结合C-均值聚类的自适应共振神经网络在风电机组齿轮箱故障诊断中的应用

提出了一种结合C-均值聚类的自适应共振(Adaptive Resonance Theory 2,ART2)神经网络无监督学习分类方法,用于风电机组齿轮箱设备群的故障诊断.利用某风电场齿轮箱运行数据,采用ART2神经网络对样本数据进行初步分类,再采用C-均值聚类算法对神经网络分类结果进行修正,得到最终诊断结果,并与ART2神经网络分类结果进行了比较.结果表明:所提出的方法解决了原始神经网络算法存在"硬竞争"导致分类精度下降的问题,准确度高于传统的ART2神经网络,可以准确识别出故障齿轮箱.

基于减法聚类及自适应模糊神经网络的短期电价预测

提出了基于Takagi-Sugeno模型的自适应模糊神经网络的短期电价预测方法。首先采用减法聚类方法确定自适应模糊神经网络的结构,然后利用混合学习算法训练该网络的前件参数和结论参数,最后将影响未来日电价的相关因素输入到训练好的自适应模糊神经网络中进行电价预测。以美国加州电力市场公布的1999年负荷与电价数据进行模型训练和预测,结果表明采用该方法所建立的预测模型具有较高的预测精度。

基于自适应动态目标函数的模糊聚类神经网络

结合输入空间的聚类特性和输出空间实时逼近特性,在模糊聚类的目标函数中引入恰当的反馈因素,基于自适应动态目标函数,该文提出一种新的模糊聚类神经网络实现算法。该算法在收敛稳定性、收敛速度、初值敏感性方面,相对于传统模糊聚类算法有了明显改善,相关实验表明,该算法具备高效、稳定的工程应用价值。

基于减法聚类和自适应模糊神经网络方法的运动规划器设计

使用减法聚类和自适应模糊神经网络方法设计了一种水下机器人运动规划器。根据输入输出数据的特性,用减法聚类算法,自适应地确定模糊系统的初始结构和参数,提出将模糊神经系统参数分解为非线性前提参数和线性结论参数并分开辨识。采用梯度下降算法和最小二乘算法分别进行自适应模糊推理系统前后件参数的优化,提高了参数的学习效率。仿真结果表明:在相同的仿真环境下,所设计的自适应模糊神经网络运动规划器的规划效果要好于模糊运动规划器。

基于动态递归模糊神经网络的共振频率自适应反推控制

针对共振破碎机频率控制系统的非线性和参数不确定性问题,提出基于动态递归模糊神经网络的自适应反推控制策略.建立了破碎机频率控制系统的数学模型,在忽略个确定性项的前提下,设计了基于自适应反推方法控制律.其次将电液比例系统中影响频率控制性能的不确定性因素定义为待估计项,采用动态递归模糊冲经网络对其进行估计,给出了基于动态递归模糊神经网络的参数自适应律,并通过Lyapunov方法证明了输出跟踪的收敛性.仿真实验和车载测试结果表明,对于参数的不确定性和负载扰动,该方法具有较好的频率控制性能.

利用减法聚类的自适应模糊神经网络客观评定织物起皱等级

本文提出一种基于减法聚类的自适应模糊神经网络 ,用于织物起皱等级评定。首先利用减法聚类方法确定模糊神经网络的结构 ,再结合模糊推理系统进行模式识别 ,并详细介绍其基本原理和学习算法 ,最后引入四种起皱特征参数对真实织物进行验证 ,实验表明该方法是有效。

基于减法聚类的自适应模糊神经网络的短期负荷预测

论述了基于减法聚类的自适应模糊神经网络(ANFIS:adaptiveneuro-fuzzyinferencesystem)的短期负荷预测方法.利用减法聚类的方法确定了自适应模糊神经网络的结构,再结合最小二乘估计法和反向传播算法对参数进行训练.向训练好的自适应模糊神经网络输入相关的影响因素数据进行预测.预测结果显示,自适应模糊神经网络能比人工神经网络获得更高的预测精度和耗费更少的训练时间,所以有更好的使用价值.

基于减法聚类的自适应模糊神经网络评定织物起皱等级

提出了一种基于减法聚类的自适应模糊神经网络,用于织物起皱等级评定.首先利用减法聚类方法确定模糊神经网络的结构,再结合模糊推理系统进行模式识别,并详细介绍了其基本原理和学习算法,最后引入4种起皱特征参数对真实织物进行验证.实验表明,该方法有效且可行.

基于模糊协方差的自适应聚类神经网络

将模糊协方差距离测度引入到竞争学习型神经网络的参数控制中,采用批处理的网络学习方式消除数据样本顺序对网络权重调整的影响,通过淘汰及合并数据集的冗余类实现对未知类别数、多种分布型数据的自适应聚类.实验表明,新网络对数据集的分布形式有较强的鲁棒性,并能正确确定数据集的类别数.

神经网络自适应共振理论应用于心电图QT间期自动检测的研究

介绍一种利用改进的ART(自适应共振理论 )人工神经网络检测心电图QT间期的方法 .用经过训练的ART网络对心电波形进行分类和识别 ,较准确的测出T波终点位置 ,从而提高QT间期检测的正确率 .该算法在一定程度上模拟了心电专家手工测量QT间期的过程 ,用于检测包括MIT心律失常数据库 (MIT/BIHArrhythmiaDatabase)在内的共近千个心跳波形 ,并以两位心电手工测量结果作为标准数据进行对比 .对比结果显示 ,我们的算法对单路心电波形自动检测的准确度与通常手工测量具有可比性 ,充分体现了人工神经网络的优越性 ,在要求自动检测大量数据的场合具有显著的应用价值 .

