基于自适应模糊神经网络系统的转炉终点磷的预报控制模型

根据冶炼工艺和现场数据 ,对转炉终点磷含量的预报方法进行了研究。采用自组织神经网络模式识别方法对 30 3炉现场数据进行了分类 ,分析了转炉冶炼各变量对终点磷含量的影响 ,确定了终点磷含量的控制变量 ,建立了基于自适应模糊神经网络系统的转炉终点磷含量的预报控制模型。研究表明 ,本模型能够对终点磷含量进行很好的预报和控制。模型计算值与实际值的相关性达到 0 .5 86 7;磷含量 (质量分数 ,% )控制在± 0 .0 0 3范围内的命中率达到 79.2 1%。该模型以低于目标值 0 .0 0 4 %的磷含量来对冶炼过程进行控制 ,冶炼合格率超过 91%。

基于模糊神经网络的模型参考自适应控制

用模糊神经网络作为控制器，依靠参考模型产生理想的控制系统闭环响应，从而随时得到控制系统的输出误差．用梯度法实时修正模糊控制器的输入和输出隶属度参数，得到一种在线模糊自适应控制的新方法．通过倒立摆的仿真实验表明，该方法是可行的并能适应对象特性的大范围变化．

基于气动人工肌肉的自适应模糊小脑模型神经网络位置跟踪控制

针对一种气动人工肌肉驱动的弹簧质量位置控制系统,设计了一种自适应模糊小脑模型神经网络(AFCMAC)控制器.离散抗饱和PID(DASPID)并行监督控制设计保证了控制运行初期不会出现较大的跟踪误差和气压波动,使AFCMAC的在线实时学习调整成为可能.在线实时的自适应算法逐步提高了AFCMAC的控制性能,从而最终完全过渡到AFCMAC控制.通过规划AF-CMAC的输入空间,保证了AFCMAC对迟滞力和气压波动等不确定因素的感知能力,为实现AF-CMAC控制奠定了基础.对DASPID与AFCMAC控制器的位置跟踪控制性能进行了对比实验.结果表明,在非线性系统条件下,AFCMAC较之DASPID有着更好的跟踪控制性能和较低的实现难度.

基于模型参考自适应模糊神经网络的直线永磁同步电动机速度伺服系统

针对直线永磁同步电动机全闭环控制系统易受干扰而降低系统性能指标,甚至造成不稳定等问题,采用模型参考自适应模糊神经网络在线辩识方法,用梯度法实时修正模糊控制器的输入和输出隶属度参数,建立了模型参考自适应模糊神经网络速度伺服系统模型,并给出了模糊神经网络控制器的设计。通过仿真和实验结果证明,这种方法提高了速度检测装置的分辨率和动态响应能力,并且使系统具有很强的鲁棒性。

基于自适应模糊神经网络的多模型在线故障诊断

在讨论基于自适应神经网络的模糊系统 (ANFIS)建模基础上 ,提出一种基于多模型的在线故障诊断策略。首先应用ANFIS建模方法建立一组模型 ,然后构造了一个基于多模型的故障诊断系统产生偏差信号 ,并首次提出用由偏差绝对值的累加和构成的最小指数来探测故障的发生。综合考虑故障诊断的灵敏度和鲁棒性 ,采用故障指数来确认故障的发生。

神经网络模糊非参数模型自适应控制及仿真

提出一种基于神经网络的模糊非参数模型自适应控制方案。该方案仅用受控系统的I/O数据来设计控制器,综合了模糊控制、神经网络与非参数模型学习自适应控制各自的优点。仿真表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。

一种基于模糊神经网络的模型参考自适应转速辨识方法

该文提出了异步电动机矢量控制系统的一种基于模糊神经网络模型参考自适应转速辨识方法,建立了瞬时无功功率模型参考自适应方法与模糊神经网络相结合的转速估计模型。仿真结果表明,这种转速估计模型动态性能好,能准确跟踪电机转速的变化。

