模糊小脑模型神经网络在多辊冷连轧机轧制力预报模型中的应用

针对宽带钢多辊冷连轧机组特点,为提高轧制力的预报精度,在结合传统轧制压力模型的基础上把模糊算法和神经网络有机结合,设计出基于模糊小脑模型神经网络的多辊冷连轧机轧制力预报模型.通过对传统轧制力模型计算值、小脑模型预报计算值与实测值进行对比分析可知,基于模糊小脑模型神经网络的多辊冷连轧机轧制力预报模型具有较高的计算精度,更适合于多辊轧机在线计算机过程控制的应用,满足现场在线生产的要求,取得良好的板形板厚控制效果.

模糊小脑模型神经网络

提出输入层具有一定隶属度的模糊小脑模型神经网络（ＦｕｚｚｙＣＭＡＣ），它比小脑模型ＣＭＡＣ（ＣｅｒｅｂｅｌａｒＭｏｄｅｌＡｒｔｉｃｕｌａｔｉｏｎＣｏｎｔｒｏｌｅｒ）能更真实地描述客观世界．给出ｎ维ＦｕｚｚｙＣＭＡＣ算法，仿真结果表明ＦｕｚｙＣＭＡＣ比小脑模型ＣＭＡＣ具有如下优点：学习收敛速度快得多，可以学习模糊规则．ＦｕｚｙＣＭＡＣ比ＣＭＡＣ优越，使ＣＭＡＣ成为ＦｕｚｚｙＣＭＡＣ的特例．

基于模糊小脑模型神经网络的遥感图像分类算法

针对遥感图像分类的特点 ,提出一种基于模糊小脑模型神经网络的遥感图像分类算法。首先阐述小脑模型神经网络的工作原理 ,然后将模糊理论引入小脑模型神经网络 ,提出一种能反映人脑认知的模糊性和连续性的模糊小脑模型神经网络 ,并将其应用于遥感图像分类。实验结果表明 ,这种基于模糊小脑模型神经网络的分类器经过训练后 ,可应用于遥感图像的分类 。

一种模糊小脑模型神经网络

为了简化网络、提高网络的学习能力、便于对一些系统的建模,本文提出了一种小脑模型神经网络,将模糊逻辑的推理过程用小脑模型神经网络表示出来,其输入层采用模糊化的感受野,能有效地减少输入层的容量,提高逼近能力。由于采用系统的模糊信息,可以按实际问题的性质初始化网络的结构与参数,有利于提高学习的收敛速度。

基于气动人工肌肉的自适应模糊小脑模型神经网络位置跟踪控制

针对一种气动人工肌肉驱动的弹簧质量位置控制系统,设计了一种自适应模糊小脑模型神经网络(AFCMAC)控制器.离散抗饱和PID(DASPID)并行监督控制设计保证了控制运行初期不会出现较大的跟踪误差和气压波动,使AFCMAC的在线实时学习调整成为可能.在线实时的自适应算法逐步提高了AFCMAC的控制性能,从而最终完全过渡到AFCMAC控制.通过规划AF-CMAC的输入空间,保证了AFCMAC对迟滞力和气压波动等不确定因素的感知能力,为实现AF-CMAC控制奠定了基础.对DASPID与AFCMAC控制器的位置跟踪控制性能进行了对比实验.结果表明,在非线性系统条件下,AFCMAC较之DASPID有着更好的跟踪控制性能和较低的实现难度.

