基于UKF的自适应模糊推理神经网络

如何生成最优的模糊规则数及模糊规则的自动生成和修剪是模糊神经网络训练算法研究的重点。针对这一问题,本文提出了基于UKF的自适应模糊推理神经网络(UKF-ANFIS)。首先,通过减法聚类确定UKF-ANFIS的模糊规则及其高斯隶属函数的中心和宽度参数;其次,分析了模糊神经网络的非线性动力系统表示,并用LLS和UKF分别学习线性和非线性的参数;然后,用误差下降率方法作为模糊规则修剪的策略,删除作用不大的规则;最后,通过典型的函数逼近和系统辨识实例,表明本文算法得到的模糊神经网络的结构更为紧凑,泛化性能也更佳。

基于神经网络-模糊推理的目标识别融合研究

为提高复杂环境下多传感器的自适应信息融合能力,提出了一种基于神经网络-模糊推理的信息融合模型,利用神经网络和模糊推理分析传感器探测状态的不确定性,并将其应用于红外成像/毫米波复合制导目标识别的信息融合,识别效果比较理想,可信度有了很大提高。

基于自适应神经网络模糊推理系统的蓄电池SOH预测

针对装甲车辆铅酸蓄电池健康状况影响因素复杂、难以准确预测的特点,提出了基于自适应神经网络模糊推理系统的蓄电池SOH预测模型。在确定模型的输入变量后,对其进行了MATLAB仿真和实测数据验证分析。结果表明,该模型具有很高的预测精度,在装甲车辆铅酸蓄电池SOH预测上具有很高的实用价值。

基于神经网络模糊推理的智能厚度控制

针对板带材轧制过程是一个复杂的非线性过程、难以建立精确数学模型的特点 ,提出了厚度自动控制神经网络模糊智能方法 ,设计了输入为“编码”的神经网络模糊控制器。通过仿真证明了神经网络模糊控制的可行性 。

基于神经网络模糊推理的PVC片材压延厚度控制

针对PVC片材压延过程是一个复杂的非线性过程、难以建立精确数学模型的特点,提出了厚度自动控制神经网络模糊智能方法,设计了输入为"编码"的神经网络模糊控制器。通过仿真证明了神经网络模糊控制的可行性,其控制精度优于常规方法。

自适应神经网络模糊推理系统在结构振动主动控制中的研究

运用线性二次型经典最优控制算法获得学习样本,由神经网络反向传播算法训练产生模糊规则和隶属度函数,设计自适应神经网络模糊控制器,通过某结构地震波作用下振动控制的数字仿真,表明自适应神经网络模糊推理系统可以有效地应用到结构控制中。

一种新的基于自适应神经网络模糊推理系统的图像滤波器

提出了一种新的基于自适应神经网络模糊推理系统的去除噪声算法。该算法是一个结合了中值滤波、维纳滤波和自适应神经网络模糊推理系统的综合滤波器。噪声点通过算法被准确地估计出来,自适应神经网络模糊推理系统的参数通过训练得到,训练可以通过简单的计算机合成图像来进行。将含噪声的图像、中值滤波后的图像和维纳滤波后的图像作为系统的三个输入,通过一个固定阈值来判断像素点是否为噪声点作为系统的输出,如果判断是噪声点,则通过中值滤波来进行去噪处理,如果判断是非噪声点,则灰度值保持不变。算法的特点就是在能够保持好线条、边缘、细节和纹理的同时,很好地去除噪声点。仿真实验表明,算法可以对噪声污染的图像进行有效的重建,同时不会扭曲图像中的有用信息。

神经网络驱动性模糊推理模型及其算法

首先建立神经网络驱动性模糊推理模型 ,然后建立推理系统和算法步骤 。

基于LoRa和自适应神经网络模糊推理系统的光伏阵列故障诊断系统

为了提高光伏系统的可靠性和效率,本文设计了一种新的光伏阵列在线智能故障诊断系统。首先,使用霍尔电压电流传感器采集光伏阵列最大功率点作为原始数据,经过LoRa传输至诊断中心,再在采集到的原始数据中提取新的七维故障特征向量,包括工作电压、电流、辐照度和温度。其次,提出了一种基于自适应网络的优化模糊推理系统作为故障诊断模型。最后,通过基于Simulink的仿真和实验室光伏系统的实际故障实验,测试了所提出的基于自适应神经网络模糊推理系统的故障诊断模型的可行性和优越性。实验结果证明,所提出的基于自适应神经网络模糊推理系统的方法具有较好的性能,并且优于基于常规反向传播神经网络的方法。在仿真和实验数据集上,基于自适应神经网络模糊推理系统的故障诊断模型的总体准确性分别为99.9%和97.0%以上。

模糊神经网络推理系统定量计算储层参数

储层参数是地层评价的基础。自适应模糊神经网络推理系统是综合了模糊逻辑与人工神经网络两者优势的一种人工智能方法 ,该方法既可用于模式分类 ,又可进行连续计算。这是一种基于数据的建模方法 ,模糊隶属度函数及模糊规则是通过大量已知数据的学习得到的 ,而不是按经验或直觉信息给定的。这对于那些特性还不为人们所了解或者特性非常复杂的系统尤其重要 ,因此特别适于复杂储层评价中的定性解释与定量计算。研究结果表明 。

基于自适应神经网络模糊系统的混沌音频水印盲检测

自适应神经网络模糊推理系统(AdaptiveNeuro FuzzyInferenceSystem, ANFIS)是将Sugeno一阶模糊系统以网络的形式来实现而得到的一种多输入单输出的神经网络。它能够很好的模拟出输入输出之间的关系,且收敛速度快,误差小,所需训练样本少,非常有利于水印信号的盲分离。利用ANFIS良好的自适应控制能力提出了一种具有较强鲁棒性的DCT域音频水印盲检测算法,实验证明,该水印检测算法准确性高,时间代价小,具有较强的抗攻击性,很有实用价值。

基于二级倒立摆的自适应神经网络模糊控制

针对二级倒立摆系统,提出了一种先进的智能控制策略.该种方法采用BP算法与梯度下降法结合的混合算法对Takagi-Sugeno模糊模型中的前项及后件参数进行优化修正,在已获得的客观输入输出数据对的基础上,提出一种基于自适应神经网络的模糊推理系统ANFIS来对倒立摆系统进行建模和控制.仿真结果表明,所提出的设计方法是正确的和可行的.

