前馈神经网络在预测连续泄漏系数中的应用

受泄漏孔几何参数、液位、液体物理特性及流动状态等因素影响,储罐连续泄漏系数难以直接采用流体力学建模求解。通过常压立式储罐连续泄漏试验获取数据样本,利用前馈神经网络(Feedforward Neural Network, FNN)算法构建连续泄漏系数(Cs)与输入变量间的非线性关系,建立基于前馈神经网络算法的Cs预测模型。模型性能评估结果表明,模型的平均绝对误差(EMA)、解释方差分(SEV)及决定系数(R2)分别为0.015 4、0.949 2及0.948 2,表明模型预测性能良好。与相应连续泄漏试验值比较,预测Cs的总平均绝对偏差范围为5.28%~7.34%,质量流率平均偏差为4.60%~6.51%,连续泄漏量的平均偏差为0.84%~2.03%,模型预测结果优于采用泄漏经验常数的计算结果,证明该模型可有效预测连续泄漏期间Cs值及变化趋势。

基于模糊神经网络(FNN)的赤潮预警预测研究

为研究各种理化因子与赤潮藻类浓度间的非线性对应规律和有效预测赤潮藻类浓度,构建了基于BP算法的一个四层模糊神经网络模型。将模糊神经网络(FNN)技术引入赤潮预测研究,并与普通BP网络、RBF网络的结果作比较,结果表明,该模型能够较好地反演出各种理化因子与夜光藻密度的非线性对应变化规律,有更好的预测功能。

湍流扩散环境中基于前馈神经网络的信源定位算法

为实现湍流扩散环境中的信源定位,提出了一种基于前馈神经网络(FNN)的定位方法.在FNN中联合交叉熵函数和均方误差函数作为损失函数,并在数据输入前增加了批量归一化层防止测试集过拟合.利用仿真得到的分子浓度数据对FNN模型进行训练,并使用测试集验证了所提方法的性能.仿真结果表明:在20 m仿真长度的湍流管道中,对于定位和初速度识别均在20次迭代内达到收敛;得到的平均定位误差为0.2 m,且误差在0.69 m范围内的概率达到90%,初速度识别的准确率达到95.4%.所提方法可以实现不同分子释放速度条件下的信源定位并识别发射分子的初速度,极大地减少了接收机的布置.

基于模糊神经网络的网络业务量预测研究

利用神经网络(NN)的自学习能力以及模糊逻辑的动态性和及时性等特点,将模糊逻辑和 NN 有机地结合起来,构造出了五层模糊神经网络(FNN),并用训练 NN 的相应学习算法-BP 算法来训练网络。本文将 FNN 用于网络自相似业务预测研究中,并与单纯的 NN 算法相比较。仿真结果表明,FNN 能很好地预测复杂网络业务,与传统的 NN 算法相比,不仅收敛速度快,且得到更好的预测效果。本文为复杂网络业务流量预测研究提供了一种有效途径。

基于模糊神经网络的发电机励磁控制器的研究

在分析发电机励磁控制系统的基础上将模糊控制理论和神经网络技术有机结合,提出了基于模糊神经网络(Fuzzy Neural Network,FNN)的智能型励磁控制策略,构造了具有双FNN模型结构的励磁控制器。所构建的FNN励磁控制系统不仅保留了模糊控制的功能,而且具有体现励磁控制非线性特征的能力,能更精确地反映系统的动态变化过程,具有更强的鲁棒性和适应性。

基于模糊神经网络的深井底板突水判别研究

通过分析深井底板突水因素的影响作用,建立各影响因素的层次分析结构模型,运用层次分析法计算各影响因素的权重并进行排序,进而选出深井底板突水的主控因素。在该基础上,建立隶属度和隶属函数实现各因素的归一,构建基于模糊神经网络的深井底板突水判别模型,选择合适的网络结构参数以改善神经网络的缺点,并选取样本训练网络,以现场实例为验证样本,以突水等级作为输出结果,该判别表明基本符合工程实践。

模糊神经网络研究

评述了模糊神经网络的结构、学习算法、模糊函数逼近和普适性等最新研究成果，并对模糊神经网络今后发展提出了新见解．

基于模糊神经网络的故障诊断方法研究

文章构造了一种模糊神经网络模型,并详细阐述了模糊神经网络(FNN)的结构、算法。经过MATLAB仿真运行证明其可行性,另外在相同的条件下,FNN网络在故障诊断的准确率及训练速度方面均优于传统的BP网络。

基于神经网络实用稳定性理论提高FNN容错性的方法及其在电力系统中的应用

在神经网络(NN)实用稳定性理论和对前馈神经网络(feed-forward neural network, FNN)容错性能(fault- tolerance performance, FTP)理论分析的基础上,提出了一种提高FNN容错性的实用方法,该法建立了基于FNN学习与模糊处理相结合的FNN模型重构机理,以改变FNN“伪吸引子”和“伪吸引域”来地提高FNN的FTP。文中以电力输电线路故障诊断为例,通过仿真测试证明了所提方法的可行性,并能有效地提高FNN的FTP,所研究的方法为基于FNN实时信息处理系统的实际应用提供了重要的保证。

时滞系统的模糊神经网络补偿控制

针对传统的模糊神经网络(FNN)在线控制方法用于控制时滞对象时存在调节时间较长的问题,分析产生这一现象的原因,对传统的模糊神经网络在线控制进行改进,给出一种新的确定补偿量的方法.基于递推最小二乘(RLS)法在线辨识对象模型,通过时滞对象模型预测对象输出的变化,利用补偿方法得到控制量的补偿量.设计二维输入的带补偿的模糊神经网络控制器,进行实验与仿真研究.仿真结果表明,该补偿方法调节时间短,控制精度高,比传统的模糊神经网络的控制效果明显.