一种广义模糊小脑模型神经网络及其仿真研究

针对传统的小脑模型,在保留CMAC原有增强和局部特性的基础上,结合模糊逻辑的思想,采用模糊隶属度函数作为接收域函数,提出了一种广义模糊小脑模型神经网络(GFAC)。研究了GFAC接受域函数的映射规律、隶属度函数及其参数的选取规律和学习算法。仿真结果表明GFAC具有良好的泛化能力和逼近精度。

基于模糊小脑模型神经网络的直线伺服跟踪控制

以永磁直线同步电动机为被控对象,在高精度直线伺服跟踪控制系统中,为使输出响应快速地跟踪输入指令,需要克服系统滞后、未建模动态、不确定性以及负载的变化因素等的影响.为此,提出了一种模糊小脑模型(FCMAC)神经网络直接逆控制的方案,可动态地克服上述这些因素的影响.同时,还给出了较详细的原理分析及实现过程.仿真结果表明,此控制方案是十分有效的,能够明显地提高伺服系统的快速跟踪能力,并使系统具有较强的适应性和鲁棒性.

一种新型模糊神经网络函数逼近器

论文提出了一种新型模糊小脑模型神经网络(NFCMAC),它采用模糊隶属度函数作为接收域函数,能够获得较常规CMAC连续性强且有解析微分的复杂函数近似,具有计算量少,学习效率高等优点。同时研究了NFCMAC接受域函数的映射方法、隶属度函数及其参数的选取规律和学习算法。仿真结果表明NFCMAC具有良好的泛化能力和逼近精度,具有较高的收敛速度。

基于小脑模型神经网络的温控负荷优化调度方法

温控负荷能够通过需求响应为电网提供频率调节辅助服务。针对传统控制方式调节能力有限和温度变化较大的问题,提出了一种基于小脑模型神经网络的混合控制策略。首先,利用小脑模型神经网络实时优化功率调节量,从而将调节任务分配给不同控制方式的负荷集群;然后,负荷集群完成所分配的调节任务,并根据用户的不同需要分别定义储能指标和不舒适度指标;最后,采用模糊综合评判法对用户满意度进行评估,再将用户满意度与均方根误差相互权衡以建立综合评价指标,并将其反馈回小脑模型神经网络,从而为功率调节量的优化提供依据。仿真结果表明,所提策略不仅可以提高系统的跟踪精度,而且能够改善用户的满意度。

模糊小脑模型神经网络在短时交通流预测中的应用

模糊小脑模型神经网络(FCMAC)是将模糊理论引入小脑模型网络则形成的一种新型网络。在研究FCMAC算法的基础上,将FCMAC算法应用于短时交通流预测问题。通过仿真实验,并与BP和RBF方法进行比较。结果表明FCMAC方法具有较高精确性和一定的应用价值。

改进的小脑模型神经网络及其在时间序列预测中的应用

针对小脑模型神经网络(cerebellar model neural network,CMNN)中泛化能力与存储空间容量之间的冲突这一关键问题,提出了一种改进的小脑模型神经网络——模糊隶属度小脑模型神经网络(fuzzy membership cerebellar model neural network,FM-CMNN),用于解决非线性动态系统的时间序列预测问题.首先,FM-CMNN在保留原始CMNN输入变量的地址映射方式的情况下,在CMNN存储空间中引入铃型模糊隶属度函数,从而保证在不需增加量化级数的情况下提高网络的泛化能力.然后,使用梯度下降算法对网络权值进行更新,提高网络的逼近强度.最后,通过非线性时间序列预测基准实验和污水处理中水质参数预测实验,验证了FM-CMNN性能的可靠性.

裂解炉燃料气热值的模糊神经网络软测量

从工业过程实际应用要求出发,研究开发了基于模糊逻辑系统的小脑模型关节控制器神经网络算法。仿真研究表明,该算法提高了传统小脑模型关节控制器的平滑能力和泛化能力,可以很好地应用于工业过程的软测量中。经现场的长期应用实施,证实了该热值软测量系统具有较高的准确性,充分显示了燃料气系统热值变化的特征,对裂解炉炉管出口温度的稳定控制起到了极大作用。

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。

开关磁阻电机模糊神经网络PID转速控制

针对开关磁阻电机调速系统难以控制的问题,提出了基于模糊FCMAC神经网络的PID控制方法,该方法的主要思想是将马丹尼直接推理法与CMAC神经网络相结合,构成模糊FCMAC神经网络,实时调整PID控制参数。仿真结果表明,与传统的PID控制方法相比较,该方法大大改善了开关磁阻电机调速系统的动、静态性能,且无需精确的数学模型,控制精度高,超调量小,对干扰有较高的鲁棒性。

