基于自适应神经模糊推理算法的无人机电推进燃料电池供气系统性能优化

针对无人机采用的聚合物交换膜燃料电池和锂离子电池的混合动力电推进系统,研究开发了一种基于自适应神经模糊推理系统的电源管理控制技术,以控制混合动力电推进系统,同时优化燃料电池供气系统的性能。用无人机混合电推进系统数学模型,研究了燃料电池电流与燃料电池供气系统压缩机功率之间的关系,建立了燃料电池电流与最佳压缩机功率关系的参考模型。在参考模型的基础上,引入自适应控制器来优化燃料电池供气系统的性能。基于自适应神经模糊推理系统的控制器将压缩机的实际运行功率动态调整到参考模型中定义的最佳值。自适应控制器的在线学习和训练能力用来辨识燃料电池电流的非线性变化,并产生压缩机电机电压的控制信号,以优化燃料电池供气系统的性能。在Matlab仿真环境中,开发了质子交换膜燃料电池和锂离子混合动力电推进系统模型,并对所设计的控制器进行了仿真分析。结果表明,基于自适应神经模糊推理系统的控制器为燃料电池供气系统压缩机性能优化提供了一种新颖而全面的途径,使燃料电池供气系统获得最大净功率输出。将燃料电池系统的净功率输出与最佳压缩机功率和恒定压缩机功率进行比较,发现优化的压缩机功率配置比恒定的压缩机功率配置节能2.62%。同时,燃料电池自适应神经模糊推理系统控制器优化了燃料电池供气系统的能量利用。

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推理的竖向地震动参数预测模型

为解决当前竖向地震动参数估计不确定性较大的问题,提出基于随机自适应神经模糊推理的竖向地震动预测模型。首先,以太平洋地震工程研究中心的PEER NGA强震数据库为基础,将地震震级、断层距及场地平均剪切波波速3个参数作为输入,将竖向地震动峰值加速度PGA及峰值速度PGV作为估计目标,建立训练数据集及测试数据集;其次,根据地震动参数预测方程,利用随机自适应神经模糊推理技术构建竖向地震动参数ANFIS预测模型,并给出全面的结果分析及信度检验。结果表明,ANFIS模型的竖向地震动衰减结果呈现出近场大震饱和效应、场地放大效应及软土减震效应;ANFIS竖向地震动模型平均绝对百分比误差MAPE约为0.15,与Campbell-Bozorgnia地震动衰减关系相比,PGA与PGV预测的准确率分别提升约77.4%和62.7%,具有较好的可信度。

基于自适应神经-模糊推理系统和遗传算法的桥梁耐久性评估

将模糊推理、神经网络、遗传算法三种技术有机融合在一起,建立了基于自适应神经-模糊推理系统(ANFIS)和遗传算法(GAS)的桥梁耐久性评估专家系统。该系统将专家的模糊推理过程蕴含于神经网络结构中,使神经网络的节点和权值具有明确的物理意义,避免了传统神经网络工作过程的“黑盒”性。同时该系统又具有神经网络的自适应性和学习能力,克服了传统模糊推理系统学习能力差的缺点。而且采用遗传和反向传播相结合的GA-BP混合算法训练网络,充分发挥了遗传算法的全局搜索性和BP的局部微调快速性的优点。并以辽宁省13座桥300根梁的实测数据对其进行训练和测试,系统输出与期望输出吻合较好,证明该专家系统性能稳定、有效,具有实用价值。

基于灰色模型粒子群优化算法的自适应神经模糊推理系统模型的船舶横摇运动预报分析

为了准确高效的预测船舶在波浪中的航行状态以保证人员、货物和船舶的安全,提出了一种基于灰色模型粒子群优化算法的自适应神经模糊推理系统(grey particle swarm optimization-adaptive neural-fuzzy inference system,GPSO-ANFIS)。GPSO-ANFIS预测模型使用模糊C均值聚类算法对输入样本进行聚类分析,得到模糊规则数量并建立神经模糊推理系统;再使用粒子群优化算法对建立的预测系统进行优化训练,从而得到最优的预测系统模型。其中灰色模型用于横摇数据的预处理,以便削弱横摇状态中的非线性影响因素。最后通过实船"育鲲"轮的横摇数据进行仿真实验。实验结果验证了GPSO-ANFIS模型的实用性和可行性,具有较高的预测精度。并为船舶航行智能化提供了一种有价值的理论依据。