基于人工神经网络自适应共振理论的手写字符识别

以人工神经网络中的自适应共振理论为基础,研究了用光标在电脑屏幕上进行手写输入的字符识别方法.根据专业领域文字输入中经常使用特殊字符的特点,程序部分由内核是Unicode的Java实现.采用Unicode编码不但可以方便地实现特殊字符的识别和显示,还有利于跨平台的移植,较好地解决了文字录入中特殊字符不易查找以及某些用户操作键盘不便等实际问题.

基于自组织神经网络的模糊聚类同调机群识别

给出了一种利用基于融合自适应共振理论和Kohonen网络基本思想的自组织神经网络(简称自组织神经网络)的模糊聚类方法识别电力系统同调机群的算法。首先对输入数据进行模糊预处理,即采用最大–最小法建立能够反映发电机组间同调程度的模糊相似矩阵;然后将其每行或每列输入自组织神经网络模型进行训练,最终竞争获胜的输出层神经元代表不同的动态类型,即不同的同调发电机组;最后在EPRI-36节点系统上分别对自组织神经法和自组织神经模糊聚类法进行了仿真计算。结果表明:自组织神经模糊聚类法的识别结果比自组织神经法更加接近基于时域仿真的结果,没有出现误判,且自组织神经法能在更大时间范围内对同调机群进行准确识别。

一种新的模糊聚类神经网络及其在水资源评价中的应用

本文在工程模糊集理论的基础上,融合香努(Kohonen)聚类网络与自适应谐振理论(AdaptiveResonanceTheory ,ART)的优点给出了一种新的模糊聚类神经网络,并将其应用于区域水资源评价中。网络模型融入模糊识别理论,增强了处理复杂水资源问题的能力,同时模糊竞争的学习算法改善了Kohonen网络学习效果。结合ART理论使得网络模糊类别数可以增加,因此具有较强的可塑性。最后。

基于自适应遗传粒子群优化模糊神经网络的疲劳驾驶预测模型

为提高疲劳驾驶的预测精度,提出了基于减法聚类和遗传粒子群优化模糊神经网络的疲劳驾驶预测模型。根据训练样本,利用减法聚类确定网络结构和初始参数;借助于进化速度因子,采用自适应遗传粒子群算法优化网络参数。利用疲劳驾驶实车模拟实验获得的数据,对该模型进行了训练和测试,并将结果与传统的粒子群、遗传和反向传播算法进行对比。结果表明,该模型不仅精简了网络结构,缩短了训练时间,而且减小了全局误差,提高了预测精度。

基于模糊c-均值—粗糙集—自适应模糊神经网络推理系统集成的故障诊断(英文)

考虑模糊聚类的数据离散功能,粗糙集理论对决策系统的约简能力,以及模糊神经网络在模式识别方面具有的优势,提出了模糊c 均值(FCM)—粗糙集—自适应模糊神经网络推理系统(ANFIS)集成进行故障诊断的方案:首先,应用FCM聚类方法离散故障诊断数据中的连续属性值;然后,基于粗糙集理论计算诊断决策系统的约简,按照实际需要确定诊断条件;最后,根据系统约简设计ANFIS进行故障诊断。4135柴油机的实际诊断结果验证了文中提出集成故障诊断方案的可行性。在数据充分的条件下,该方案可以推广应用于其它机械设备。

基于模糊聚类神经网络的煤炭资源分类研究

采用模糊聚类神经网络方法建立了煤炭资源分类模型 ,通过自适应算法与误差逆传播算法相结合 ,解决了以往神经网络不能处理模糊问题的缺陷 ,从而更适应现实评价条件的需要。

基于模糊聚类的神经网络短期负荷预测方法

针对电力负荷的特点,综合考虑天气、日类型、历史负荷等对未来负荷变化的影响,提出了一种新的短期负荷预测方法。通过模糊聚类选取学习样本,采用反向传播算法,对24点每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力,提高了学习效能,在负荷平稳的季节和负荷波动较大的季节都具有较好的预测精度。

基于自适应模糊神经网络的机器人焊接焊缝外形预测方法

为提高机器人焊接焊缝外形预测的准确性,提出一种基于直觉模糊C均值聚类和自适应惯性权重粒子群算法(IFCM-APSO)相融合的模糊神经网络焊缝外形预测方法。该方法以T型焊缝的焊脚宽度和焊高高度作为评价标准,选择影响焊接质量的焊接速率、激光功率、送丝速率和保护气体流量这4种变量作为输入参数,对自适应模糊神经网络中隶属函数的中心值和宽度进行优化,以保证机器人焊接的输入和输出参数具有较好的拟合性。最后,经过仿真和实验表明,所提出焊缝外形预测方法能较好地对机器人焊接的输入和输出参数进行非线性拟合,提高了其全局搜索能力和收敛速度,解决了传统模糊神经网络训练过程中容易陷入局部极小点的问题。

基于减法聚类模糊神经网络的砂土液化势判别

砂土地震液化问题是岩土地震工程学的重要研究课题之一。在分析模糊神经网络原理的基础上,利用减法聚类算法对自适应模糊推理系统进行优化,并建立了砂土地震液化的模糊神经网络模型。然后,将该模型用于实际工程的砂土液化判别中,并与传统砂土液化判别方法结果进行对比。判别结果表明:文中建立的模糊神经网络模型具有较强的学习功能,用于砂土地震液化判别中是可行的和有效的。

基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。