自适应神经模糊推理系统优化的快速上肢评估方法

传统方法对工作相关肌肉骨骼疾病风险评估的输入变量变化敏感性较低,导致风险评估输出结果的精确性和可靠性不足。为更加准确地进行人因工程风险评估,提出了基于自适应神经模糊推理系统的快速上肢评估方法(RULA)。首先,基于卷积神经网络对视频中人体工作姿势的关键点进行检测及识别,并计算关节角度;其次,基于自适应神经模糊推理系统对快速上肢评估方法进行改进,搭建工作相关肌肉骨骼疾病风险评估架构以解决评估不同姿势时获得相同评分的问题;再次,随机选取不同工作姿势的关节角度数据对网络进行训练和检测,调整基于自适应神经模糊推理系统和快速上肢评估方法的工作相关肌肉骨骼疾病风险预测模型的最佳参数;最后,选取关节角度数据集里的前15个工作姿势进行相关性验证,将结果与原始快速上肢评估方法的结果进行比较,应用树枝修剪工具的操作过程进行案例分析以实现风险得分的实时动态评估。结果表明,优化后的快速上肢评估方法比原始方法更敏感,验证了利用自适应神经模糊推理系统能够有效改进快速上肢评估方法并实时预测风险得分。

基于能量熵和自适应神经模糊推理系统的齿轮故障诊断

为了解决齿轮振动信号中出现噪声污染严重,故障特征信息提取困难的问题,提出了基于能量熵和自适应神经模糊推理系统(ANFIS)的齿轮故障诊断方法。将预处理后的振动信号作自适应噪声完备经验模式(CEEMDAN)分解,可获得不同尺度的本征模态函数(IMF);由于各IMF包含主要故障特征信息,且不同故障状态下各IMF分布有明显不同,因此通过计算能量熵来量化故障时频域特征,构造出表征模态分量信息的特征向量;以此输入ANFIS进行样本的学习和训练,在自适应调整网络参数和隶属函数后,获得最优ANFIS。实验结果表明:该方法诊断结果准确率近乎100%,可有效地识别故障类型。

基于自适应神经模糊推理系统及随机分形搜索算法的黄酒发酵过程建模与优化

黄酒酿造是多菌种混合发酵,具有产物多样的特点,已有的黄酒发酵过程模型是建立在主要生化反应基础上的发酵动力学模型,模型的精度和泛化能力尚不能满足工业需求。针对黄酒醪液中生成产物多样的特征,该文利用模糊系统的建模策略,将自适应神经模糊推理系统的单维度输出扩展到多维度输出,提出了多输出自适应神经模糊推理系统模型;然后针对该模型参数量大的特点,该文将莱维飞行和层次学习策略融入随机分形搜索算法,提出了层次学习随机分形搜索算法,用于模型参数的辨识与优化。仿真结果表明,该算法提升了模型的精度和泛化能力,实现了不同生产批次黄酒发酵状态的良好预测。

基于自适应神经模糊网络的高压输电线路绝缘配合方法

在传统的线路绝缘配合中,因只考虑线路本身的绝缘配合过程,忽略对外部电路图的设计,导致绝缘配合效果不好,易发生线路放电,产生电弧造成一定的危险,因此提出基于自适应神经模糊网络的高压输电线路绝缘配合方法。分析输电线路的相角影响状况,智能控制合闸装置。搭建内外线路的仿真模型,校核绝缘水平,验证模型的适用性,最后基于自适应神经模糊网络优化线路配合方法,取得最优绝缘裕度,实现高压输电线路的绝缘配合。实验组的绝缘配合指数为95.68%,而对照组的平均绝缘配合指数为76.34%,可以证明所设计方法的有效性。

一种基于强化学习的在线神经模糊控制系统

为了实现基于非训练数据的神经模糊控制器的在线学习,提出了一种基于强化学习的神经模糊控制系统和相应的学习算法.该控制系统由神经模糊预测器和神经模糊控制器两部分组成,其中,神经模糊控制器采用基于确定度的模糊规则模型作为知识表示形式的扩展型神经模糊网络.在学习算法的设计中,尝试了利用强化信号得到输入状态的“期望输出”,进而将强化学习转化为基于训练数据学习的解决思路.仿真实验验证了所提出的控制系统结构和学习算法的合理性和可行性.

