应急模糊网络系统最大满意度路径的选取

讨论给定限制期条件下的应急系统模糊路径问题 .当边的长度为对称三角模糊数(Symmetric Triangular Fuzzy Number)时 ,由于模糊数的不可比性 ,网络中一般不存在绝对最短的路 .为此 ,引入了路径满意度函数的概念 ,从而问题就变成 :寻找一条从起点到终点的通路 ,应急车辆经过此路的时间不超过限制期 t的满意度最大 .这样的路径选取问题实际可转化为一个比例路径问题 ,尽管许多比例路径问题已被证明是 NP问题 ,完全可以针对问题的具体特点 ,运用最短路方法的变权迭代实现对该问题的精确求解 .

基于自适应模糊网络系统的径流序列预测

应用自适应模糊网络系统进行径流序列数据预测 ,并给出此类混沌数据列预测的ANFIS系统结构形式 .自适应模糊网络系统模型充分利用观测数据中的先验信息 ,预测结果精确、可靠 .最后通过实例应用证明该方法的可行性和有效性 .

粗糙集信息熵与自适应神经网络模糊系统相结合的电力短期负荷预测模型及方法

电力系统短期负荷预测不仅要考虑负荷本身的历史时间序列,而且与气象因素密切相关,自适应神经网络模糊系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)模型是一种有效的预测方法,而系统输入变量的合理性选择是影响预测效果的关键所在。作者通过粗糙集理论中的信息熵概念对解决这一问题进行了尝试,选取与待预测量相关性大的参数作为输入。所构造ANFIS系统是基于数据进行建模并进行参数辨识的,这样有效地避免了模糊推理系统(Fuzzy Inference System,FIS)中人为主观因素对预测的负面影响,客观地反映了相关变量与负荷值之间的复杂关系。用该方法与常用BP神经网络及常用FIS分别对重庆市某区进行了一周的日负荷预测,通过对实例的对比分析表明了该方法具有较好的收敛性和预测精度。

模糊神经网络系统在微波效应数据处理中的应用

描述了建立神经网络驱动的模糊系统的基本过程 ,结合部分微波效应数据建立了一个小型的效应预测评估模型。对应于学习样本 ,给出了网络输出值与样本输出真实值的比对情况 ,并对部分非学习样本输出值进行了预测 ,由对比情况可知 ,网络系统基本能够再现原始数据的真实面貌 ,并能对未知事件有一定的预测能力 ,作为一种效应数据处理方法 ,模糊神经网络系统具有一定的潜在应用价值。

基于自适应神经网络模糊推理系统的交叉口交通冲突数预测

自适应神经网络模糊系统在建立对象输入和输出关系时,与传统的数学方法不同,它是基于数据的建模。本文利用这一系统特性,建立平面交叉口交通冲突数与进入交叉口内的左转交通量、右转交通量、直行交通量和行人过街交通量之间模型,提出自适应神经网络模糊系统预测交叉口冲突数的方法,建立一种快速获取交通冲突数的预测方法,为交通冲突数的调查开辟了新的途径。

自适应模糊神经网络系统在管道泄漏检测中的应用

输油管道泄漏信号的检测存在信噪比较低的问题 ,利用自适应模糊神经网络系统的去噪方法可以提高压力信号、流量信号的信噪比。由于自适应模糊神经网络系统具有非线性映射和自学习能力 ,能够用于噪声信号的非线性建模。它不仅能够获取信号的最佳估计 ,并且能够克服信号处理中存在的模型和噪声的不确定性、不完备性。应用结果表明 ,自适应模糊神经网络的自适应噪声抵消器不仅实现简单、节省运行时间 ,而且能快速、有效地消除流量、压力信号中的各种噪声 。

开关磁阻电机自适应模糊神经网络系统(ANFIS)无位置传感器控制

提出一种基于有限元模型的开关磁阻电机自适应模糊神经网络系统(ANFIS)无位置传感器控制的新方法。自适应模糊神经网络系统以相绕组的电流和磁链为输入,以转子位置角度为输出,从而建立起电流、磁链和转子位置角度的非线性映射关系。网络训练的样本数据来自于有限元模型分析,它具有足够的精度,且不需要测量仪器和线路布置,不受环境干扰因素影响,能够大幅减少试验成本,缩短试验周期。仿真和实验结果表明,由自适应模糊神经网络获得的角度信号和由位置传感器获得的角度信号相比误差较小,电机能够准确换相,且输出转矩波动小,转速曲线平滑,电机在无位置传感器下运行良好。

模糊神经网络系统在优选压裂井层中的应用

油井压裂选井选层是一项复杂有难度的技术。目前一般采用定性分析结合经验判断进行 ,随意性大。考虑到选井选层各项指标具有较大的模糊性 ,应用模糊神经网络系统 (FNNS)来获取各项指标与压裂效果的关系模型和预测模型 ,从而优选施工井层。实践证明 ,该方法技术适应性强、成功率高、效益显著。

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。

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．

基于模糊神经网络系统的结构主动控制

目的应用自适应模糊神经网络对多维地震动下结构的振动进行主动控制.方法用这种自适应模糊神经网络作为主动控制器,以结构的位移和加速度作为输入,计算出主动控制力.结果将计算的主动控制力输入到结构的动力方程中,结构的位移响应有了较大幅度地减少.同被动控制相比有较大提高.结论自适应模糊神经网络是一种适用于对结构进行主动控制的智能算法。该控制系统无需引入结构的运动模型和精确参数;对复杂的结构易于建模;同被动控制相比其适应力强,消振迅速而且效果良好.

发动机试验台测控系统模糊神经网络控制方法的研究

结合模糊控制、神经网络、遗传算法的优点,提出发动机试验台测控系统模糊神经网络控制方法。利用遗传算法的全局优化策略,避免陷入局部最小点的缺陷。在建立发动机-测功机传动系统动力学模型、发动机有效转矩模型、测功机励磁电流模型的基础上,进行了动态仿真模拟,较好地解决了试验台控制的稳定性及测量的实时准确性问题。

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。

监督模糊神经网络控制系统

设计了一个监督模糊神经网络 FNN 控制系统 ,它可以跟踪周期输入信号 .控制系统由永磁 PM 同步伺服电机以及监督 FNN位置控制系统组成 .监督 FNN控制系统由监督控制器和 FNN滑式控制器组成 .监督控制器可以在指定区域内稳定系统的状态 ,FNN滑式控制器由滑式控制和 FNN组成 .滑式控制有较好鲁棒性 ,FNN具有在线学习能力 .作者对监督 FNN控制系统进行了详细的理论分析和稳定性研究 .

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 。

模糊神经网络系统的鲁棒控制器设计

设计模糊神经网络系统的鲁棒控制器,通过构造Lyapunov函数,推导出系统的鲁棒稳定性的条件和鲁棒控制律,并通过仿真验证所设计的控制器的有效性。

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。