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T-S模型的锌钡白干燥煅烧过程自适应神经模糊推理系统建模

针对锌钡白干燥煅烧过程建模难的问题 ,提出了一种基于T S模型的自适应神经模糊推理系统(ANFIS)建模方法 .通过对模糊辨识系统的结构辨识和参数辨识 ,使网络自主、迅速地收敛到要求的输入输出关系 .文章讨论了该网络的结构和学习算法 ,并通过仿真研究得出其良好的实际应用价值 .

基于T-S模型的交通状态自适应神经模糊推理系统建模与仿真

针对交通状态的识别诊断问题,引入驾驶人对交通拥堵程度的感知评价作为模型的学习目标,并建立了基于T-S(Takag-i Sugeno)模型的自适应神经模糊推理系统(ANFIS)模型.通过仿真,证明所建立的模型具有较快的收敛速度与较高的识别精度,对交通状态的识别问题研究具有一定的泛化能力和较强的应用效果.

基于自适应神经模糊推理系统(ANFIS)的煤炭企业物资消耗预测模型

针对煤炭企业传统物资消耗预测中存在的不足,以及影响煤炭企业物资消耗的因素复杂等特点,建立一种基于自适应神经模糊推理系统(ANFIS)的物资消耗预测模型.并结合某大型煤炭企业采矿生产中所消耗的钢材量和相对应的影响因素,对模型的预测效果进行了验证.

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系统的城市电力需求及预测模型

城市年度电能消耗数据具有较强的非线性特点。科学预测城市电力需求,是一项重要的基础性工作,需要有一种较为简易又有足够精度的预测方法。运用神经网络较强的非线性映射能力和模糊推理系统计算量小的特点构造了基于自适应神经模糊推理系统的城市电力需求及预测模型。经实证分析及与ARIMA方法的对比,结果表明,该方法适用于长中短各期预测并有很好的预测效果。

基于自适应神经模糊推理系统的跟驰模型研究

由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型。针对这一问题,应用自适应模糊神经推理系统(ANFIS)建立跟驰模型,以跟随车与前车速度差及行车间距为输入量、跟随车的加速度为输出量,建立25条模糊推理规则,将模糊推理规则产生的数据作为车辆跟驰ANFIS模型的训练数据,并利用MATLAB编程对其进行训练。最后,设计了基于车载高精度GPS的跟驰试验,并结合试验数据分别对自适应模糊神经推理系统跟驰模型和传统跟驰模型进行仿真。结果表明,前者输出的跟驰车辆加速度值更接近于真实值。

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。

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。

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。

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。

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。

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。

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.

改进的自适应神经模糊推理系统的角度传感器误差补偿方法

角度传感器测量精度控制在工程应用中非常重要,直接影响其实际应用的效果.当被测物理量和角度传感器输出之间为复杂非线性关系时,传统方法已难以获得满意的结果.本文引入了一种基于改进的自适应神经模糊推理系统的误差补偿方法,阐述了模型建立过程与步骤,并对一个16位绝对式光电编码器进行了精度检测与误差补偿.实验结果证明,与多项式拟合法和BP神经网络相比,改进的自适应神经模糊推理系统可显著提高光电编码器的测量精度;相比于补偿前,补偿后光电编码器测量精度可至少提高7.5倍.

工程车辆挡位决策的自适应神经模糊推理系统

提出了一种自适应神经模糊推理系统 ,并利用在 ZL 5 0 E装载机传动系统换挡实验中获得的数据进行验证性仿真。仿真结果表明 ,该挡位决策系统可根据操作工况环境实现正确的变速箱挡位决策。它将模糊推理与神经网络有机地结合起来 ,克服了模糊推理不具备学习功能和神经网络不能表达模糊语言的缺点 ,使模糊推理与神经网络的应用范围更加广泛 。

基于自适应神经模糊推理系统的半导体生产线故障预测及维护调度

为解决半导体生产线设备故障预测问题,采用自适应神经模糊推理系统构建故障预测模型。利用减法聚类确定模型初始结构,采用由最小二乘算法和梯度下降法所组成的混合学习算法优化模型参数。经实验数据检验,所建模型拟合能力强且精度高,能有效预测生产线下一阶段可能发生故障的设备名称等调度问题关键参数信息。在原有设备维护调度的基础上,嵌入故障预测模型,构建新的设备维护调度方案,并以某半导体生产线制造过程为例进行仿真验证,取得了良好的调度效果。