基于自适应神经模糊推理系统的磁悬浮电动机控制

磁悬浮电动机是一个非线性、强耦合的复杂系统,阐述了它的工作原理并建立了数学模型,为使该系统具有良好的动态性能和稳定性,采用逆系统方法解耦线性化,然后以解耦后的伪线性子系统为对象,设计了神经模糊PID控制器,该控制器利用PID算法实现控制的准确性,利用模糊控制的逻辑能力和神经网络的自学习能力来提高控制的快速性和自适应性。仿真结果表明,采用神经模糊PID控制响应快、无超调、过渡时间短,实现了预期目的。

空间点目标识别的神经模糊推理系统应用研究

提出了空间点目标在三个不同波段的辐射通量作为特征向量,使用自适应神经模糊推理系统(ANFIS)和动态进化神经模糊推理系统(DENFIS)进行识别.最后与BP神经网络、遗传算法以及遗传-神经算法三种方法进行比较,进行了仿真实验,仿真结果表明ANFIS,特别是DENFIS具有较好的学习能力和泛化能力,较大的提高了目标识别率,能够较好的进行空间点目标的识别.

基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法

针对实时电价对短期负荷的影响,建立了径向基(RBF)神经网络和自适应神经网络模糊系统(ANFIS)相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对不考虑电价因素的预测日负荷进行了预测,并根据近期实时电价的变化,应用ANFIS系统对RBF神经网络的负荷预测结果进行修正,以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度,克服了神经网络在电力市场下进行负荷预测时存在的不足。某电网实际预测结果表明,该方法具有较好的预测效果。

基于神经模糊Petri网的高压断路器故障诊断研究

为提高高压断路器运行的稳定性,该文借助Petri网的强大的知识表达和逻辑推理功能对高压断路器的状态进行评估和诊断。根据断路器的物理逻辑关系,构建了基于神经模糊Petri网的高压断路器故障诊断模型;采用失效模式与效应分析(FMEA)法对故障统计数据进行处理,求取库所置信度、变迁阈值、库所权值、规则可信度;优化正向推理算法,实现对高压断路器故障的准确预测;逆向推理结合最小割集可有效避免检修的盲目性。最后,以部分模型为例,进行推理分析,并通过故障树和统计数据来验证推理模型的正确性和合理性。

板带轧机板形控制倾辊弯辊神经模糊PID模型

板形是板带轧制的重要质量指标,倾辊和弯辊是板形控制的重要手段。目前常规的PID控制算法被广泛应用到板带轧机倾辊和弯辊板形控制系统中,但由于实际系统随机干扰严重,具有多变量、非线性、强耦合的特征,难以建立较为准确的数学模型,常规的PID控制算法很难满足板形高精度控制的要求。为能提高倾辊和弯辊板形控制系统的性能,在常规PID控制算法的基础上,建立基于神经网络的模糊PID倾辊弯辊板形控制模型,通过神经网络的自学习能力和模糊控制的'概念'抽象能力的有机结合寻找一个最佳的P、I、D非线性组合控制律,增强对控制环境变化的适应能力和自学习能力。仿真试验结果表明,该模型能很好地跟踪板形的目标设定值,响应快,超调小,鲁棒性强,可提高倾辊和弯辊对板形的控制精度,为板形高精度控制提供了一种新方法。

固体氧化物燃料电池的数学模型及自适应神经模糊辨识模型的研究

固体氧化物燃料电池(solid oxide fuel cell,SOFC)是21世纪最有生命力的发电技术之一。文章从SOFC实际应用的角度出发,应用改进的自适应神经模糊推理系统(adaptive neural fuzzy inference system,ANFIS)对SOFC建立了负载稳定和负载变化2种情况下的电特性模型。由于数据来源不足,首先根据SOFC的工作原理,运用电化学、流体动力学等学科理论,建立SOFC的数学模型,基于该数学模型获取ANFIS辨识模型的训练和预测数据。仿真结果显示了改进的ANFIS技术对SOFC系统的建模和控制具有一定的实用价值。

基于神经模糊技术的漏钢诊断预报模型的研究

剖析了连铸结晶器粘结性漏钢的基本特征 ,利用热电偶 ,提出一种新的漏钢诊断预报模型。主要包括神经模糊判别技术、单偶神经网络判别技术、组偶神经网络判别技术 。

基于自适应神经模糊滤波的低频振荡Prony分析

传统Prony法在分析低频振荡时对输入信号要求较高,存在着对噪声敏感的弱点。文中提出一种自适应神经模糊滤波和改进Prony法相结合的低频振荡分析方法。该方法先用自适应神经模糊滤波对低频振荡信号进行滤波,再用改进Prony法对滤波后的信号进行分析。其中改进Prony法有效阶数用归一化奇异值法确定。将该方法用于分析IEEE4机2区系统表明,在有色噪声影响下,该方法仍能相对准确地辨识出低频振荡主导模式,验证了其有效性。

非线性动态系统神经模糊建模与内模/PID双重控制系统设计

非线性动态系统的内模控制要求建立精确的对象正模型和逆模型,这对于大多数实际对象是难以做到.提出了基于一类神经模糊模型的非线性动态系统建模方法,并在此基础上研究了基于神经模糊模型的非线性系统的内模控制设计.基于输入输出数据辨识的对象正模型和逆模型存在着模型失配问题,导致神经模糊内模控制范围变窄和控制鲁棒性降低,为了改善系统的性能,提出了神经模糊内模控制与PID控制结合的双重控制策略.对CSTR的反应物浓度控制研究表明,双重控制策略能有效地拓宽系统可控范围,改善系统性能.仿真结果证明该控制策略简单而有效.

