一种基于神经元的自适应模糊推理网络

本文根据T-S模糊模型提出了一种新的基于神经元的自适应模糊推理网络，给出了连接结构和学习算法，它能自动学习和修正隶属函数及模糊规则。将其用于Box的煤气炉、太阳黑子预报以及降雨量预报等不同类型的复杂系统建模，仿真结果表明，该模糊神经网络具有收敛速度快、辨识精度高、泛化能力强和适用范围广等特点，可当作复杂系统建模的一种有效工具。

自适应神经模糊推理网络在微波效应预测中的应用

针对微波效应的预测问题,采用自适应模糊神经网络的方法,以微波参数和作用阈值为参变量,初步建立基于自适应神经模糊推理网络的微波效应预测模型,并引入置信水平、置信区间等概率统计概念对模型的预测能力进行评价。通过学习样本和检验样本与模糊预测输出的对比结果表明:自适应神经模糊推理网络对样本需求少,预测能力强,泛化误差小,具有一定的应用推广价值。

基于混沌理论的自适应模糊推理网络系统在径流时间序列预测中的应用

水文期预报对水资源管理、调度及社会的生产、生活具有十分重要的意义。针对常规混沌预测方法的局限性,提出基于混沌理论的自适应模糊推理网络系统的径流时间序列预报方法。该方法径流时间序列被分解为趋势项、周期项和随机项,对随机项进行混沌辨识,然后建立有自适应能力的神经网络模糊推理模型对随机项进行预测,最后将各项线性叠加进行径流预报。实例表明,该方法预测精度较高,具有良好的泛化推广能力。

基于模糊推理网络的岩石物理相识别方法

针对油藏储层岩石物理相划分问题,提出了一种基于加权模糊推理网络的判别方法.首先根据取心井岩心分析资料和专家解释结果确定研究区域岩石物理相分类类型和划分指标,建立储层岩石物理相分类标准模式库.然后将研究中积累的专家经验和反映岩石物理相变化的定量指标相结合,采用加权模糊推理网络建立油藏储层岩石物理相判别模型.通过对实际资料处理,应用效果较好.

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。

基于自适应网络模糊推理系统的噪声抵消

对自适应网络模糊推理系统(ANFIS)在噪声抵消中的应用进行了研究.说明了ANFIS的结构和使用ANFIS进行噪声抵消的原理,对窄带干扰的滤除和噪声中的信号提取两种情况进行了仿真,并对ANFIS和LMS(最小均方误差准则)两种算法进行了对比研究,结果表明,利用ANFIS进行噪声抵消要优于LMS.

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。

应用自适应网络模糊推理系统的sugeno模糊模型辨识

给出了一种模糊系统建模的有效方法．首先用减法聚类对系统输入输出数据进行聚类，然后用自适应网络模糊推理系统建立系统的ｓｕｇｅｎｏ模糊模型，这样解决了因输入变量高维引起规则的组合爆炸问题以及隶属函数形状和模糊规则不能自动选择的问题．

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。

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。

B-Spline函数的自适应网络模糊推理系统

提出基于 B- Spline函数条件的自适应网络模糊推理系统 (B- ANFIS) ,该系统将 B- Spline和ANFIS两者有机地结合在一起 ,取长补短以达到简捷的隶属函数自寻优 .研究结果表明 ,该运算的速度快、系统的逼近误差小、精度高、简单、易行 。

光纤陀螺温度漂移自适应网络模糊推理补偿

温度漂移是影响光纤陀螺精度的重要因素之一。在对光纤陀螺温度漂移特性进行实验分析的基础上，对零偏温度漂移进行了多项式拟合补偿。为了解决传统曲面拟合方法无法精确描述标度因数温度漂移与温度、转速之间的关系导致其补偿精度低的问题，提出了一种基于自适应网络模糊推理的光纤陀螺温度漂移补偿新方法。该方法基于模糊逻辑，结合最小二乘和误差反向传播混合算法，设计了自适应网络模糊推理系统，从而有效提高了光纤陀螺温度漂移补偿精度。实验结果表明，在-30～60℃温度范围和-165～165（°）/s 载体角速率范围，应用新方法对光纤陀螺温度漂移进行补偿，得到的训练误差均方根不超过0.003（°）/s，预测误差均方根不超过0.005（°）/s。

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。

结合自适应模糊推理和神经网络的物联网混合发电系统

为了较好地预测可再生能源的发电输出,对模型效率进行分析,在物联网系统的基础上,提出一种基于人工神经网络(ANN)与自适应网络模糊推理系统(ANFIS)的混合预测模型。首先,利用压电传感器、体热电转换器和太阳能板用于可再生能源发电,并将其连接到能量存储电路,以产出电能;然后,使用ESP8266模块连接数据和云服务器,利用ANN和ANFIS混合模型处理从可再生能源中生成的所有电能,将3个不同模块采集得到的数据集用于模型的训练和测试;最后,利用采集到的数据开发4个模型,通过均方根误差(RMSE)和相关系数(R;)分析模型的效率,以选择最合适的模型。实验结果表明,所提模型具有较好的RMSE和R;性能,其模糊信息较少,结果误差较小,具有一定的应用价值。

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。

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。