基于模糊神经网络的电网消防预警算法

针对传统基于阈值判别方法的电网火灾预警系统预测精度低、抗干扰能力弱的问题,提出了一种基于模糊神经网络的电网消防预警算法。该算法利用神经网络学习大规模电网数据,使用模糊逻辑推理算法来提升预测结果的推理能力,并通过结合神经网络对大规模数据的学习能力和模糊逻辑算法的推理能力来分析电网线路参数,从而提升电网消防预警系统的精度和抗干扰能力。实验与仿真结果表明,所提出方法能显著提升电网火灾的预警精度,且使用模糊逻辑推理可以得到更符合实际情况的电网火灾预警结果。

基于模糊BP神经网络的智能轮椅BLDCM控制

现阶段多数轮椅电机仍使用传统PID控制,该控制方式存在控制精准度较低、超调量较大以及抗扰动能力差等问题。为解决以上问题,通过对无刷直流电机进行研究,在分析了其控制方法后,提出一种基于模糊BP神经网络的BLDCM控制方法。首先,研究了BLDCM结构并搭建数学模型。其次,在模型基础上构建了模糊BP神经网络PID控制器。最后,在Matlab/Simulink中搭建整个电机控制系统进行三种不同工况下的运动控制仿真,并与传统PID控制算法进行对比。实验结果表明:模糊BP神经网络PID控制策略能获得更好的PID控制参数,具有良好的抗扰动能力,有效的改善了整个轮椅控制系统的动态性能。

基于模糊神经网络的数字媒体数据自动化采集系统设计

为了改善数字媒体数据传输效果,确保系统安全、稳定运行,设计基于模糊神经网络的数字媒体数据自动化采集系统。构建数字媒体数据自动化采集系统框架,数据采集层利用数据采集卡获取不同渠道的数字媒体数据,由数据处理层的数据融合模块调用改进模糊神经网络算法完成数字媒体数据的融合处理后,通过数据传输层的分层自组织无线网络将其传输至存储应用层,实现数字媒体数据的存储、查询、显示与输出。实验结果表明:该系统采集的音频信号波形规律、曲线平滑、功率均值波动误差在(0,0.14),满足允许误差范围;数据传输效果优于采用DSR协议的单点传输方式,当数字媒体数据源为3时,平均峰值信噪比指标最高;具有数字媒体数据查询功能。

自适应模糊神经网络多信息融合串联型电弧故障检测方法

针对低压交流串联电弧故障因其特殊性难以识别的问题,在实验室建立了实验平台,采集不同负载下的正常和电弧故障的电流波形数据,提出一种自适应模糊神经网络(adaptive neuro fuzzy inference system,ANFIS)多信息融合串联型电弧故障检测方法,通过多层次特征参数提取,对自适应模糊神经网络进行训练、测试。结果表明,该方法可以有效地克服反向传播(back propagation,BP)神经网络故障诊断中收敛速度慢、误差精度大的缺点,得到更为精准、理想的诊断结果。

基于有效性分析的自组织模糊神经网络建模方法

提出了一种基于有效性分析的自组织模糊神经网络(self-organizingfuzzyneural network based on effectiveness analysis, SOEFNN)建模方法。首先,提出了一种针对模糊规则的有效性评价指标,利用样本与规则层输出之间的映射关系进行网络模型的有效性分析,通过累积触发的方式实现相应模糊规则的增加或删减,使网络模型在能够处理复杂非线性问题的同时降低其冗余性,使模型更为紧凑。采用梯度下降算法对网络模型进行训练。然后,对所提出的SOEFNN模型进行非线性系统仿真实验和污水处理过程中的出水生化需氧量预测建模,并与其他自组织模糊神经网络模型进行对比。仿真结果表明,所提出的SOEFNN模型能够很好地实现结构和参数的自适应调整,并且具有较好的逼近能力。

基于模糊神经网络的氢液化氦气压力PID控制

为了解决氢液化装置氦气压力调节系统超调量大、响应速度慢、调节时间长、控制参数无法在线整定等问题,针对系统具有非线性和时变性的特点,设计了基于模糊神经网络的PID控制器以及基于双曲正切函数的改进型激活函数。仿真结果表明:相比传统PID控制或模糊PID控制,采用模糊神经网络PID控制的系统动态性能显著改善,使得氢液化装置的氦气压力调节更加稳定可靠。

基于模糊神经网络的农机自动转向系统的设计

现代农业生产中要求农业机械在田间工作过程中可实现实时、高效的控制性能。为此,基于模糊控制规则的模糊神经网络控制器,利用遗传算法(Genetic Algorithm,GA)进行人工神经网络模型的优化,对拖拉机转向系统进行优化设计,得到农业机械田间工作时目标输出和实际输出的仿真曲线。基于东方红拖拉机搭建试验平台,进行了输出响应测试和角度测试,并通过MatLab仿真对控制系统的性能进行了分析。研究结果表明:模糊控制规则的模糊神经网络控制器和基于遗传神经网络的改进算法能有效缩短农业转向系统的响应时间,减少超调量,提高转向精度,是一种更加有效的田间作业的控制方法。