基于结合自适应步长布谷鸟搜查算法的模糊神经网络的软件可靠性增长模型

针对现有的软件可靠性增长模型(SRGM)适用性较差、预测精度波动大的问题,使用自适应步长布谷鸟搜查(ASCS)算法对模糊神经网络(FNN)的权重和阈值进行寻优,利用得到了最优权重和阈值的FNN建立SRGM。在使用缺陷数据对FNN训练的过程中,利用ASCS来调整FNN的权重和阈值,以此提高在预测过程中的精度,同时采用多次预测结果取均值的方式来减小FNN预测的波动性,以此建立基于结合自适应步长布谷鸟搜查算法的模糊神经网络(ASCS-FNN)的软件可靠性增长模型。利用3组软件缺陷数据,以误差比均值和误差平方和作为衡量标准,对基于ASCS-FNN、结合模拟退火算法的动态模糊神经网络(SA-DFNN)、FNN、BP网络(BPN)建立的SRGM的一步向前预测能力进行比较。预测结果表明,在四组模型中,基于ASCS-FNN建立的SRGM相对于SA-DFNN、FNN、BPN建立的SRGM的平均预测精度相对提高率RI(AE)和RI(SSE)分别为-1.48%、54.8%、33.8%和14.4%、76%、35.9%,并且该模型比FNN、BPN建立的SRGM在相同缺陷数据下的预测波动性小,而且网络结构比SA-DFNN的网络结构简单。因此该模型具有预测精度较高、预测稳定和具有一定的适用性等优点。

模糊神经网络模型参考自适应控制

给出了一种基于模糊神经网络的模型参考自适应控制方案,首先,构造了一种运用递推预报误差（RPE）算法的多层前向神经网络,并用其对被控对象建模,然后,又构造了一种模糊神经网络控制器（FNNC）,从而为一类难以建立精确数学模型的非线性被控对象提供了一种新的自适应控制方法,仿真结果验证了其有效性,

基于自适应模糊神经网络的弹药消耗预计模型

根据我军弹药消耗预计方法的现状,利用模糊控制和神经元网络原理,提出了一种新的预计方法.量化的作战条件作为系统的输入,预计值作为系统的输出,根据历史的输入、输出数据确定系统的特性,建立预计模型.利用此种方法建立的模型根据历史数据训练后,输入现有战斗估计条件,即可对部队日平均作战消耗做出预计.

基于自适应模糊神经网络的油料消耗预测模型

根据我军油料消耗预测方法的现状，利用模糊控制和神经元网络原理，提出了一种新的预计方法。量化的作战条件作为系统的输入，预计作为系统的输出，根据历史的输入、输出数据确定系统的特性，激励预测模型，利用此种方法建立的模型根据历史数据训练后，输入现有作战估计条件，即可对部队日平均油料消耗做出预测。

浙江省月度电力需求的变分模态分解-自适应模糊神经网络-差分整合移动平均自回归组合预测模型及应用

为提高电力需求预测的精度,提出了一种将变分模态分解(variational mode decomposition,VMD)和自适应模糊神经网络(adaptive network-based fuzzy inference system,ANFIS)相结合的方法并应用到月度电力需求预测中。首先将原始数据通过VMD分解成有限带宽的子模态序列,选用差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)、ANFIS、经验模态分解(empirical mode decomposition,EMD)与ANFIS相结合和VMD-ANFIS几种模型进行预测结果对比。结果表明:相比直接利用ANFIS模型得到的预测结果,增加VMD分解过程能有效减小预测误差。说明所应用的VMD-ANFIS方法更具优越性,可以获得更好的预测结果。

基于模糊神经网络的通用模型自适应控制

自适应控制是一种提高系统鲁棒性的有效方法。模糊神经网络具有了模糊逻辑和神经网络两者的优点,结合模糊神经网络(Fuzzy Neural Network-FNN)自适应控制策略和通用模型控制(Common Model Control-CMC)方法,以此来实现被控对象的逆控制,提出了基于模糊神经网络的通用模型自适应控制(FNNC-CMAC)。此控制方法参考轨迹是一条典型二阶曲线,仿真结果验证了鲁棒性,与基于模糊神经网络的通用模型控制及基于模糊逻辑的通用模型自适应控制相比,其控制性能更好。