基于模糊CMAC神经网络的抽油机伺服加载控制

利用模糊神经网络能够在不能获得精确数学模型的非线性系统中达到最优控制的特性 ,提出了采用模糊小脑模型神经网络(FCMAC)控制器来提高抽油机电液伺服被动加载系统性能的方法 ,并给出了具体的控制结构和算法。实验结果表明 ,该控制方法用于被动变载荷加载的跟踪控制具有良好的泛化能力 。

基于CMAC的模糊神经网络方法

结合模糊神经网络和小脑模型连接控制CMAC理论,提出训练时间短、精度高的CMAC模糊神经网络方法,给出了网络结构、算法,并通过一个维修经费预测实例讲述了这种算法.

模糊神经网络在织物剪切性能预测中的应用

在前人研究的基础上, 利用模糊神经网络来建立新型合成纤维织物的剪切性能预测模型,建立织物物理参数与剪切性能之间的关系。网络经过训练, 具有较强的自适应预测能力, 为新型面料的开发提供了参考依据。

基于FCMAC神经网络的PHEV转矩分配策略

针对混合动力汽车转矩分配策略对整车的燃油经济性和排放性能具有重要的影响,提出了基于模糊小脑模型(FCMAC)神经网络控制的整车转矩分配方法.以某变速箱前置式双轴转矩耦合并联混合动力汽车为研究对象,建立了以发动机的输出转矩为目标的FCMAC神经网络控制策略,将输入量离散化后的高斯基模糊隶属度进行规则相乘后作为FCMAC神经网络的输入,经过hash映射及权值调整输出发动机转矩,实现了混合动力汽车的转矩分配.在AVL-Cruise及Matlab/Simulink平台上建立仿真模型,将其控制策略与基于逻辑门限值控制策略的仿真结果进行比较.结果表明:在NEDC工况下FCMAC控制策略较逻辑门限值控制策略,油耗与排放都有改善,提升了并联式混合动力汽车的燃油经济性和排放性.

基于神经网络动态逆的歼击机自适应跟踪控制

基于神经网络动态逆方法 ,给出了一种非线性模型参考自适应跟踪控制方案。应用神经网络直接对非线性系统求逆方法解决了逆系统方法的两个“瓶颈”问题 ,并且克服了传统的控制设计中将过程模型线性化 ,从而将不可忽视的非线性关系用线性关系代替或者忽略的弊端。对由于建模误差、不确定因素等引起的非线性系统逆误差 ,通过自组织模糊小脑模型关节控制器 ( Self-organizing fuzzy cerebellar model articulation controller,SOFCMAC)神经网络在线进行修正。 SOFCMAC神经网络扩大了寻优空间 ,使其能更好地重构系统逆误差 ,最终实现准确的鲁棒自适应跟踪控制。通过将这种方法用于某型歼击机姿态系统控制的仿真研究 。

神经网络动态逆在歼击机安全着陆中的控制

给出了基于神经网络动态逆的自适应跟踪控制方法,用以解决飞机着陆过程中的复杂非线性和出现舵机故障的情况。应用神经网络直接对非线性系统故障模型求逆,使得所设计的逆系统能够包含故障信息,克服了传统的控制设计中将过程模型线性化,从而将不可忽视的非线性关系用线性关系代替或忽略的弊端。对由于建模误差、不确定性因素等引起的非线性系统逆误差,通过自组织模糊小脑模型关节控制器(SOFCMAC)神经网络在线进行修正。并在此基础上对3个通道分别设计了参考模型和线性控制器,以实现对伪线性系统进行跟踪控制。通过将这种方法用于某型歼击机在着陆过程中发生平尾卡死故障控制的过程仿真,验证了该方法的可行性。