基于改进模糊神经网络的细胞活性预测

针对细胞活性的预测问题,提出了一种利用自适应差分进化算法优化的模糊神经网络(ADE-FNN)预测模型。首先,通过模糊化处理细胞培养过程中的多种影响因素(如培养基成分、温度、pH值等),将这些因素作为模糊神经网络的输入。然后,利用已有的细胞活性数据对模型进行训练,优化网络参数。经过多次迭代和调整,模型逐渐学习到输入与输出之间的复杂映射关系。最后,利用细胞活性仿真实验验证所提ADE-FNN算法的性能。结果表明,基于模糊神经网络的细胞活性预测模型具有较高的预测精度和泛化能力。与传统的统计方法相比,该模型能够更好地处理数据中的不确定性和噪声,从而提供更准确的预测结果。此外,该模型还具有较好的可解释性,有助于深入理解细胞活性的影响因素及其作用机制。

改进的模糊细胞神经网络(IFCNN)的应用与研究

运用模糊细胞神经网络(FCNN)来分割白细胞显微图像,在边缘检全上的效果尚不理想,针对此问题,提出了改进的模糊细胞神经网络(IFCNN),该网络基于生物细胞脉冲原理,具有好的收敛和稳定性.实验结果表明,它能有效地克服已有方法无法克服的边缘检出问题,使得分割图像能更好的接近真实图像.

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。

基于改进遗传算法的温湿度模糊神经网络控制器

为了创造适合作物生长的环境,针对温室系统的特点,该文提出了一种基于改进遗传算法的模糊神经网络控制器,利用改进遗传算法训练模糊神经网络模型,采用此模糊神经网络控制器控制温室系统,由数值实验可以看到采用此控制器的温室系统具有响应速度快、过程平稳、编程简单的特点。

一种改进模糊神经网络及其在故障诊断中的应用

构造了一种改进模糊神经网络模型 ,该网络由四层神经元构成 ,第二层为模糊化层 ,文中给出了该层的通用隶属函数表达式。计及否定规则的影响 ,提出了扩展通用隶属函数的概念 ,并结合汽轮发电机组振动故障的不同特征征兆 ,给出了其具体表达式。在该网络的第二层与第四层间建立了部分直接连接关系 ,根据不同征兆对故障诊断结果的重要度不同 ,赋予了部分连接的优先权值 ,阐述了建立部分连接的依据和优先权值的确定方法。给出了网络的具体学习算法 ,并从单故障和多故障识别两个角度 ,比较了该模型与某改进 BP网络的诊断结果 。

基于改进的模糊神经网络的短期负荷预测

影响短期电力负荷预测的因素是多方面的,除节假日、日期类型和气象因素外,还有拉电或限电行为、持续高温等许多干扰因素。针对这些干扰因素,引入了"干预项",进而提出了一种改进的模糊神经网络预测的新方法;阐述了应用该方法进行短期负荷预测的基本原理、网络模型和预测过程。实例分析中分别给出了经"干预项"和未经"干预项"处理后的预测结果,未经"干预项"处理的预测误差明显偏大。同时采用三种方法对不同日期类型进行预测,结果表明新方法的预测误差最小,预测精度较高。

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。

基于改进粒子群算法的模糊神经网络变压器油色谱监测故障诊断策略

针对标准误差反向传播(back propagation,BP)神经网络算法易陷入局部最优、收敛速度缓慢等问题,提出一种基于改进粒子群算法的模糊神经的变压器油色谱故障诊断方法。该方法首先通过模糊编码边界对网络输入模糊化;再结合非线性策略的惯性权重及学习因子改进的粒子群BP网络算法来诊断变压器故障类型,既能平衡全局搜索和局部搜索能力,还可以避免BP神经网络陷入局部最优;最后,采用MATLAB软件对变压器油色谱数据进行仿真,结果表明该方法具有收敛速度快、诊断准确率高、泛化能力强等优点。

基于改进的灰色预测的模糊神经网络控制

采用等维新信息和提高原始数据列光滑度的方法对灰色预测模型进行改进,具有预测更准确的效果,结合采用模糊神经网络控制的精确稳定性特点,提出一种改进的灰色预测的孵化模糊神经网络控制算法,将其应用在具有大滞后、强干扰的孵化过程中。仿真和实际结果表明,提出的控制策略能够有效克服时滞过程的超调问题,具有较强的鲁棒性和自适应性。

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 .