自适应神经模糊推理系统改进算法在机械加工参数优化中的应用

在分析目前常用反向传播算法改进方法优缺点的基础上,提出用共轭梯度法对自适应模糊神经推理系统进行改进的训练算法,在训练中用Fletcher-Reeves方法计算上次搜索方向对新搜索方向的影响因数,在混沌时间序列预测和复杂非线性函数逼近的应用实例证明,改进后的算法收敛次数减少,训练速度加快。结合MATLAB的模糊工具箱,详述了如何在已有标准算法基础上进行算法改进。目前计算机辅助工艺设计受诸多复杂非线性问题的困扰发展缓慢,利用自适应模糊神经推理系统的自学习、自适应和逻辑推理能力,将改进后的算法用于逼近误差复映系数与工艺系统刚度、进给量等因素之间的非线性关系,实现机械加工参数的优化,提高工艺系统的自适应能力和工作效率,试验验证了此方法的可行性。

基于改进算法的自适应神经模糊推理系统控制的交流变频调速系统的研究与仿真

交流电动机是一个多变量、非线性对象,其静态和动态特性以及控制较之直流电动机要复杂得多。本文针对交流电动机矢量控制系统因电机参数变化和负载波动等因素而使性能变差的问题,设计了一种基于改进算法的自适应神经模糊推理系统(ANFIS)的交流电动机矢量控制系统速度调节器。仿真实验结果表明,使用自适应神经网络的模糊推理系统控制的异步电机矢量控制系统不仅动态和稳态性能都得到提高,而且具有较强的鲁棒性。

自适应策略优化的粒子群优化算法在神经网络架构搜索中的应用

针对神经网络架构搜索(NAS)任务,提出一种自适应重启策略驱动的协作学习粒子群优化(ARCLPSO)算法。算法核心流程包括协作学习与信息共享、策略切换和参数自适应,以改进传统粒子群优化(PSO)算法在NAS中的性能。ARCLPSO算法结合了全局与局部信息的协同作用和智能切换学习策略。具体地,ARCLPSO利用全局和局部信息的协同作用令粒子向更优的方向移动,通过智能的切换粒子学习策略平衡粒子的搜索性能和收敛速度,提高搜索速度和搜索质量。在NAS-Bench-101数据集上的实验结果表明,ARCLPSO的收敛时间相较于传统进化算法(REA)和随机搜索(RS),分别减少了40.9%和55.2%。

用于训练神经网络的自适应梯度下降优化算法

由于神经网络规模的扩大,模型训练变得越来越困难.为应对这一问题,提出了一种新的自适应优化算法——Adaboundinject.选取Adam的改进算法Adabound算法,引入动态学习率边界,实现了自适应算法向随机梯度下降(SGD)的平稳过渡.为了避免最小值的超调,减少在最小值附近的振荡,在Adabound的二阶矩中加入一阶矩,利用短期参数更新作为权重,以控制参数更新.为了验证算法性能,在凸环境下,通过理论证明了Adaboundinject具有收敛性.在非凸环境下,进行了多组实验,采用了不同的神经网络模型,通过与其他自适应算法对比,验证了该算法相比其他优化算法具有更好的性能.实验结果表明,Adaboundinject算法在深度学习优化领域具有重要的应用价值,能够有效提高模型训练的效率和精度.

遗传算法与修正的自适应矩估计优化循环神经网络的心音分类方法

针对传统的循环神经网络(RNN)在识别分类心音信号方面具有梯度爆炸、梯度消失和短期记忆的问题,该文提出了无需心音分段的结合遗传算法(GA)与修正的自适应矩估计(RAdam)优化RNN的心音分类模型。该模型的优势是将GA和RAdam优化器以串联的方式融合到RNN中,以达到改进RNN的作用。首先,利用GA的选择、变异和遗传操作,优化RNN的输入层节点数,获取心音特征向量的最优个体的初始解。其次,根据最优个体中的权重、偏置矩阵,赋予模型初始权值和阈值,获得初始权重最优解,整个模型共享参数。最后,联合改进的学习率自适应优化算法,优化RNN模型。结果表明,结合经典的梅尔(Mel)倒频谱系数方法提取心音信号的特征向量,心音信号分类准确率达到90.29%,相比于未优化的RNN模型,准确率提高了17.79%。

基于T-S模型的自适应神经模糊推理系统及其在热工过程建模中的应用

在工业热工过程控制中,被控对象动态特性往往表现出非线性、时变性、大迟延和大惯性等特点,这使得难以对其建立比较精确的模型,从而难于精确表达热工过程及实施整体优化控制。针对热工过程建模难的现状,为达到建立精确非线性模型的目的,提出1种基于T-S模型的自适应神经模糊系统(ANFIS)模糊建模方法。该方法通过对模糊系统的结构辨识和参数辨识,使神经模糊网络能够自主、迅速有效地收敛到要求的输入和输出关系,从而达到精确建模的目的。仿真结果验证了所提出的算法的有效性,将其应用到热工过程建模中可获得高精度的非线性模型。