基于动态模糊神经网络的飞行仿真模拟转台控制

给出了一种新型的动态模糊神经网络及其详细的推理过程和参数迭代算法,并应用于高精度飞行仿真模拟转台控制,控制方法结合了神经网络、模糊推理和动态反馈控制的优点,结构简单、收敛速度快、实时性好。实际控制效果表明该控制方法比PID+前馈控制具有更好的控制性能,并且具有更强的抗干扰能力和鲁棒性。

模糊神经网络在超声马达位置控制中的应用

提出了利用模糊神经网络控制器 (FNN)实现对超声马达位置进行控制的方法 ,并提出适应法则进行在线训练 ,以减小由于参数的不确定性和外部干扰对超声马达所产生的影响 ,提供了FNN控制器的结构图。仿真与实验研究表明 。

基于模糊神经网络补偿的刚性机械手轨迹跟踪鲁棒控制

对存在模型误差和外部扰动信号的刚性机器人,提出采用计算力矩和模糊神经网络补偿相结合的控制方法,实现了刚性机器人轨迹跟踪鲁棒控制。该控制方案不仅可以简单得到精确在线训练数据,而且克服了神经网络控制实时性差的弱点。仿真结果表明,采用模糊神经网络作为补偿控制器,既能消除不确定性对系统的影响,又能得到渐近收敛的跟踪误差。

模糊神经网络变结构算法优化的研究

随着生产实际情况的不断变化,以及模糊神经网络不断的改进和发展,提出一种改进的构造神经网络的方法,并且提出混合学习算法,结合共扼梯度下降法与递归最小二乘估计来分别辨识网络中的前、后件参数,并对非线性系统进行仿真实验,达到控制要求。

基于模糊神经网络的苗木地径定位方法研究

为了实现针叶苗木分级特征的提取 ,提出了基于模糊神经网络 (FNN)的地径自动搜索定位 (RC- ASL)方法 ,同时提出了针叶苗木图象行像素特征向量的构造方法 ,并应用相应的隶属函数实现了各特征量的模糊化过程 .经过网络的学习和训练 ,得到了用于实现 RC- ASL 方法的 FNN结构 .实验结果表明 。

模糊神经网络优化的研究

模糊神经网络具有强大的自学习和自整定功能,然而,随着生产实际情况的不断变化,以及模糊神经网络不断的改进和发展,提出一种改进的构造神经网络的方法,并且提出混合学习算法,结合共扼梯度下降法与递归最小二乘估计来分别辨识网络中的前、后件参数,并对非线性系统进行仿真实验,达到控制要求.

基于PLC的模糊神经网络控制系统的研究

本文对活性白灰回转窑生产线进行了PLC系统配置,分析了T-S模型的模糊神经网络的结构,进一步分析了模糊神经网络的学习算法,给出模糊神经网络PID的结构和设计方法,并对该系统进行了仿真,证明该系统具有良好抗干扰和跟随能力。

基于人工神经网络模型预测油炸外裹糊鱼块的丙烯酰胺含量

为实现对油炸外裹糊鱼块的丙烯酰胺含量的预测,采用响应面试验设计收集数据,建立以黄原胶和大豆纤维复配比例、外裹糊鱼块干燥时间、大豆油品质、油炸温度、油炸时间为输入值,油炸外裹糊鱼块的丙烯酰胺含量为输出值的反向传播人工神经网络(back propagation artificial neural network,BP-ANN),预测外裹糊鱼块深度油炸过程丙烯酰胺含量的变化,并用训练集拟合,测试集评估模型的预测能力。结果显示,黄原胶和大豆纤维复配比例、外裹糊鱼块干燥时间、油炸温度、油炸时间对油炸外裹糊鱼块的丙烯酰胺含量均有显著影响,大豆油品质对油炸外裹糊鱼块中丙烯酰胺含量影响不显著。训练后的BP-ANN模型的相关系数R值为0.997,拟合良好,有很强的逼近能力;模型对新数据预测的误差较小,最大相对误差为5.34%,最小相对误差为0.12%,表明BP-ANN模型能准确预测油炸外裹糊鱼块的丙烯酰胺含量。

粒子群优化算法训练模糊神经网络

研究合适的神经网络学习算法是令人感兴趣的问题。提出一种用粒子群优化(PSO)算法训练模糊神经网络的方法。PSO的位置向量对应模糊神经网络的权值向量,而PSO的适应函数对应模糊神经网络的目标函数,然后,通过演化PSO达到训练模糊神经网络的目的。用PSO算法训练模糊神经网络预测混沌时间序列的实验结果表明PSO算法性能优良,适合训练模糊神经网络。

模糊神经网络集成在液压故障诊断中的应用

阐述了神经网络集成的基本概念及其在液压故障诊断中应用时的个体网络生成方法和结论结合方法。根据液压系统的工作特点,采用Gauss随机函数作为个体网络的训练样本的随机采集函数,使个体神经网络的输出集中于各工作阶段的主要故障,并保持了个体网络之间的差异性,增强了网络集成的泛化能力。