改进型T-S模糊神经网络风电功率预测模型的研究

为了提高风电功率的预测精度,在分析其主要影响因素的基础上,针对T-S模糊神经网络收敛速度慢、计算量大等缺点,提出了一种改进型T-S模糊神经网络风电功率预测模型。首先采用椭圆基函数作为隶属函数,扩展其接收域;其次利用模糊C-均值聚类确定其中心值;然后引入惯性项加快网络的收敛速度;最后分别对四季短期风电功率进行预测。仿真结果表明,改进型T-S模糊神经网络有效地提高了短期风电功率的预测精度,具有一定的实用价值。

CGA优化改进型T-S模糊神经网络的三级倒立摆控制

针对三级倒立摆这一典型控制对象,建立了基于CGA优化的改进型T-S模糊神经网络控制器,完成了三级倒立摆的稳摆控制,将CGA与GA优化结果进行了对比,给出MATLAB仿真结果.结果表明:设计的控制器对于三级倒立摆的稳摆控制是有效的,而且CGA算法优于GA算法.

基于改进型T-S模糊RBF神经网络的红外火焰探测器识别算法

针对三波段红外火焰探测器中可能出现的单一非火焰波段通道的数据丢失、失真、饱和3种对火焰特征数据的强干扰情况,本文提出了一种改进型T-S(Takagi-Sugeno,高木-关野)模型RBF(Radial Basis Function,径向基函数)神经网络的火焰识别的鲁棒性融合算法。该算法通过聚类算法确定模型需要的模糊规则数,在模糊后件多项式中加入特征分量隶属度生成节点输出,同时定义了加权模糊节点激活度和特征表征系数代替了原先模型的马氏距离(模糊规则适用度)。通过设计三波段火焰探测器并进行了常规及鲁棒性实验,实验数据证实,改进型模型在隐含层所需节点数、收敛速度、精度、泛化能力、鲁棒性上较传统T-S模型的RBF神经网络模型、GA(Genetic Algorithm,遗传算法)-BP(Back Propagation,反向传播)模型都有明显的提升。

T-S型模糊RBF神经网络快速学习算法

针对Ｔ－Ｓ型模糊ＲＢＦ神经网络输入空间模糊最优聚类算法运算量大、运算速度低的缺点，提出基于输出空间模式聚类的快速学习算法，以满足多变量系统实时性要求．仿真结果表明该快速学习算法不仅可以达到要求的辨识精度。

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构，讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性，表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．

基于T-S模糊神经网络模型的编码器故障软闭环容错控制方法

针对舞台吊杆调速系统中速度反馈元件增量式编码器可能产生的丢码、断码等问题,为防止故障影响的传播,结合数据驱动技术提出了一种基于T-S模糊神经网络(T-S FNN)模型的编码器故障检测与软闭环容错控制方法。首先,利用系统正常运行时的历史数据建立系统较为精确的T-S FNN预测模型,并用实际编码器测量值与模型预测值相减获得残差信息;其次,将其残差实时数据通过改进的序贯概率比检验(SPRT)算法进行故障检测,以克服检测延迟确保故障检测的可靠性,当检测出故障时,再用T-S FNN模型的预测输出替代故障编码器的输出,实现软闭环方式下的容错运行;最后,针对编码器丢码、断码等故障,采用上述方法进行了软闭环容错控制的有效性仿真验证。仿真结果表明,该方法能够快速可靠地检测到编码器故障,并用预测的重构信息通过容错切换机制,及时、安全地以软闭环方式实现了对故障编码器的容错控制,提高了舞台吊杆调速系统运行的安全可靠性。

基于改进的T-S模糊神经网络循环冷却水腐蚀预测

在数据挖掘的理论上,使用主成分分析对样本数据进行降维和预处理,然后以工业循环水的腐蚀速率为研究对象,建立基于改进的T-S模糊神经网络的腐蚀速率预测模型。应用于某石化实际生产数据,进行模型验证,并将该模型与BP神经网络模型进行比较,仿真结果证实了改进T-S模糊神经网络模型的有效性和优越性。

基于改进T-S型模糊神经网络的护士机器人行为控制研究

针对医院环境下的护士机器人,应用行为控制技术保证护士机器人稳定运行并顺利实现一系列功能。采用改进的T-S模糊神经网络算法和机器人本体位姿导航算法,实现医院环境下护士机器人的复杂行为控制的完成。试验及应用表明,该护士机器人具有性能稳定、行为实现准确、实时性高等优点,能较好地满足医院环境下典型的应用要求,具有一定的应用推广价值。

基于T-S型模糊神经网络的内模自适应PID算法研究

针对内模PID算法在控制具有大滞后特性的温度模型时,因内模参数无法根据内部模型的失配程度进行自适应调整,使得系统超调量增大,调节时间变长,控制响应不及时,控制品质下降等问题。该文提出了基于T-S型模糊神经网络的内模自适应PID算法,大大降低上述问题对系统控制性能指标的影响。Matlab仿真结果表明:在内部模型与被控模型的参数出现正向失配或负向失配时,该文算法控制响应最快、超调量最小,控制精度最高,具有最好的控制性能指标。

