基于补偿模糊神经网络的灰循环系统控制研究

针对循环系统回料量对循环流化床锅炉床温的影响,采用补偿模糊神经网络的建模方法,建立灰循环系统回料控制模型,选取锅炉床温变化及变化率作为输入、回料风量作为输出进行了仿真研究,并与常规控制进行比较.结果表明:补偿模糊神经网络控制器对参数变化的适应性明显优于常规控制器,补偿模糊神经网络方法对灰循环系统控制优化有实际意义.

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。

补偿模糊神经网络水果形状分级器分级误差

针对神经网络对水果进行分级时精度有待提高的问题,分析了补偿模糊神经网络椪柑形状分级器的分级误差。将椪柑图像前4个傅里叶描述子按期望输出模糊变量值大小排列成单调递增、单调递减、钟形分布和锯齿形分布4种训练样本,分别训练同一补偿模糊神经网络水果形状分级器,用递减排序后的同一测试样本检验分级器性能,试验表明,单调递减顺序训练样本所训练的分级器分级误差最小为1.875%,钟形分布、单调递增顺序和锯齿形分布训练样本所训练的分级器分级误差依次增大,分别为15%、63.125%、75%。分析分级误差与样本间顺序的对应关系,建立分级误差模型,结果表明,同顺序的测试样本与训练样本间相关系数大,分级误差小;不同顺序的测试样本与训练样本间相关系数小,分级误差大。因此,测试样本与训练样本按水果同一品质特征同序排列,提高样本间的相关程度,将大幅度降低神经网络类分级器分级误差,提高正确识别率。

混合动力汽车补偿模糊神经网络能量管理策略

以上海大众汽车公司某型号混合动力电动汽车(HEV)的设计要求为基础,提出了一种基于补偿模糊神经网络的能量控制策略,并采用动态调整步长的梯度下降法加快算法的收敛速度.分析了样本数据选取、输入、输出模糊分割和模糊规则提取对控制器性能的影响.利用ADVISOR2002仿真平台进行二次开发,完成了基于补偿模糊神经网络的控制策略、并联电力辅助控制策略和模糊控制策略的仿真比较.仿真结果表明,基于补偿模糊神经网络的控制器具有较强的自适应能力,可以较好提高混合动力汽车的燃油经济性和排放性.

基于补偿模糊神经网络和线性模型的短期电力负荷预测

在考虑了气象因素对负荷的影响的基础上,提出了一种补偿模糊神经网络和线性模型相结合的短期电力负荷预测新方法。首先采用补偿模糊神经网络求出峰、谷负荷,然后利用线性外推法求出未来1日中24个时刻的负荷值。该方法具有神经网络和线性模型的优点,实例仿真结果表明其具有较快的收敛速度、较高的预测精度和较强的鲁棒性。

采用补偿模糊神经网络识别雨天导航路径的方法研究

为实现视觉导航智能车辆对雨天导航路径的准确识别,在分析雨天导航路径特点的基础上,提出了采用补偿模糊神经网络识别雨天导航路径的方法,设计了具有5层结构的补偿模糊神经网络,并分别取大雨、小雨、雨后水迹、雨中模糊反光环境的部分导航路径图像作为样本进行训练,又采用剩余部分路径图像进行了识别试验,试验结果表明该方法能够很好的识别雨天导航路径,并具有较强的实时性。

一种基于补偿模糊神经网络的新型图像滤波方法

针对图像滤波难题,将补偿模糊神经网络应用于图像滤波中,提出了基于补偿模糊神经网络(compensatory fuzzy neural network)的图像滤波方法。该方法结合了模糊逻辑的推理能力和神经网络的自适应、自学习能力。同时采用具有快速学习的补偿算法,引入补偿模糊神经元,使学习后的网络具有更高的容错性,并弥补了神经网络学习耗时的缺点,提高了滤波效率。模糊运算采用动态的、全局优化运算,使网络更优化,进一步改善了滤波效果。仿真结果表明,该方法对噪声具有很好地滤除作用,与现有其它滤波方法相比,具有明显的效果。

