雷达网数据融合的自组织模糊神经网络模型

对雷达网的数据融合提出了一种自组织模糊神经网络模型 ,分析了该模型的自组织特征及神经元感应场内模糊隶属度函数最大的 WTA竞争机制 .通过二维舰船目标的识别和航迹融合仿真实验 。

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。

基于胃组织病理图像数据集的卷积神经网络模型对胃癌的早期预测价值

目的:探究胃组织病理图像数据集的卷积神经网络(CNN)模型对胃癌(GC)的早期预测价值,开发并验证GC早期预测模型。方法:将154例GC患者按照分期不同分为早期组(n=87)和中晚期组(n=67)。采用Logistic回归分析临床协变量;使用卷积神经网络(CNN)特征提取模型,搭建CNN预测模型;受试者工作特征(ROC)曲线评估区分度,校准曲线评估准确度。结果:年龄、基础疾病、幽门螺旋菌感染、红细胞计数(RBC)、白细胞计数(WBC)是GC的独立危险因素。最佳的CNN特征提取模型为3个卷积层、2个池化层和1个全连接层。CNN的各项指标均优于其他模型;校准曲线分析,CNN模型的拟合效果显著。结论:基于胃组织病理图像数据集的CNN模型具有良好的预测性能,临床可行性较好。

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。

基于自组织映射神经网络的淮河流域生态系统服务簇时空变化特征

生态系统服务簇的识别是区域生态系统服务管理与优化的关键。量化了2000、2010、2020年淮河流域产水量(WY),水源涵养(WC),土壤保持(SC),生境质量(HQ),水质净化(WP),净初级生产力(NPP)和碳储量(CS)7种生态系统服务。并基于自组织映射神经网络(SOFM)识别了生态系统服务簇,探讨了生态系统服务簇的时空变化特征。结果表明:(1)2000—2020年,WP,NPP与WC呈上升趋势,WC的增幅最大;CS与HQ呈下降趋势。淮河流域各生态系统服务具有时空异质性,生态系统服务高值区多位于西南部山区与东北部丘陵山地地区。(2)识别了5个生态系统服务簇:核心生态服务簇,WP服务簇,WY服务簇,NPP服务簇与生态过渡服务簇。核心生态服务簇与生态过渡服务簇的面积总体增加,流域西南部山区与东北部丘陵山地地区生态系统服务提升,2000—2020年,WY服务簇与NPP服务簇间的转移面积较大,WY服务簇面积减少达60.09%,NPP服务簇面积显著增加,2020年占整个流域面积的57.02%。研究结果不仅有助于清晰认识淮河流域生态系统服务簇的空间分布格局及动态变化,也为探索淮河流域可持续的生态系统管理与规划决策奠定了基础。

基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法

现行方法在火电厂锅炉主蒸汽温度控制中应用效果不理想,阶跃响应性能较差,而且超调量较高,因此本文提出基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法。利用线性化分布参数建模方法建立火电厂锅炉主蒸汽温度参数数学模型,利用模糊神经网络进行锅炉主蒸汽温度误差补偿控制,实现基于模糊神经网络的火电厂锅炉主蒸汽温度控制。经试验证明,本文方法阶跃响应时间较短,超调量在1℃以内,在工业控制领域具有良好的应用前景。

基于模糊神经网络的SCR脱硝效率预测模型研究

针对火电厂选择性催化还原(SCR)系统存在变量多、耦合性强等特点,造成脱硝效率难以准确实时监测的问题,提出利用Takagi-Sugno(T-S)模糊神经网络算法,建立多输入单输出预测模型,以研究未来时间脱硝效率的变化。将模糊C均值(FCM)聚类算法用于结构辨识、模糊神经网络的混合学习算法用于参数辨识,构造T-S模糊预测模型。在分布式控制系统(DSC)上采集连续48 h实时数据,并利用MATLAB进行模型训练与检验。试验结果显示:训练集98%点的相对误差在±1.5%之间,最大误差小于2%,检测集99%点的相对误差在±0.5%之间,最大误差小于2.5%。该模型能够较好地反映SCR烟气脱硝效率,可以为脱硝效率的控制优化提供依据。

基于GIS的岩爆倾向性模糊自组织神经网络分析模型

岩爆倾向性是评价地层深部工程安全性的一个十分重要的指标之一。研究方向把常规的研究岩爆倾向性的方法与GIS技术结合起来,利用GIS的空间数据分析技术和模糊自组织神经网络,对评价岩爆倾向性的多源信息进行加工处理,建立了一个基于GIS技术的岩爆倾向性模糊自组织神经网络模型。

基于自组织模糊神经网络的市场占有率模型

针对现有市场占有率模型 (如传统的统计方法和近年来出现的模糊模型与神经网络模型 )实际预测效果并不理想的问题 ,结合模糊神经网络和自组织理论建立了基于自组织模糊神经网络的市场占有率预测模型 .该模型无需事先确定模糊控制规则 ,并能通过神经网络的结构及参数学习调整模糊神经网络的结构 .最后结合实例进行了仿真 ,结果显示该模型优于其它模型 ,能为企业提供有力的市场占有率定量分析工具 .