基于深度模糊神经网络的太阳总辐射预测研究

提出一种基于深度模糊神经网络的太阳总辐射预测模型。首先利用Pearson相关系数分析太阳总辐射关键影响因素,其次利用深度学习多隐含层所具有的特征提取优势将模糊神经网络模块重复连接,构建深度模糊神经网络模型,并使用蝗虫优化算法对其中心值和宽度进行优化。利用所提太阳总辐射预测模型对5个气象站点的相关数据进行仿真实验,并对结果进行分析。仿真结果表明:所提预测模型较其他模型具有较高的预测精度,验证了模型的有效性,可满足无辐射监测站点太阳总辐射预测的需要。

基于模糊神经网络的无人机数据传输时延控制模型

传输信道状态若是处于拥塞状态,会使得无人机数据传输时延大幅度增加,所以构建基于模糊神经网络的无人机数据传输时延控制模型;考虑直射、散射和反射等现象确定无人机数据传输信道,计算无人机数据传输信道传输时延,综合能量消耗、时延等因素判断无人机数据传输信道是否处于拥塞状态;利用基于模糊神经网络的时延控制模型生成时延控制指令,通过扩频调制、拥塞调度和队列管理等步骤,实现无人机数据传输时延控制;实验结果表明,在该模型控制下无人机数据传输时延达到预期水平,控制误差约为0.03 s,且未对数据传输进程产生明显不利影响,控制效果更好。

永磁同步电机变结构模糊神经网络控制策略

为改善永磁同步电机矢量控制技术在复杂工况下控制器参数不能做出实时调整导致控制性能差的问题,分析了模糊逻辑与神经网络控制原理,提出了一种基于高斯径向基神经网络与模糊控制的相结合的智能控制策略。以转速误差以及误差的变化率为依据构建增量补偿式二维变结构模糊神经网络PID控制器(deformable fuzzy neural network,DFNN)通过RBF神经网络参数辨识器获取永磁同步电机的雅可比信息矩阵(Jacobian matrix),通过变结构算法确定变结构模糊神经网络的结构信息。在MATLAB/Simulink中仿真结果表明,该控制系统提升了电机启动以及目标转速发生改变时的响应速度,同时降低了超调量,在负载转矩存在扰动时转速变化小,且能够快速回归至给定值,优化了矢量控制系统的性能。

基于模糊神经网络的学生科学素养影响机制研究

科学素养的影响机制对教育策略优化、人才培养质量提升,以及社会科技创新与可持续发展具有深远影响。然而,传统的经典教育统计学方法难以全面揭示这一复杂过程。为突破这一局限,采用先进的模糊神经网络技术,对包含53个国家共计113,314个有效样本的PISA2015数据库进行深度的数据挖掘分析。在特征选择后,识别出十项对学生科学素养提升具有积极影响的因素和一项消极影响因素。结果显示,社会经济发展水平是决定学生科学素养水平的关键因素;家庭教育投入与科学素养水平之间存在最强关联性;学习品质、高阶思维能力及科学本质理解在科学素养发展中起到核心推动作用;而信息技术的应用在影响学生科学学业表现上呈双刃剑效应。基于以上发现,建议教育领域顺应智能时代趋势,利用机器学习进行数据挖掘,推动计算教育学研究范式的转型;优化教育资源分配结构以促进科学素养教育公平;并革新学生培养策略,以实现学生科学素养的高质量发展。

基于强化学习算法的神经网络模糊测试技术优化研究

现有神经网络模糊测试技术在测试样本生成阶段通常对初始样本进行随机变异,导致生成样本质量不高,从而测试覆盖率不高;针对以上问题,提出一种基于强化学习算法的神经网络模糊测试技术,将模糊测试过程建模为马尔可夫决策过程,在该模型中,测试样本被看作环境状态,不同的变异方法被看作可供选择的动作空间,神经元覆盖率被看作奖励反馈,使用强化学习算法来学习最优的变异策略,指导生成最优测试样本,使其能够获得最高的神经元覆盖率;通过与现有的主流神经网络模糊测试方法的对比实验表明,基于强化学习算法的神经网络模糊测试技术,可以提升在不同粒度下的神经元覆盖。

