二氧化氮浓度时空预测:一种区间二型直觉模糊神经网络方法

空气中二氧化氮浓度的高低对环境保护和公共健康具有重要影响。目前二氧化氮浓度预测方法在表征时空关联性方面存在不足。鉴于此,提出了新的使用区间二型直觉模糊神经网络时空预测二氧化氮浓度的方法。首先,阐述了该区间二型直觉模糊神经网络框架,引入可变系数加权其隶属部分和非隶属部分的输出,并采用随机向量泛函链接神经网络作为规则后件;然后,为确定网络结构和参数,采用分层聚类算法得到模糊规则库,并通过最小二乘法优化网络后件的输出权值;最后,使用2018年1月至3月采集的北京市二氧化氮浓度真实数据进行数值验证。实验结果表明,与现有方法相比,该方法在短期和长期时空预测方面均取得了较高的预测精度和效率。

基于波形记忆和模糊极小—极大神经网络的变压器励磁涌流和内部短路的鉴别

传统的区分变压器励磁涌流和内部短路的各种方法存在原理性缺陷 ,不能满足现代超高压电力系统的要求 ,此文根据内部故障和单纯涌流这两种情况下波形的不同 ,提出了波形记忆的原理并采用了一种模糊神经网络模型——模糊极小—极大神经网络来对这两种波形进行记忆和鉴别。运用EMTP程序对变压器各种内部故障或涌流的情况进行较为全面的仿真以形成网络的训练样本 ,通过学习和测试 ,表明该网络所形成的新算法能够正确鉴别变压器各种运行工况下的励磁涌流和内部短路 ,所需的鉴别时间小于 2 0 m

化合物构效关系的模糊极小极大神经网络识别研究

应用模糊极小极大神经网络研究了化合物复杂结构和性能 (QSAR)之间的关系 ;用该法进行几组化合物致癌的识别 ,结果优于线性回归的方法。

基于模糊最小-最大神经网络的输油管道泄漏故障诊断方法

提出一种基于模糊最小-最大神经网络的输油管道泄漏故障诊断方法。该方法将管道压力特征作为模糊最小-最大神经网络的输入,通过模糊最小-最大神经网络的输出判断管道是否发生泄漏,并且针对实测数据含有噪声和测量误差的情况,设计一种可以有效处理实测数据的隐含节点函数。通过对管道试验系统实测数据的验证,本文方法可以有效检测管道泄漏故障。

化合物构效关系的模糊极小极大神经网络识别研究

应用模糊极小极大神经网络研究了化合物复杂结构和性能（QSAR）之间的关系。用该法进行几组化合物致癌的识别，结果优化于线性归的方法，对此作出一些分析。

化合物致癌模糊极小极大神经网络识别研究

将模糊数学的隶属度概念、模糊聚类的方法和模糊极小极大神经网络的方法相结合，构筑一算法，研究化合物复杂结构和性能（ＱＳＡＲ）之间的关系；用该法进行几组化合物致癌的识别，结果优于线性回归的方法，对此作出一些分析。

基于模糊极小极大神经网络的雷达一维像识别

雷达目标一维距离像是随雷达姿态角变化的 ,但由于目标姿态变化的连续性及目标散射点分布的连续性 ,其一维距离像是一个随视角变化而逐渐演变的过程 ,它们应随姿态角的连续变化在特征空间中形成一条特征轨迹线。本文在基于线性内插神经网络对雷达一维距离像识别的基础上 ,改进了线性内插时特征轨迹线的形成方法。提出了一种基于模糊极小极大神经网络分类器的雷达目标一维距离像目标识别方法 ,利用模糊极小极大神经网络中的超方匣的并集来形成雷达目标特征轨迹线。进行了三类飞机目标的 0～ 180°姿态角范围内一维距离像的分类实验研究 ,结果表明 。

一般模糊极大-极小神经网络的研究与应用

分析一般模糊极大-极小神经网络的基本原理,阐述模糊计算方法在分类中的准确性和高效性。将一般模糊极大-极小神经网络应用于企业资信评估中,实现模糊区间的输入,缩小企业评估指标定量化中的误差范围。资信评估结果表明,该算法能快速、有效地对企业进行分类,为资信评估提供了解决方案。

