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。

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。

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.

基于自适应神经模糊推理系统的陀螺建模方法

系统地介绍了近年来陀螺信号处理中出现的各种主要的滤波方法,并分析了各自的优缺点。针对陀螺输出信号自身的特点,提出了一种基于自适应神经模糊推理系统的陀螺滤波方法,建立了陀螺误差模型。提出的滤波方法同时具有神经网络与模糊逻辑推理的优点,从而有效地减小了建模误差。分别探讨了陀螺静态时的零偏信号估计模型与敏感动态信号时的滤波方案。由仿真结果可以看出,该方法可以有效地估计陀螺的零偏,并能抑制陀螺输出信号中的噪声。

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。

基于自适应神经元模糊推理系统的岩质边坡稳定性评价方法

模糊理论在岩质边坡稳定性评价中存在的知识获取和自适应能力较低等方面不足,而神经网络在模糊推理方面欠缺,因此,提出基于自适应神经元模糊推理系统的边坡稳定性评价方法。通过模型结构的建立、模型训练和测试,得到可用于边坡稳定性评价的基于自适应神经元模糊推理系统模型。测试结果表明,该模型计算结果与边坡实际稳定系数十分接近,对边坡稳定性的预测结果也与实际相符。与基于神经网络方法的计算结果比较,该方法在建模简便程度及计算精度等方面明显具有优势。

基于自适应神经模糊推理系统的风电功率预测方法

对风电场输出功率进行精确的预测是保证含大规模风电电力系统安全稳定运行的重要手段。文中对多步滚动预测模式进行了分析,并建立了ANFIS(自适应神经模糊推理系统)预测模型,进而实现对风电功率的实时滚动预测。以吉林省西部某风电场的实测数据为例进行算例分析,其中在形成初始模糊推理系统结构时,采用的算法是减法聚类,该算法有效的避免了人工设定结构法产生的组合爆炸问题。将基于线性回归法、滑动平均法和持续法进行风电功率实时多步滚动预测时得到的预测结果与利用所提出的ANFIS预测方法得到的结果进行比较,结果表明后者的预测精度更高,进一步说明了ANFIS预测模型的有效性。

基于聚类和自适应神经模糊推理系统的数控机床绿色度评价方法

为了实现对数控机床绿色度的智能评价,提高数控机床绿色度预测精度,提出了一种基于聚类和自适应神经模糊推理系统(ANFIS)的评价方法。采用改进的粒子群优化模糊C均值聚类算法实现样本的自适应分类,生成辅助ANFIS学习的训练样本集;建立基于ANFIS的评价模型,通过对训练样本集的学习自动生成模糊规则,消除评价指标的模糊性和随机性对评价结果的影响;训练后的评价模型可用于评价样本的自适应推理。最后利用提出的评价方法对数控机床绿色度进行实例分析,验证了该评价方法的有效性。

两种基于自适应神经模糊推理系统的风功率预测方法

随着风电渗透率的持续增长,风电功率预测的研究和应用变得非常重要,它将提高电网的安全性、稳定性和接纳能力。文中分别对基于风速预测和基于功率预测的两种风功率预测方法进行了分析,并建立了自适应神经模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)预测模型。利用吉林省西部某风电场的实测数据,基于ANFIS预测模型采用两种预测方法进行实时多步滚动预测,并与基于线性回归法、滑动平均法和持续法的风电功率实时多步滚动预测得到的预测结果进行比较,结果表明前者的预测精度更高,说明了ANFIS预测模型的有效性,并发现基于功率预测的ANFIS预测方法的精度要高于基于风速预测的ANFIS预测方法。

基于自适应神经模糊推理系统的噪声消除方法

针对信号处理领域噪声消除的实际问题,提出了一种基于模糊推理的自适应神经网络控制方法。通过自适应神经模糊推理系统(ANFIS)对非线性系统的结构和参数进行辨识与自学习,采用混合学习算法,对前向参数和结论参数分别辨识,在提高精度的同时可加快训练收敛的速度,使控制系统具有良好动静态性和鲁棒性,实现了消除通信系统中噪声的目标,最后对基于ANFIS的噪声消除系统进行了建模和仿真,并与自适应神经网络滤波方法的结果对比,其结果证明了该方法的有效性。

一种基于自适应神经模糊推理系统的多AUV协同定位方法

针对多自主水下航行器(AUVs)在恶劣水下环境通信数据包丢失的情况,提出了一种基于自适应神经模糊推理系统(ANFIS)的多AUV协同定位方法。将传统的扩展卡尔曼滤波(EKF)与ANFIS相结合。在协同定位系统正常通信时,跟随AUV的位置由EKF估计得到,并利用该阶段收集的数据对ANFIS模型进行训练;当通信包丢失时,ANFIS进入预测过程,ANFIS根据输入数据预测跟随AUV的位置。利用湖试数据验证了所提方法的有效性。实验结果表明,当通信包丢失时,ANFIS能够根据输入数据有效地预测AUV的位置。在通信包丢失时,所提方法平均定位误差与无ANFIS辅助的EKF滤波比较,平均定位误差减小78%,均方根误差减少77%,具有更好的准确性和稳定性。

基于减法聚类和自适应神经模糊推理系统的递阶模糊系统的设计

提出了一种设计递阶模糊系统的简易而有效的方法.在得到一个单级模糊系统的基础上,用灵敏度分析法对每一个输入变量的重要性进行排序,从而确定每一级子系统的输入变量.利用减法聚类和自适应神经 模糊推理系统逐级对子系统进行训练.所得到的递阶模糊系统可进一步得到简化.仿真实例证实了设计方法的有效性.

基于自适应神经模糊推理系统的低压配电无功补偿方法

简单介绍了自适应神经模糊推理系统(ANFIS)。通过LabVIEW软件对模糊神经控制器进行编程,并将其应用于低压配电系统无功补偿器,通过LabVIEW仿真及训练,该方法可以找到较为合适的电容器容量,从而达到较好的无功补偿效果。

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。

自适应神经模糊推理系统的参数优化方法

自适应神经模糊推理系统(ANFIS)将模糊推理系统(FIS)中的模糊逻辑规则及隶属度函数参数通过神经网络的自学习来整定,自动产生模糊规则和调整隶属度函数,解决了模糊控制系统中模糊推理规则主要根据专家经验设计、缺乏自学习能力、控制精度不高等问题。而在建立一个初始系统进行训练时,其训练次数、隶属度函数的数目及类型都是待定的,这三个参数的选择直接影响系统训练后的效果,其确定方法值得研究。本文应用自适应神经模糊推理系统对一个典型系统进行建模仿真,并提出三个参数的寻优方法。

基于优化模糊推理系统的电力变压器故障检测方法

为了提高电力变压器故障检测的准确性和稳定性,提出一种基于一维卷积神经网络和优化自适应神经模糊推理系统的检测方法;将利用溶解气体分析法得到的14个特征属性作为自适应神经模糊推理系统的初始未处理输入,通过一维卷积神经网络从中选择8个最具指示性的属性;采用改进帝王蝶优化算法对自适应神经模糊推理系统进行训练,并通过真实数据集实验与其他电力变压器故障诊断算法进行检测性能对比。结果表明,所提出方法的电力变压器故障检测准确率达98.91%,50次独立运行中故障检测的标准偏差为±0.01,具有检测准确性高、性能稳健、运行时间短的优点。

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。