基于改进粒子群算法的模糊小波神经网络建模

随着射频功放非线性对射频前端的影响日益增大,使得功放建模变得越来越重要。提出了一种自适应模糊小波神经网络模型结构,并利用改进的粒子群优化算法,建立有记忆的功放模型。将小波函数融入到自适应模糊推理系统的模糊规则中,得到新的网络模型;在粒子群算法中引入最差位置影响因子,提高搜索效率,并进一步简化,忽略粒子的速度项,同时采用与适应度函数值相关的动态变化惯性权重,加快了收敛速度,避免出现"早熟"现象。仿真结果表明:该方法建立的功放模型误差小、精度高,能够有效地表征功放特性。

基于改进PSO和模糊RBF神经网络的退火炉温控制

为提高对具有大滞后,强耦合的退火炉温度控制系统的控制精度,采用模糊径向基函数(RBF)神经网络控制炉温,并采用改进粒子群优化(PSO)算法进行优化。利用模糊推理过程与RBF神经网络所具有的函数等价性,统一系统函数。在利用改进PSO算法对模糊RBF神经网络进行训练时,先利用改进PSO算法得到模糊RBF神经网络的初始权值和阀值,然后对其进行二次优化得到最终的权值和阀值。仿真结果表明:该文方法降低了超调量,缩短了响应时间,稳态误差很小,能够拟合参考模型的输出,控制效果明显优于常规PID控制。

具有脉冲影响的模糊反应扩散细胞神经网络指数同步

研究了具有混合时滞与脉冲影响的模糊反应扩散细胞神经网络的全局指数同步问题.通过构造恰当的Lyapunov泛函并利用一些不等式分析技巧,得到了基于p-范数的耦合神经网络系统全局指数同步条件.通过对所得结果的分析可发现较大的扩散系数更有利于系统实现同步.

改进PSO优化模糊RBF神经网络的牵引变压器故障诊断研究

为了快速准确地识别出油浸式牵引变压器的常见故障,结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点,提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的油浸式牵引变压器故障诊断方法。针对粒子群算法局部搜索能力不足的缺点,改进粒子群的速度更新公式和惯性权重,以此优化模糊神经网络的结构参数,从而构建起基于油中气体分析技术的改进PSO优化模糊神经网络的牵引变压器故障诊断模型。实验及仿真结果表明,与BP神经网络、标准PSO优化模糊神经网络相比,改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。

基于改进PSO优化模糊神经网络的数控机床故障诊断技术研究

数控机床故障具有隐蔽性和复杂性的特点,为了快速准确地识别数控机床发生的故障,结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点,提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的数控机床故障诊断方法。为了改善粒子群算法局部搜索能力,在标准粒子群算法的基础上,改进粒子群的速度更新公式和惯性权重,以此优化模糊神经网络结构参数,从而建立起改进PSO优化模糊神经网络的数控机床主轴伺服系统故障诊断模型。实验和仿真结果表明:与RBF神经网络、标准PSO优化模糊神经网络相比,改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。

随机时滞模糊细胞神经网络均方指数稳定性分析

利用Lyapunov泛函方法研究一类随机时滞模糊细胞神经网络平衡点的均方指数稳定性,并运用不等式技术、随机分析理论证明主要结果,最后给出例子验证结果的有效性.

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。

基于改进粒子群算法的模糊聚类-概率神经网络模型的企业财务危机预警模型研究

为了充分发挥概率神经网络在企业财务危机预警中的作用,克服概率神经网络平滑参数难以确定和空间复杂度高的不足,本文提出一类新的参数动态调整的粒子群算法优化概率神经网络的平滑参数,进而采用改进粒子群算法优化初始隶属度矩阵的模糊聚类方法实现对样本的选择,解决了概率神经网络平滑参数的确定及空间结构复杂的问题。提出了基于改进粒子群算法的模糊聚类-概率神经网络企业财务危机预警模型,并以我国上市公司作为研究对象进行了实证研究。结果表明,经过模糊聚类和改进粒子群算法优化的概率神经网络具有更优的预测性能,并在企业财务危机长期预警方面具有一定效用。

基于改进型模糊神经网络PID阀位控制研究

针对调节阀控制系统在实际生产中存在的大滞后、非线性等问题,提出一种改进粒子群算法优化的模糊神经网络比例积分微分(PID)控制模型用于阀位控制,该模型利用模糊神经网络的自学习能力,实现对PID控制参数的实时在线整定,并且通过将改进粒子群算法与BP算法相结合的方式,实现对模糊神经网络参数的粗调和细调,克服了模糊神经网络收敛缓慢、易陷入局部最优的缺点;最后,利用MATLAB和AMESim软件进行联合仿真,仿真结果表明,该模型相比于其他两种算法在调节时间、超调量等性能方面都有很大的提升,并且表现出更强的鲁棒性和抗扰动能力,能够使阀位控制更加稳定可靠。