基于自适应神经-模糊推理系统模糊信息融合的采煤机截齿磨损在线监测

为实现对截齿截割过程中磨损程度的实时精确在线监测,分别测试和提取不同磨损程度的截齿在截割过程中的振动信号、声发射信号和温度信号,建立不同磨损程度截齿截割信号的多特征样本数据库,根据最小模糊度优化模型计算求解各特征信号的最优模糊隶属度函数,采用自适应神经-模糊推理系统多维模糊神经网络方法实现多传感特征信息的决策融合,输出置信度和权重较高的截齿磨损量融合结果。通过随机测试实验对融合系统进行验证,结果表明,基于ANFIS模糊信息融合的截齿磨损监测系统辨识度较高,测试结果最大误差在6.5%以内,系统具有良好的融合效果以及较高的测试精度。

基于自适应神经模糊推理系统的风功率缺失数据补齐

风电场风电输出功率数据的完整性在风能利用中具有重要意义。利用相邻风机法、持续法、平均插值法、标准功率曲线对应法均可以对风电缺失功率数据进行补齐,但都有各自的优缺点及适用范围;在单一补齐数据方法的基础上,文中采用自适应神经模糊推理系统(ANFIS)模型对丢失数据进行补齐和优化。对实测数据的仿真计算结果表明,用所提出的方法进行数据补齐后风电输出功率的计算结果平均相对误差降低,准确率提高。

采用自适应神经模糊推理系统的配电网故障分类方法

配电网故障分类对配电网故障诊断、事故后分析具有重要作用。提出了一种基于自适应神经模糊推理系统(adaptive network-based fuzzy inference system,ANFIS)的中性点非有效接地系统的故障分类方法。利用小波变换提取故障特征频带内的暂态信号,基于统计量构造了用于故障分类的特征向量,研究了所构造的特征量在不同类型故障下的规律。利用自适应神经模糊推理系统,设计了一种用于小电流接地系统故障分类的方法。在PSCAD/EMTDC中建立了仿真模型,利用仿真样本对系统进行训练,测试样本的验证结果表明该方法具有较高的分类准确性。在中性点接地方式变化以及系统拓扑结构变化的情况下,研究了该方法的适应性,结果表明该方法的适应性良好。

边坡变形时序分析的进化-自适应神经模糊推理模型

变形监测与预报是保证边坡工程施工安全与工程质量的重要措施,但由于位移时间序列的强非线性,边坡变形预报成为非常困难的问题.自适应模糊神经推理系统(ANFIS)有优越的学习和泛化性能,而遗传算法(GA)是优秀的全局优化工具.采用遗传算法优化ANFIS参数,并编制了相应的计算程序.结合三峡工程永久船闸施工变形监测和新滩滑坡变形监测,建立了边坡变形时序分析的GA-ANFIS智能模型.为了对比该模型的预测精度,采用GA优化支持向量回归(SVR)和BP神经网络的模型参数,编制了GA-SVR及GA-BP程序,对相同的算例进行了变形预测分析.按滚动预测法对三峡永久船闸高边坡和新滩滑坡的计算结果表明,文中提出的GA-ANFIS模型能够获得比GA-SVR和GA-BP模型更高的预测精度,可以应用于边坡工程变形监测预报分析,并为类似工程提供参考.

应用自适应神经模糊推理系统(ANFIS)进行建模与仿真

模糊规则的提取和隶属度函数的学习是模糊推理系统设计中重要而困难的问题。自适应神经模糊推理系统 (ANFIS)方法基于Sugeno模糊模型 ,其结构类似于神经网络 ,采用反向传播算法和最小二乘法调整模糊推理系统的参数 ,并能自动产生模糊规则。本文应用该方法给出了对一个典型系统建模的仿真实例 ,取得了良好的效果。

基于主成分分析法和自适应神经模糊推理系统的电力负荷预测

提出了一种基于主成分分析法与自适应神经模糊推理相结合的电力系统负荷预测方法,通过对影响电力负荷的相关因素进行主成分分析,减少自适应神经模糊推理系统的输入量,可以提高系统预测的效率。算例表明所提出方法是有效的和可行的。

自适应神经模糊推理系统在电力故障重现中的应用

将电力故障录波数据重现为实际波形对于继电保护测试和保护动作行为分析等具有重要意义。文章将自适应神经模糊推理系统和数字闭环修正技术应用于电力系统故障重现装置中,实现了整体数字域内的闭环控制,利用输出端回采数据与原始数据进行比较并修正信号源的方法极大地减小了故障重现的非线性误差。Matlab仿真和基于该算法的故障重现装置的实际应用证明了自适应神经模糊推理在故障重现中应用的可行性和有效性。