基于最小二乘状态估计和模糊神经的中长期负荷预测

可靠准确的中长期电力负荷预测可以使电力公司和发电公司更好地分配配电网络,并有助于在可再生能源并网时提高对电力系统的保护稳定性。为此,提出一种基于加权最小二乘状态估计和模糊神经网络的中长期电力负荷预测方案。基于最小二乘状态估计得到的潮流信息和来自神经网络得到的预测负荷作为模糊神经网络的输入,借由模糊神经网络生成高质量的中长期电力负荷预测结果,最后在IEEE 30总线系统上进行验证和评估。试验结果表明,所提方案可以实现平均绝对百分比误差低于2.55%,比单独的最小二乘状态估计法和模糊神经网络法拥有更低的平均绝对百分比误差。

模糊神经网络的混合学习算法及其软测量建模

提出了一阶TSK模糊神经网络的混合学习算法,算法由三部分组成:基于模糊聚类的网络初始化;基于梯度下降的规则前件的学习算法;基于部分最小二乘的规则后件的学习算法。该混合算法可以根据训练样本的分布自动确定模糊神经网络的初始值,当输入变量个数多时不会出现模糊规则数爆炸现象,训练速度快,模型精度高。将混合学习算法应用到PTA工业过程中4-CBA含量的软测量建模中,取得了令人满意的效果。

改进的模糊神经网络学习规则研究

在S Stoeva提出的基于相同样本及网络输出的模糊反向传播算法基础上,通过对基于极大-极小模糊算子的模糊神经元模型的研究,对含有一个隐含层的单输出模糊神经网络,提出了依赖于各模糊神经元输出的调整模糊权值的网络学习算法,该算法具有直观和可操作性强的特点.并以汽轮发电机组的状态监测为例进行仿真,仿真结果表明网络学习效果较好.

模糊神经网络的快速学习算法研究

对模糊神经网络 (FNN)的快速学习算法进行了研究 ,提出FNN的最小二乘 单纯形 (LS Simplex)学习算法。解决了FNN采用梯度型算法学习时所固有的局部收敛问题及遗传算法 (GA)在线应用的问题。与梯度型算法以及GA相比 ,LS Simplex算法具有更高的学习精度和更快的收敛速度 ,所得的FNN具有良好的泛化性能。

基于改进算法的模糊神经网络电力系统稳定器

基于模糊神经网络的电力系统稳定器具有适应电力系统非线性,且不依赖电力系统数学模型的特点,针对模糊神经网络隶属度函数的中心参数选取问题,提出了一种基于极大熵原理优化模糊神经网络的设计方法。该方法利用一个最优化的目标函数导出中心向量和宽度的学习算法,改善了网络的回归能力和泛化能力。针对电力系统发生的低频振荡问题,提出了一种基于熵优化模糊神经网络电力系统稳定器的设计方案。该方案避免了控制器对系统精确数学模型的依赖,利用神经网络的学习能力,在线自动生成训练样本,实现了电力系统的实时控制。仿真结果表明,提出的电力系统稳定器控制方案可以显著地提高被控机组的稳定性及电力系统的动态性能。

模糊神经网络分类器的主动学习方法

针对模糊神经网络分类器设计过程中所遇到的样本采样与标注过程耗时、代价大的问题,提出了一个新颖的模糊神经网络分类器主动学习方法,以最小-最大边界法以及确定样本的不确定性阈值两个新概念为主动样本选择准则,确保选择其中信息量尽可能大的样本进行标注,使得网络设计过程中对未标注样本的标注工作量和时间大为减少.实验结果表明,该方法与模糊神经网络的被动学习模型相比,训练样本数目大为减少,训练时间大大缩短.