基于改进型PSO的模糊神经网络PM_(2.5)浓度预测

为科学合理地预测大气污染物PM2.5颗粒物浓度变化规律,分析PM2.5颗粒物浓度变化历史数据,综合判断外部条件(温度、风速、天气状况)和内部条件(其它污染物的浓度)对PM2.5颗粒物浓度变化的影响。采用一种改进型PSO优化的模糊神经网络,将粒子群算法与模糊神经网络进行融合,发挥PSO算法全局寻优的特点,预测PM2.5颗粒物浓度的变化规律。对某市2013年PM2.5颗粒物浓度进行预测和验证,验证结果表明,该算法具备良好的预测精度。

基于T-S型模糊神经网络的软件过程可信评价模型研究

研究软件项目的可信度是当今信息技术领域的一个热点问题。本文首先介绍研究软件过程可信度的背景、内容和意义;然后分析软件项目实施过程中的可信度因素,从不同角度评价软件过程的可信性;最后基于T-S型模糊神经网络模型建立评价结构和方法,实现软件过程可信度评价系统。结果表明:通过对影响因素的研究可以将软件过程可信度结果量化。

改进型B样条模糊神经网络

提出了一种改进型B样条模糊神经网络 ,用以增加B样条函数在作为模糊神经网络控制器实际应用中的抗干扰能力 .通过指出常规B样条模糊隶属函数构造中存在的不足 ,提出了针对性的改进措施 ,从而既满足了B样条本身的性质 ,又从理论设计上避免了使系统不稳定的因素 .在实际电机速度控制系统的对比实验中证明了所提改进方法的有效性和实用性 .

基于T-S型模糊神经网络的机械手控制方案设计研究

机械手轨迹跟踪控制问题在机器人研究领域占有举足轻重的地位,现在已有很多控制方法,但是控制效果都不够理想。设计了基于T-S型模糊神经网络的机械手轨迹跟踪控制方案,用改进自适应遗传算法与BP算法相结合的混合学习算法来优化网络的权值。仿真试验表明,该控制方案能很好地控制机械手的轨迹跟踪,因而是可行且有效的。

基于改进型模糊神经网络的抽油机节能控制器

为了解决抽油机拖动电动机长期处于“相对轻载状态” 的问题,采用电动机启停间歇控制方案,并提出了改进型模糊神经网络模型。该模型利用神经网络的学习功能划分输入空间,抽取删除置信度低的语言变量值和规则,确定模糊规则后件结构,不断增添、修改、删除知识数据库中的控制规则,使系统具有很强的自适应能力。将此模型及其学习算法合理简化后,主要利用微处理芯片的精简指令所编制的软件来加以实现。基于该思想开发的抽油机节能控制器在国内各大油田使用表明,控制系统工作可靠,抽油机启停时间合理,在保证采油量的前提下,节电率达30％以上,实现了控制的智能化。

基于改进T-S模糊神经网络的瓦斯涌出量预测

该文针对瓦斯涌出量不容易确定的问题,提出基于改进T-S模糊神经网络的瓦斯涌出量预测方法,该方法很好的表达了瓦斯涌出量与其影响因素之间的复杂的非线性关系,解决了多输入单输出数据集的建模预测问题。预测结果与实际涌出量吻合度较高,表明了改进的T-S模糊神经网络在瓦斯涌出量预测上的可行性。为煤矿的安全生产中瓦斯涌出量的预测提供了一种新的途径。

基于关联模糊神经网络和改进型蜂群算法的负荷预测方法

为提高负荷预测精度,考虑历史负荷数据之间相关联的特性,利用关联模糊神经网络建立了负荷预测模型。与其他负荷预测方法相比,基于关联模糊神经网络和改进型蜂群算法的负荷预测方法,减少了模型所需要的模糊规则的数量,降低了模型的复杂度。将该方法应用于某地实际负荷预测,数值结果表明,该方法具有较高的预测精度。

基于模糊神经网络的建筑能耗评估模型研究

通过研究公共建筑耗能特点,结合建筑节能标准,提取了建筑能耗主要影响因素。在研究T-S模糊神经网络结构和算法的基础上,提出了基于T-S模糊神经网络的建筑能耗评估模型,用改进FCM聚类方法确定网络结构和参数初值,运用混合学习算法训练网络模型。将模型运用到评估实例中,结果表明基于改进FCM聚类的T-S模糊神经网络评估模型结构简单,学习和泛化能力强。

基于改进型Elman神经网络预测模糊神经网络控制的变风量空调设计

由于空调控制系统具有非线性、大滞后、时变性等特点,提出了一种基于改进型Elman神经网络的模糊神经网络控制算法,其预测输出与实际输出的差值作为模糊神经网络控制器的输入,使空调控制系统具有较高的控制精度和良好的动态特性和鲁棒性。仿真结果表明:与传统PID控制相比,基于Elman神经网络的模糊神经网络控制具有较强的鲁棒性,学习能力强,控制精度高,控制效果好,并具有自适应能力,应用前景十分广泛。

基于深度学习及改进模糊KMeans的寻常型银屑病智能诊断方法

为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中。实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别。

基于改进模糊神经网络的电力系统短期负荷预测

提出了基于改进聚类算法的模糊神经网络的短期负荷预测方法。首先,利用改进聚类算法确定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和结论参数,最后向训练好的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,改进的模糊神经网络可以获得较高的预测精度,所以有更好的使用价值。