一种新的基于神经模糊推理网络的复杂系统模糊辨识方法

针对基于输入输出数据的复杂系统的模糊辨识问题,提出了一种新的神经模糊推理网络及相应的学习算法．学习算法被应用于系统的结构辨识与参数辨识．在结构辨识阶段,介绍了一种新的直接从输入输出数据中抽取和优化模糊规则的学习算法;在参数辨识阶段,提出和推导了一种非监督学习和监督学习相结合的混合式学习算法,实现模糊隶属函数的初步调整和优化．仿真结果表明,本文的方法可以同时满足对辨识精度、收敛速度、可读性和规则数的要求．

自适应神经模糊系统的LiFePO_4电池SOC预测

利用自适应神经模糊系统(adaptive neuro-fuzzy inference system,ANFIS)对电动汽车磷酸铁锂(LiFePO4)电池荷电状态(state of charge,SOC)预测研究。在分析ANFIS结构原理基础之上,采用BP(back-propagation)算法和最小二乘估计的混合算法分别建立两输入变量和三输入变量的ANFIS预测模型,并利用两种模型进行SOC预测。实例预测结果表明ANFIS能精确预测磷酸铁锂电池SOC值,且三输入变量ANFIS模型预测精度得到改善;与实测相比,三输入ANFIS预测模型的最大绝对误差在1%以下,平均百分比误差(average percentage error,APE)小于2%。

基于自适应神经模糊网络的果蔬抓取力控制

运用自适应神经模糊推理系统设计了农业机器人果蔬抓取力智能控制器。以当前抓取力和滑觉传感器信号的小波变换细节系数作为控制器的输入,末端执行器两指闭合距离作为控制器的输出。基于减法聚类建立模糊推理模型,通过调整聚类半径来优选模糊规则数。给出了训练样本数据集采集方法,并应用梯度下降与最小二乘混合训练算法辨识了控制器的前件参数和结论参数。对所设计的控制器进行了实验验证,结果表明该控制器能够适应果蔬质量、表面摩擦特性等方面的差异。抓取力超调量得到了限制,最大值小于0.8 N,可以避免给抓取对象造成机械损伤。

基于多信号源的神经模糊Hammerstein-Wiener模型研究

面对复杂工业过程控制的需求,设计一种结合数据信息的特殊模型结构,在保证控制系统有效性的前提下通过模型的结构来简化控制器的求解是亟待解决的问题.为此,本文提出一种基于多信号源的神经模糊Hammerstein-Wiener模型,突破传统的迭代分离方法,通过组合式多信号实现Hammerstein-Wiener模型中神经模糊非线性环节和线性环节的分离,同时设计了神经模糊模型参数的非迭代优化算法,将研究结果拓广到分段非线性系统,改善了模型的适用范围.该算法保证了模型的预测精度,具有逼近较强非线性过程的能力.在此基础上设计了基于神经模糊Hammerstein-Wiener模型的控制系统,利用模型的特殊结构将非线性系统的控制问题简化为线性系统的控制问题,采用简单的PID控制器便能达到较好的控制效果.仿真结果验证了上述方法的有效性.

城市快速路入口匝道神经模糊控制

综合考虑神经网络的学习能力、优化能力及连接式结构和模糊逻辑类似于人思维方式并易于嵌入专家知识的特点,将神经网络和模糊逻辑算法共同应用于城市快速路入口匝道驶入控制系统中.通过优化选择输入输出变量并对其进行模糊化和反模糊化处理,建立相应的模糊推理规则、关系生成方法及推理合成算法,并利用神经自适应训练方法确定隶属函数的形式和参数,最后给出应用示例.研究结果表明,利用神经模糊原理进行快速路入口匝道驶入控制能够有效提高匝道连接段的利用效率,减少交通事故.

神经模糊逆模/PID复合控制在CSTR中的应用

研究了基于广义基函数神经模糊模型的逆系统实现及其直接逆模控制 ,并提出将直接逆模控制与PID反馈控制相结合的复合控制策略 .该控制策略已应用于CSTR的反应浓度控制 .仿真结果表明 ,神经模糊逆模 /PID复合控制能克服因辨识逆模型不精确引起的缺陷 ,并具有良好控制性能 .