基于模糊ARTMAP神经网络的车牌识别

车牌识别是一种车辆自动识别技术。本文提出了一种用模糊ARTMAP神经网络来识别车牌的方法。模糊ARTMAP神经网络是神经网络家族中的一种比较新的体系结构，与传统的BP算法相比，它具有较强的学习能力。

基于模糊ARTMAP神经网络农用汽车助力转向系统控制

针对农用汽车电动助力转向系统非线性较强、稳定性较差等问题,基于模糊ARTMAP神经网络,建立农用汽车电动助力转向系统控制模型,对电动助力转向系统中的驱动力矩和助力力矩进行控制,利用matlab仿真软件进行分析。分析结果表明,随着驱动力矩的增加,助力力矩逐渐增加,但是增加的趋势先增加后减小;驱动和助力力矩的目标值与仿真值在仿真初期存在一定的差异,随着时间的增加,两者差异逐渐减小直至为零;设计的基于模糊ARTMAP神经网络的控制系统,控制精度较高,稳定性较好,可以满足要求。

具有自适应类警戒参数的模糊ARTMAP神经网络

提出了一种具有自适应类警戒参数的模糊ＡＲＴＭＡＰ神经网络，为不同的模糊ＡＲＴ的类族设置了不同的警戒测试参数，并在学习过程中进行自适应调整。还提出了新的非交叠超方形以及非交叠的Ｎｅｓｔｅｄ超方形的建立与扩展学习规则。新的神经网络模型可以提高识别率，解决了发生在传统模糊ＡＲＴＭＡＰ神经网络中的记忆稳定性和弹性问题，并解决了传统的模糊ＡＲＴＭＡＰ神经网络不能处理的非凸输入特征空间的分类问题。

模糊ARTMAP神经网络在一维信息聚类分析中的应用

从生物脑神经网络的信息处理入手，讨论了ＡＲＴＭＡＰ人工神经网络的聚类模型，给出了其有师学习过程，并依据物以类聚的哲学原理，从类的角度，论述了事物细节的类可描述性，为一维信息的描述提供了新的途径． 同常规的数学关系描述法相比，对于那些无法用确定的数学模型来描述的事件信息，类描述法有其独到之处．

模糊ARTMAP神经网络在TM影像分类中的应用

要 :阐述了模糊ARTMAP网络结构及其采用的算法 ,提出一种引入遥感图像判读结果的警戒系数自动调整算法 ,能够解决人为选择警戒参数效率低、难以取得合适数值的问题 .仿真结果表明 ,具有警戒系数调整功能的模糊ARTMAP神经网络能够有效地对向海自然保护区的TM影像进行分类 ,它与最大似然法和传统的模糊ARTMAP神经网络相比 ,对样本的依赖程度较低 ,分类精度较高 .

一种快速模糊ARTMAP神经网络算法

模糊ARTMAP神经网络学习算法可以动态高效地检测新闻文本中的模式,但随着网络大小的增加收敛速度变慢,计算复杂,鲁棒性不高。因此提出了一种快速模糊ARTMAP神经网络算法。该算法主要提出了新的匹配函数和激励函数,不需要规范化和补码计算步骤,去除了匹配跟踪过程,当发生未遂节点为赢得竞争的节点时,直接建立一个新的模板层的类标识。算法的革新之处在与既能动态维持聚类结构同时又减少了算法的复杂性。实验结果证实了该算法在合理时间内产生了高质量的模式发现。

模糊ARTMAP神经网络在二维信息聚类分析中的应用

在模糊 ARTMAP神经网络的模型的基础上 ,重点介绍了二维信息的聚类原理 ;并从几何的角度 ,讨论了二维信息的类描述法 ,类的物理含义、类的扩充及界定等问题 .同时 ,对类的唯一性、收敛性和稳定性在理论上进行了探讨 .最后以圆的识别问题作为模拟教师样本对网络进行了学习 ,给出了学习步骤及结果 .该方法特别适合于分析那些无确定的数学模型的事件 .

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。

基于模糊神经网络的微电网荷储协调智能控制方法

针对传统比例-积分-微分(proportional integral derivative,PID)控制和模型论控制方法难以应对新型电力系统背景下微电网面临的运行场景复杂多变的问题,提出了基于模糊神经网络的微电网荷储协调智能控制方法。首先确定了微电网模糊控制输入及输出变量,以平抑净负荷波动及减少储能充放电频次为目的,将微电网控制经验总结成模糊规则表,采用神经网络深度学习算法修正模糊控制模型的隶属度函数中心、宽度和输出权重来提高模型的自适应能力,从而制定了可调控负荷和储能的功率控制系数;进而针对模糊神经网络控制输出的负荷调控需求量在各可调控负荷间分配的问题,提出了基于灵活性供给指标排序的负荷调控优先级选择方法,最终完成了微电网系统储能单元和可调控负荷控制策略的制定。某典型微电网系统算例仿真结果表明,所提方法制定的各可调控负荷与储能控制策略能在避免储能频繁和过度充放电的同时,在并网状态下有效减弱并网功率对上级电网造成的随机扰动,在孤岛状态下能够有效平抑系统功率波动,提升系统运行稳定性。

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。