基于自适应模糊神经网络的非线性系统模型预测控制

针对非线性动态系统的控制问题,提出了一种基于自适应模糊神经网络(adaptive fuzzy neural network,AFNN)的模型预测控制(model predictive control,MPC)方法。首先,在离线建模阶段,AFNN采用规则自分裂技术产生初始模糊规则,采用改进的自适应LM学习算法优化网络参数;然后,在实时控制过程,AFNN根据系统输出和预测输出之间的误差调整网络参数,从而为MPC提供一个精确的预测模型;进一步,AFNN-MPC利用带有自适应学习率的梯度下降寻优算法求解优化问题,在线获取非线性控制量,并将其作用到动态系统实施控制。此外,给出了AFNN-MPC的收敛性和稳定性证明,以保证其在实际工程中的成功应用。最后,利用数值仿真和双CSTR过程进行实验验证。结果表明,AFNN-MPC能够取得优越的控制性能。

汽车ABS中的模糊神经网络模型参考自适应控制策略

针对汽车制动的特点以及汽车防抱死制动系统的性能要求,建立了汽车的数学模型,提出一种模糊神经网络的自适应控制方案,构建了基于模糊神经网络的控制器和辨识器的结构模型。通过对网络参数的离线训练得出其初值,在控制过程中对网络参数进行在线微调,实现对汽车制动过程的有效控制。仿真结果表明:在不同的路面,汽车均能保持在最佳滑移率附近进行制动,制动时间及距离比较理想,满足ABS的安全性能要求。

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。

开关磁阻电机自适应模糊神经网络系统(ANFIS)无位置传感器控制

提出一种基于有限元模型的开关磁阻电机自适应模糊神经网络系统(ANFIS)无位置传感器控制的新方法。自适应模糊神经网络系统以相绕组的电流和磁链为输入,以转子位置角度为输出,从而建立起电流、磁链和转子位置角度的非线性映射关系。网络训练的样本数据来自于有限元模型分析,它具有足够的精度,且不需要测量仪器和线路布置,不受环境干扰因素影响,能够大幅减少试验成本,缩短试验周期。仿真和实验结果表明,由自适应模糊神经网络获得的角度信号和由位置传感器获得的角度信号相比误差较小,电机能够准确换相,且输出转矩波动小,转速曲线平滑,电机在无位置传感器下运行良好。

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。

基于模糊神经模型的自适应单神经元控制系统设计

提出一种基于模糊神经模型的自适应单神经元控制系统。该控制系统首先根据采集到的输入输出数据建立被控过程模型,并在此基础上引入单神经元控制器。通过李亚普诺夫方法对控制器参数进行在线调节,从而使得系统输出值能够较快跟踪设定值。理论分析和仿真结果表明:本文提出的单神经元控制器和传统的PID控制器具有极其相似的结构,因此,具有结构简单、易于操作的特点,具有较快的跟踪速度,并且控制参数可以在线调节。

有记忆效应的功放实数延时模糊神经网络模型

描述了一种基于实数延时模糊神经网络的有记忆效应的功率放大器模型。该模糊神经系统即自适应模糊神经推理系统,采用模糊c类均值聚类方法来减少模型的规则数目和简化模型结构。在训练过程中,采用最小二乘和反向传播相结合的高效算法提取模型参数。在测试平台上用三载波WCDMA宽带信号对射频功率放大器进行测试,并借助矢量信号分析仪采样功率放大器输入和输出数据,成功地对模型进行了训练和验证。通过和实数延时神经网络模型(RVTDNN)比较,该模型的收敛速度远快于这些前馈结构的神经网络模型。比较和分析时域和频域结果表明模型有很好的性能,其归一化均方误差达-38dB。