。系统将温度的误差e和误差率e(c)通过模糊化输入,依据隶属函数和模糊规则推理得到PID调控因子,再利用BP神经网络以梯度下降法对隶属中心值和基宽和权值进行学习训练。通过使用Matlab软件对传统PID、模糊PID和模糊神经网络PID三种模式进行仿真,得到模糊神经网络PID控制模式具有响应速度快、控制精准高、抗干扰性好、收敛速度和系统的鲁棒性优秀等优势。能够有效地改善恒温箱系统温度控制的性能。

基于快速傅里叶变换和改进T-S模糊神经网络集成模型的逆变器开路故障诊断方法研究

针对受负载扰动和测量噪声影响,逆变器开路时的故障边界间、故障与特征间存在交叠和模糊性问题,在对逆变器功率管开路故障特征的分析基础上,提出基于快速傅里叶变换和改进T‑S(Takagi‑Sugeno)模糊神经网络集成模型的逆变器开路故障诊断模型。首先,依据快速傅里叶变换分析逆变器的三相输出电流波形,提取功率管发生不同类型开路故障时的故障特征;其次,采用规则自分裂技术和模糊C均值设计T‑S模糊神经网络的前件网络的隶属函数层;然后,依托自适应Levenberg‑Marquardt算法对T‑S网络参数进行训练;最后,利用训练后的T‑S网络实现逆变器功率管的多种故障类型与位置的诊断。实验结果表明,所提出模型的诊断准确率高达96%,能够显著改善逆变器功率管开路故障诊断时所存在的问题。

基于RBF神经网络与模糊控制的短期负荷预测分析

短期负荷是电力系统调度中十分重要的内容,并且传统的负荷预测将线性建设作为基础,但是这样预测精准度较低,很难满足电力系统稳定运行的需求。对此,在短期负荷预测期间,为了取得良好的结果,将RBF神经网络与模糊控制作为基础,通过利用仿真实验平台,构建网络模型,并且利用以往的短期负荷数据展开预测工作,这样预测结果产生偏差的几率相对较小,取得相对较为理想的结果。基于此,本文主要分为三个部分,首先对RBF神经网络与模糊控制的相关概述进行了分析,其次阐述了RBF神经网络与模糊控制在短期负荷预测中的具体应用,最后利用实例对RBF神经网络与模糊控制的应用进一步的验证,充分说明RBF神经网络与模糊控制具有较强的可靠性,确保电力系统运行的稳定性。

基于模糊神经网络的一体化监测设备可靠性评价

为了实现对一体化监测设备的可靠性综合评价,基于T-S模糊神经网络的方法,以时效性、粗差占比、采样间隔、误报次数4个指标作为输入向量,利用T-S模糊系统的数据处理能力、神经网络的非线性拟合能力及MATLAB软件编程,构建一体化监测设备的综合评价模型。将训练好的T-S模糊神经网络模型与BP神经网络模型同时用于6组监测设备的预测,从数值模拟与应用的情况可以看出,普适型设备略强于一体化监测设备,与实际情况相符。该方法在一体化监测设备的评价方面具有可行性和实用性,可以作为该设备在实践应用过程中可靠性的依据。

基于模糊神经网络的农机自动转向系统的设计

现代农业生产中要求农业机械在田间工作过程中可实现实时、高效的控制性能。为此,基于模糊控制规则的模糊神经网络控制器,利用遗传算法(Genetic Algorithm,GA)进行人工神经网络模型的优化,对拖拉机转向系统进行优化设计,得到农业机械田间工作时目标输出和实际输出的仿真曲线。基于东方红拖拉机搭建试验平台,进行了输出响应测试和角度测试,并通过MatLab仿真对控制系统的性能进行了分析。研究结果表明:模糊控制规则的模糊神经网络控制器和基于遗传神经网络的改进算法能有效缩短农业转向系统的响应时间,减少超调量,提高转向精度,是一种更加有效的田间作业的控制方法。

基于多层模糊神经网络的消防预警系统设计

针对城市消防预警能力有待提升的问题,分析了城市消防远程监控系统的数据构成特征。阐述了以消防巡查射频打卡数据和温度数据为挖掘重点的数据预警逻辑架构。采用多项式和对数深度迭代回归模糊算法,将输出值导入到预警结果整理模块后,通过模糊矩阵法生成模糊预警的方法,设计不同时间值域的本地双列数据。同时,约束当前时间点,并使用外部全城其他节点数据形成的参照矩阵,构建仿真设计方案。通过真实数据的仿真测试验证,该系统在不同消防预警级别下的敏感度、特异度均满足要求。与可查参考文献中其他机器学习算法对比发现,该系统的火情预警系统最优值相比更优。该系统拥有可置信的统计学优势。

面向时变复数的模糊归零神经网络算法

【目的】为了求解时变复数西尔维斯特方程(Sylvester equation),提出两种全新的复值模糊归零神经网络(fuzzy logic system for zeroing neural network, FLSVZNN)模型。【方法】首先,在两种复数归零神经网络(complex-valued zeroing neural network, CVZNN)模型的基础上,引入模糊逻辑系统(fuzzy logic system, FLS)来控制信号的处理,从而提出两种FLSVZNN模型;然后,利用李亚普诺夫定理(Lyapunov's theorem)来分析模型的稳定性和收敛速度;最后,通过仿真试验来进一步验证FLSVZNN的优越性能。【结果】在求解时变复数西尔维斯特方程时,相比传统的神经网络模型,使用改进的符号双幂(sign-bi-power, SBP)函数来激活的FLSVZNN模型具有更好的收敛性和稳定性,可使误差函数在0.3 s左右收敛至0。【结论】本研究提出的两种FLSVZNN模型能快速求解时变复数西尔维斯特方程,这可为神经网络模型的建立及工程应用提供参考。

基于变权模糊综合法与人工神经网络的地铁车辆转向架系统健康状态评价

[目的]相较于现代地铁车辆普遍采用的计划修和故障修的维修模式,状态修可以在优化维修策略和成本的同时,把握车辆系统的健康状态和运行情况。为实现状态修,需对车辆系统健康状态进行准确评价。[方法]以地铁车辆转向架系统为对象,对其健康状态的评价方法进行深入研究。依据转向架系统组成具有层次性的特点,以劣化度为依据,将层次分析法和变权理论相结合,根据模糊综合评判思路,建立基于劣化度的地铁车辆转向架健康状态变权模糊综合评价模型,提出建模流程;通过选取的地铁车辆转向架系统健康状态评价指标对其进行健康状态评估,获得样本数据;利用样本数据对BP神经网络、支持向量机和随机森林三种不同的人工神经网络进行训练,利用实际测试数据判断三种不同类型人工神经网络的评价效果。[结果及结论]随机森林模型对地铁车辆转向架系统健康状态的识别能力最强,可实现对地铁车辆转向架系统的智能化健康评估。