一种多分辨率组合的模糊神经网络分类器

提出一种多分辨率组合的分类器 (MRCC)模型和相应的学习算法 ,发展了Simpson的模糊最小最大神经网络 (FMM)方法 .它克服了原始模型的几个缺点 :训练结果不依赖于训练样本出现的次序 ,超盒扩张不受一个固定的最大尺度限制 .和原始模型的超盒相比较 ,新模型的超盒中引入了一个参数表示超盒对于训练样本的分类正确率 ,称为超盒置信度 .新的学习算法假设样本在一定尺度下均匀分布 ,从而能够在线调整超盒置信度参数 .新的学习算法采用多分辨率组合的方法 ,消除了原始算法中选择超盒最大尺度限制参数的困难 .实验表明 ,MRCC模型与原始FMM模型相比 ,分类性能更好 ,学习算法的自适应能力更强 ,建立的模糊超盒数更少 ,并行处理能力更强 .

一种基于划分聚类和模糊神经网络的机器学习方法

将基于划分的模糊聚类算法和一般模糊极小极大神经网络分类算法相结合,提出了一种新的机器学习方法,实现了基于类比的案例推理学习模型。具体实现思想是,首先利用基于确定性退火技术的划分聚类算法对已知案例进行聚类标识,由所得结果建立一般模糊极小极大神经网络分类模型,然后用该模型实现新目标问题的案例相似性检索,最后针对目标问题结果案例完成案例学习。通过实例表明,该算法具有较好性能,并在基于案例推理的固体火箭发动机总体设计中成功应用,得到了论域覆盖面大的设计结果集。

基于集群智能优化的模糊神经网络设计与应用

在分析模糊神经网络(FNN)的结构和参数的基础上,通过引入一个布尔变量作为网络的结构参数,进而把FNN的设计问题转化为一个多变量函数优化问题,提出了一种混合集群智能优化算法,给出了其二进制编码(BIOA)和实数编码(RIOA)的实现形式。分别用BIOA和RIOA对FNN的结构参数和前件参数进行协同进化,得到最优前件参数后,采用最小二乘法计算结论参数。采用此方法设计FNN,对太阳黑子数目进行建模。结果表明,所设计的FNN不仅结构简化,而且精度和泛化能力也得到提高。

基于混合混沌搜索方法的多层递归模糊神经网络建模

提出了一种多层递归模糊神经网络(MRFNN),并提出混合混沌搜索方法用于网络学习。该网络融合了T-S模糊模型,在隶属函数层和规则层有局部反馈连接。网络的学习分为结构学习和参数学习两部分。结构学习确定隶属函数层和规则层的节点数;参数学习由混合混沌搜索方法完成,利用混沌搜索优化前件参数,同时利用最小二乘法实现后件系数更新。对非线性系统辨识进行,仿真实验并对连续搅拌釜式反应器系统建模,结果表明:本文方法能够有效捕捉系统的动态特性,所建模型具有良好的精度。

时滞系统的模糊神经网络补偿控制

针对传统的模糊神经网络(FNN)在线控制方法用于控制时滞对象时存在调节时间较长的问题,分析产生这一现象的原因,对传统的模糊神经网络在线控制进行改进,给出一种新的确定补偿量的方法.基于递推最小二乘(RLS)法在线辨识对象模型,通过时滞对象模型预测对象输出的变化,利用补偿方法得到控制量的补偿量.设计二维输入的带补偿的模糊神经网络控制器,进行实验与仿真研究.仿真结果表明,该补偿方法调节时间短,控制精度高,比传统的模糊神经网络的控制效果明显.

非线性系统模糊神经网络控制的改进策略

针对以模糊神经网络自适应方法为核心的不确定非线性系统控制问题,以常规静态模糊神经网络控制结构为基础,分别就控制器、辨识器及优化算法3个方面展开改进研究.以一种改进结构的动态PID型模糊神经网络为控制器,最小二乘支持向量机为辨识器构成控制系统.利用带混沌搜索的量子粒子群算法离线优化结合在线误差反传微调的寻优策略优化控制器参数,带混沌扰动的粒子群离线优化支持向量机的核参数,并通过对系统稳定性的讨论将改进的控制系统逐步完善.对某热交换对象模型的数值仿真验证了该改进方法的可行性和有效性.