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。

基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法

现行方法在火电厂锅炉主蒸汽温度控制中应用效果不理想,阶跃响应性能较差,而且超调量较高,因此本文提出基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法。利用线性化分布参数建模方法建立火电厂锅炉主蒸汽温度参数数学模型,利用模糊神经网络进行锅炉主蒸汽温度误差补偿控制,实现基于模糊神经网络的火电厂锅炉主蒸汽温度控制。经试验证明,本文方法阶跃响应时间较短,超调量在1℃以内,在工业控制领域具有良好的应用前景。

基于模糊神经网络PID变压器恒温箱控制系统研究

针对变压器油色谱恒温箱对温度精细化的要求以及分析现有成熟的温度控制方法,提出了模糊神经网络PID控制进行优化,实现了对温度的可靠控制。系统将温度的误差e和误差率e(c)通过模糊化输入,依据隶属函数和模糊规则推理得到PID调控因子,再利用BP神经网络以梯度下降法对隶属中心值和基宽和权值进行学习训练。通过使用Matlab软件对传统PID、模糊PID和模糊神经网络PID三种模式进行仿真,得到模糊神经网络PID控制模式具有响应速度快、控制精准高、抗干扰性好、收敛速度和系统的鲁棒性优秀等优势。能够有效地改善恒温箱系统温度控制的性能。

基于RBF神经网络与模糊控制的短期负荷预测分析

短期负荷是电力系统调度中十分重要的内容,并且传统的负荷预测将线性建设作为基础,但是这样预测精准度较低,很难满足电力系统稳定运行的需求。对此,在短期负荷预测期间,为了取得良好的结果,将RBF神经网络与模糊控制作为基础,通过利用仿真实验平台,构建网络模型,并且利用以往的短期负荷数据展开预测工作,这样预测结果产生偏差的几率相对较小,取得相对较为理想的结果。基于此,本文主要分为三个部分,首先对RBF神经网络与模糊控制的相关概述进行了分析,其次阐述了RBF神经网络与模糊控制在短期负荷预测中的具体应用,最后利用实例对RBF神经网络与模糊控制的应用进一步的验证,充分说明RBF神经网络与模糊控制具有较强的可靠性,确保电力系统运行的稳定性。

基于模糊神经网络的机械轴承故障诊断方法研究

针对机械轴承智能化故障诊断的需求,提出了一种融合模糊逻辑和神经网络的故障诊断方法。利用EMD-AR谱提取机械故障振动信号特征,将提取的特征向量作为训练样本库和检验样本库,运用模糊神经网络实现故障诊断。最后设计机械轴承故障诊断专家系统,并通过轴承故障诊断实例,验证了智能诊断技术在机械故障诊断领域可以较好地满足诊断需求。

基于改进粒子群区间二型模糊神经网络的MPPT控制研究

针对太阳能发电单元最大功率点控制(MPPT)在复杂工况条件下存在的振荡、跟踪耗时长、精度较低的问题,提出一种基于改进区间二型模糊神经网络的预测控制模型。首先将减法聚类与区间二型模糊均值聚类算法相结合,辨识模型前件模糊规则层结构,计算得到聚类中心;其次,基于自导式粒子群算法优化后件权重层权值参数,进而提升网络全局寻优能力;最后,通过与TS模糊神经网络模型、基于反向传播算法的区间二型模糊神经网络模型进行仿真对比,验证所提模型在不同工况下对最大功率点追踪的快速性与精确性。

GNMR:基于图神经网络的三维神经元几何形态检索

神经元形态结构是分析神经元活动和发展功能的重要任务。如何有效识别不同形态的神经元是一个挑战。论文提出了一种基于图形卷积神经网络的三维神经元形态检索新方法(简称GNMR)。首先,采用子-父节点方案对三维神经元进行预处理,根据三维形态的空间几何结构,将一个三维神经元分别映射到X-Y、X-Z和Y-Z三个平面;其次,论文设计了一个GNMR来检索神经元形态,为了避免梯度爆炸和梯度消失的问题,在连接层增加了三层ReLU函数。最后,在NEU-1500数据集上对该方法进行了仿真,实验结果表明该方法能够有效识别三维神经元的形态,具有较高的检索准确率、精准率和召回率。

基于多层模糊神经网络的消防预警系统设计

针对城市消防预警能力有待提升的问题,分析了城市消防远程监控系统的数据构成特征。阐述了以消防巡查射频打卡数据和温度数据为挖掘重点的数据预警逻辑架构。采用多项式和对数深度迭代回归模糊算法,将输出值导入到预警结果整理模块后,通过模糊矩阵法生成模糊预警的方法,设计不同时间值域的本地双列数据。同时,约束当前时间点,并使用外部全城其他节点数据形成的参照矩阵,构建仿真设计方案。通过真实数据的仿真测试验证,该系统在不同消防预警级别下的敏感度、特异度均满足要求。与可查参考文献中其他机器学习算法对比发现,该系统的火情预警系统最优值相比更优。该系统拥有可置信的统计学优势。