地下工程稳定性的模糊自组织神经网络聚类分析模型

基于模糊数学和自组织特征映射神经网络理论 ,提出了把具有高度非线性特征的自组织特征映射神经网络和模糊聚类分析结合起来 ,应用于地下工程稳定性的识别 ;建立了地下工程稳定性的模糊自组织神经网络聚类分析模型 ,并把它首次应用于采场稳定性的识别 ,深刻地揭示了采场稳定性的自组织特性。实例分析表明 ,该方法是一种科学的分类方法 。

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在的设备故障,结合大数据分析技术和设备评估技术,提出了一种基于时间序列和神经网络的状态数据异常检测方法。通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,计算状态变量在时间轴上的转移概率,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。结果表明,该方法可以快速、有效地检测电力设备异常状态。

基于模糊神经网络的模型预测硅单晶直径控制

为了生产大尺寸、高质量、低能耗的直拉单晶硅棒,文中通过在直拉硅单晶生产车间采集的大量数据,通过模糊神经网络(Fuzzy Neural Networks,FNN)和模型预测控制(Model predic-tive control,MPC)进行建模,得到了等径阶段的直径预测模型和直径控制模型.直径预测模型测试结果表明:平均相对误差仅为0.0287%,预测精度极高.通过仿真并与常规PID控制进行对比分析得出,MPC比常规PID控制的调节速度快53.66%,并且MPC的控制过程非常稳定,其超调量基本为0;由加热器功率调控变化过程可知,MPC减少了调节过程的能耗,并提高了热场稳定性及单晶硅棒质量.通过预测模型建立的直径控制模型能提高控制精度并促进硅单晶高质量生产.

基于BP神经网络实现小批量物料生产安排

本文以2022年全国大学生数学建模竞赛E题为背景,利用已有历史数据,研究小批量物料生产计划。首先利用模糊综合评价选定数据集,然后结合BP神经网络模型对选定数据集进行预测分析,最后建立生产计划模型实现生产计划合理安排。模型结果表明,预测数据与真实数据的平均绝对误差、均方误差、总方差结果均在合理范围内,且满足平均服务水平大于85%的要求。

基于多重模糊神经网络的PID温度控制算法

传统PID算法在控制具有大滞后、非线性、时变性等动态特性复杂的温度对象时,存在超调量大、参数无法自调节、模型自适应能力差、系统稳定性低等问题。为此,文章提出一种多重T-S型模糊神经网络PID温度控制算法。该算法根据PID算法的结构特点,利用T-S型模糊神经网络的单输出特性,建立能分别输出PID 3个参数的3重网络模型。MATLAB仿真实验结果表明,该算法与传统PID、BP神经网络PID,以及常规模糊神经网络PID等相比,超调量低,稳定性好,模型自适应性强,抗干扰能力强,综合性能指标好。

混沌机制在T-S模型模糊神经网络的系统辨识研究

出一种 T- S模型的模糊神经网络 ,在通常 BP算法的基础上 ,引进混沌机制来训练模糊神经网络的权值参数。将混沌 BP算法应用于非线性系统建模 ,以求获得全局意义下的最优逼近。仿真研究说明了其有效性和良好的性质。

一种基于模糊神经网络的大气质量评价模型

基于模糊数学评价法和神经网络评价法的优点,提出了一种新的大气质量评价模型。该模型具有推理过程清晰,泛化能力好的特点。与其它评价方法相比,应用该模型进行大气质量评价不但物理意义明确,而且计算简单,评价客观,实用性强,评价结果还具有更好的可比性。

模糊神经网络的结构自组织算法及应用

提出了一种新的模糊神经网络自组织算法,该算法能够基于输入输出数据自动进行结构辨识和参数辨识.首先采用一种自组织聚类方法建立起网络的结构和各参数的初值,然后采用监督学习来优化网络参数.通过对非线性函数逼近的分析,证明了该自组织算法的有效性,并与其他算法作了比较.最后,以某污水处理厂的实际运行数据为对象,应用该模糊神经网络建立了活性污泥系统出水水质预测模型,仿真结果表明,该模型能够对污水处理系统出水水质进行较好的预测.

模糊自组织神经网络在航空发动机故障诊断中的应用

介绍了模糊自组织神经网络在航空发动机故障诊断中的应用方法 ,并通过实例验证了该方法在发动机故障分类中的实用性。该方法具有结构算法简单、无监督自学习和侧向联想等功能。它有很好的应用前景 ,可以广泛应用于发动机的故障诊断。

基于参数动态调整的动态模糊神经网络的软件可靠性增长模型

利用遗传算法对动态模糊神经网络的自身参数进行动态调整(GA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。在对动态模糊神经网络进行训练的过程中,用遗传算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。利用3组软件缺陷数据,对用GA-DFNN建立的SRGM和模糊神经网络(FNN)以及BP神经网络(BPN)建立的SRGM的预测能力进行了比较,仿真结果证实,根据GA-DFNN建立的SRGM的短期预测能力稳定,短期预测误差小,且具有一定的通用性。