具有混合时滞的脉冲模糊Cohen-Grossberg神经网络p-指数稳定性

研究了一类具有混合时滞和脉冲的模糊Cohen-G rossberg神经网络p-指数稳定性.利用M-锥理论和不等式分析技巧,获得了保证此神经网络零解p-指数稳定的一些新的充分条件,推广和改进了已有文献的相关结果.

具时变时滞的随机模糊Cohen-Grossberg神经网络的均方指数输入状态稳定性（英文）

本文对具随机和时变时滞效应的模糊Cohen-Grossberg神经网络的均方指数输入/状态稳定性进行了研究.利用Razumikhin技巧和时滞微分不等式,本文得到了神经网络的均方指数输入对状态稳定性的充分条件,并给出了一个例子来说明该方法的有效性.

时标上变时滞模糊Cohen-Grossberg神经网络反周期解的指数稳定性

定义一类新的周期函数,建立了时标上模糊Cohen-Grossberg神经网络系统反周期解的存在性和全局指数稳定性的充分条件,最后给出相应的数值例子验证理论结果的有效性.

具有反应扩散项和脉冲的随机模糊Cohen-Grossberg神经网络的指数同步

研究了具有随机扰动项和反应扩散效应的脉冲模糊Cohen-Grossberg型神经网络的指数同步问题:通过李雅普诺夫泛函理论、随机微分方程理论、It8公式和不等式方法,基于p-范数下得到了该神经网络模型指数同步的新的充分条件,并发现随机扰动项的存在对该神经网络模型同步有抑制作用,而反应扩散项的存在对该神经网络模型同步有促进作用.

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。

基于模糊神经网络PID的煤矿掘进机俯仰控制研究

目前煤矿掘进机俯仰控制主要采用PID控制方法,在掘进机俯仰控制时变性与液压系统非线性情况下的控制精度不高。掘进机俯仰控制通过控制液压缸行程实现,将传统PID算法与模糊控制、神经网络等相结合,可有效提高液压缸行程控制精度。提出了一种基于模糊神经网络PID的煤矿掘进机俯仰控制方法。通过分析掘进机支撑部运动学关系,得到俯仰角与支撑部液压缸的数学关系;介绍了掘进机俯仰控制液压系统工作原理,建立了液压系统及其传递函数模型;将模糊控制与神经网络相结合,形成模糊神经网络,利用模糊神经网络优化PID控制参数,再结合支撑机构数学模型和液压系统传递函数模型,建立掘进机俯仰角模糊神经网络PID控制模型,实现煤矿掘进机俯仰机构自动精确控制。该方法可使掘进机俯仰机构更加快速、准确到达预设位置,解决掘进机俯仰控制中的时变性与非线性难题。仿真结果表明:模糊神经网络PID控制算法相较于模糊PID和PID控制算法,跟踪误差分别降低了69.34%和74.49%。通过液压缸位移控制模拟煤矿掘进机在突变工况和跟随工况下的俯仰控制,结果表明:模糊神经网络PID控制算法相比模糊PID和PID控制算法,俯仰控制跟踪误差最小,对位置信号的平均响应时间分别缩短了27.22%和50.33%,动态控制性能更好。

基于改进WOA-BP神经网络的电气火灾预警算法

电气火灾是一种严重危害人员安全和财产损失的事件,因此增强对电气火灾的早期预测和预警至关重要。基于提高电气火灾预测准确性的目的,采用了改进鲸鱼算法优化BP神经网络的方法,构建了电气火灾预警模型。使用剩余电流、工作电流电压和线缆温度作为神经网络的输入特征,结合上述改进方法对权值和阈值进行优化。优化后的参数作为初始参数进行模型训练,用于输出电气火灾的概率。采用电气柜中回路数据进行试验,将预测概率与剩余电流异常持续时间进行模糊化处理,得出火灾决策。研究结果表明,所提模型相关系数达到0.97,相较于传统方法提高了0.08,具有更高的准确性和可靠性。

基于模糊RBF神经网络PI控制的塑料薄膜收卷张力控制系统研究

介绍了吹塑机收卷张力控制系统模型,建立收卷张力数学模型并得出影响塑料薄膜收卷张力的主要因素。针对常规PID在薄膜收卷张力控制中的缺陷,提出了基于模糊RBF神经网络PI控制的薄膜张力控制方法,模糊RBF神经网络参数的初始值先通过改进的遗传算法进行优化,加快误差的收敛速度。该控制方法既能利用模糊控制的非线性控制作用,又能利用神经网络的自学能力,实现PI控制器参数实时自整定的要求。仿真结果表明该系统响应适度快、超调小、抗干扰性强,具有优良的控制效果。

基于模糊神经网络PID的PMSM速度控制算法研究

针对永磁同步电机(PMSM)控制系统中存在的内部参数难以确定、动态变化适应性差等问题,提出了一种模糊神经网络PID控制算法,实现对PMSM速度的精确控制。首先,该控制算法采用模糊神经网络对PID控制参数进行自适应整定,并利用反向传播(BP)算法动态调整模糊神经网络的参数。然后,利用Matlab/Simulink仿真了不同频率和大小的负载干扰下,该控制算法对PMSM响应速度和控制精度的影响,结果显示速度波动维持在极小范围,最大响应时间小于13ms;最后,在电机实验平台上进行了测试,实验结果表明该控制算法具有较好的响应速度和抗干扰能力,且对正弦波信号具有良好的跟随效果,可以适应不同的工况。

基于改进SSA结合模糊RBF神经网络的悬臂梁振动主动控制

随着航空航天事业的发展,为了节省燃料,同时提高航天器速度,航天器采用更轻的材料来减少质量。然而,此举也引入了柔性振动,灵活的振动增加了姿态控制的时间,导致姿态精度控制不尽如人意。因此,有效抑制柔性振动以实现高精度姿态控制非常重要。论文以柔性压电悬臂梁作被控对象,并利用压电薄膜(Polyvinylidene Fluoride,PVDF)作传感器和致动器,分析其振动的控制问题。基于PID和模糊理论的局限性,结合模糊控制器能模仿专家经验和径向基神经网络(Radial Basis Function Network,RBFNN)善于学习的优点,设计了模糊径向基(Fuzzy Radial Basis Function,FRBF)神经网络控制器来抑制悬臂梁的振动,并采用混沌映射的种群初始化策略、疯狂算子的领导者位置更新策略、精英保留及动态惯性权重的追随者位置更新策略改进的樽海鞘群算法(Salp Swarm Algorithm,SSA)来优化模糊神经网络权值。将改进后的控制方法在Matlab软件环境下进行了数值仿真,仿真结果表明,应用改进的模糊径向基神经网络控制器可以有效地提升主动控制的振动效果。

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。

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。