自适应神经模糊推理系统(ANFIS)及其仿真

自适应神经网络模糊推理系统ANF IS是模糊控制与神经网络控制结合的产物。讨论了ANF IS的结构及其特点,并利用M ATLAB的专用工具箱进行了仿真研究,取得满意的效果。

二级倒立摆的自适应神经网络控制

倒立摆系统是一种典型的非线性、多变量、不稳定系统,目前,对于这种复杂对象的控制问题在控制领域具有十分重要的研究价值。针对此种非线性系统的控制问题,提出一种智能控制方法来解决这个问题。通过应用神经网络控制和模糊控制相结合的方式,集合二者的优点,提出一种将BP算法与最小二乘算法相结合的算法,对Takagi-Sugeno模糊推理系统中的参数进行优化修正,设计一种自适应神经网络的模糊推理系统来控制倒立摆,实验结果证明该理论是准确可行的,与LQR实时控制相比响应速度快、精度高。

一种新型基于神经网络的预测控制

重点考虑在多变量系统中对控制的准确性和实时性要求,在已有的神经网络预测模型基础上,提出采用模糊理论改进其反馈校正环节,对预测输出和实际输出在一定的隶属函数和模糊规则下进行模糊推理,输出结果用以修正预测模型,从而使系统综合性能得到实质性提高,仿真结果表明改进有效.

基于改进模糊推理的光纤陀螺温度漂移建模

光纤陀螺温度漂移建模是实现其温度补偿,提高测量精度的有效手段。通过实测数据分析,验证光纤陀螺的输出受温度和载体角速度的共同作用呈现复杂非线性。为准确描述这种复杂非线性关系以实现温度漂移高精度补偿,基于神经网络设计一种新型光纤陀螺温度漂移模糊系统结构,提出一种基于改进模糊推理的光纤陀螺温度漂移模型辨识新方法。由确定的模型结构设计模糊系统的模糊规则,并基于实测数据构建训练样本以被用于自适应调整变量隶属度函数的参数,从而建立基于误差方均根最小准则的光纤陀螺温度漂移补偿模型。试验结果表明,应用此方法得到的光纤陀螺温度漂移模型具有很高的精度、良好的适用性和预测性能。

一种模糊推理过程神经网络及其应用研究

针对带有过程性模糊信息或动态领域规则的时变信息处理问题,提出一种模糊推理过程神经网络.该模型将模糊过程推理规则与数值型过程神经网络的动态信息处理机制相结合,将推理规则表示为过程神经元.利用过程神经网络的学习性质来实现对过程性定量与定性混合信息的自适应处理.分析了模糊推理过程神经网络的信息处理机制,并给出了相应的学习算法.以抽油机平衡诊断为例,实验结果验证了所提出模型和算法的有效性.

基于自适应神经网络模糊推理系统的心电信号检测

心电信号是心血管疾病的重要诊断依据,探索新方法来处理心电信号对于医学诊疗具有重要的理论意义与实用价值。阐述了一种包含输入节点层、规则节点层、平均节点层、结论节点层和输出节点层的五层结构网络的自适应神经网络模糊推理系统(Adaptive neuro-fuzzy inference system,ANFIS),并提出了基于Sugeno模糊理论、最小二乘法和梯度下降法的混合自适应学习算法来训练ANFIS中的神经网络的参数,来提高ANFIS系统的收敛性能。为验证ANFIS系统在心电信号检测中的有效性,通过原始心电信号的实测数据中的第一路腹壁混合信号(CECG)和最后一路母体心电信号(MECG)进行了ANFIS的网络训练,基于训练结果对于腹壁混合信号进行了实验预测分析,实验结果表明自适应神经网络模糊推理系统在心电信号的分析与预测中十分有效。

基于改进ANFIS网络的绝缘子运行状态诊断研究

针对输电线路绝缘子性能的优劣对整个输电系统的安全运行起非常关键的作用,采用改进的自适应神经网络模糊推理系统(ANFIS)对绝缘子运行状态进行推理诊断,以有效诊断推理绝缘子污秽程度及闪络发生的可能性,训练中采用改进的学习方法,提高了推理网络的学习能力。试验结果表明,设计的绝缘子运行状态诊断系统具有优化学习能力,为准确推断绝缘子运行状态提供依据。

基于自适应神经模糊推理系统的隧道爆破振动峰值预测研究

爆破振动控制是工程爆破界的重要研究课题,而准确预测爆破振动是进行振动控制的前提和基础。针对爆破振动强度的不确定性、随机性和模糊性特点,建立了基于自适应神经模糊推理系统的隧道爆破振动峰值速度的预测模型,并将自适应神经模糊推理预测模型预测结果与常规方法的预测结果进行了对比分析。结果表明:基于自适应神经模糊推理系统的预测模型具有更高的精确性,能较好地用于隧道爆破振动速度的预测。