改进补偿模糊神经网络在坡面产沙模拟预报中的应用

土壤侵蚀产沙是一个极其复杂的物理过程,其物理机理十分复杂,往往难以用数学方式来描述。根据土壤侵蚀过程内在特点,采用一种改进的补偿模糊神经网络(CFNN)方法,对坡面侵蚀产沙过程进行了预测研究。利用四川某水土保持实验站观测数据,通过MATLAB语言编制程序进行了仿真试验,全局误差为0.0517,预测值与实测值吻合良好,误差小于10%。结果表明,该方法预报精度较好,为坡面产沙模拟模型的建立提供了重要的参考方法。

补偿模糊神经网络在模糊规则训练中的应用

目前,自治式水下机器人(Autonomous Underwater Vehicle,AUV)、自动导引驾驶小汽车、轮船等领域应用模糊规则控制已经受到许多人的关注,模糊规则的制定与训练是其中之关键所在,该文将模糊规则控制应用在无人机自由编队飞行控制中。在训练模糊规则过程中,常规的BP神经网络法存在学习速度慢、无法结合专家知识以及容易陷人局部最小等缺点,为了克服上述不足,文中引入了补偿模糊神经网络,它是一个结合了补偿模糊逻辑和神经网络的混合系统,由面向控制和面向决策的神经元组成,其模糊运算采用动态的、全局优化运算,学习速度快、学习过程稳定。将其用于无人机自由编队飞行的模糊控制规则进行训练,结果表明用补偿模糊神经网络对模糊规则的训练效果良好。

基于递归补偿模糊神经网络的发酵过程建模

提出一种新型的动态网络———递归补偿模糊神经网络,结合弹性BP算法,把它应用于某多粘菌素的发酵过程的建模与状态预估。仿真结果表明该网络模型训练步数少,训练误差小,收敛速度较快,能够较准确地拟合过程的动态特性,预估精度较高,可用于发酵过程的优化控制。

基于自适应学习速率法的补偿模糊神经网络

为克服常规网络收敛速度慢、无法结合专家知识等缺点,引入补偿模糊神经元,结合模糊系统强大的知识表达能力和神经网络优秀的自学习能力,并利用自适应学习速率法动态地改变学习率.提出了一种新型的基于自适应学习速率法的补偿模糊神经网络,并将其应用到实际例子中.结果证明,它不仅能在线适当调整参数,还能动态地优化相应的模糊推理,加快训练速度.

补偿模糊神经网络在人因可靠性分析中的应用研究

将补偿模糊神经网络用于人因可靠性分析中的研究,建立了标准法人因可靠性的补偿模糊神经网络模型,并给出了埋地燃气管道人因可靠性分析的应用实例。结果表明,将补偿模糊神经网络用于人因失效的计算是可行的,其计算更为方便,结果更为精确。

基于补偿模糊神经网络的汽车双离合器式自动变速器起步控制策略研究

利用神经网络训练数据建立了发动机数学模型。针对目前起步控制策略大多没有自学习功能的现状,基于补偿模糊神经网络,以油门开度及其变化率为输入变量,提出了一种汽车双离合器式自动变速器起步控制策略。采用起步时间、滑摩功、冲击度、发动机最高转速和同步转速等指标检验仿真结果。结果表明,基于补偿模糊神经网络的起步控制策略在各性能指标方面均优于原控制策略,并具有较强的自适应能力。

补偿模糊神经网络在储层参数预测中的应用

为了克服常规 BP神经网络法在预测储层参数中出现学习速度慢、无法结合专家知识等不足 ,我们引入了补偿模糊神经网络。它是一个结合了补偿模糊逻辑和神经网络的混合系统 ,由面向控制和面向决策的神经元组成 ,其模糊运算采用动态的、全局优化运算 ,学习速度快、学习过程稳定 ,将其用于储层参数预测效果良好。

基于补偿模糊神经网络的数控机床热误差预报模型

文章提出了一种基于补偿模糊神经网络的数控机床热误差预报模型 ,讨论了该模型的详细结构、模糊规则、训练算法及相关技术问题 。

补偿模糊神经网络在煤矿安全预警中的应用

为了实现煤矿安全预警的及时、准确和有效,预防和减少煤矿事故的发生,采用补偿模糊神经网络理论,设计了一种包括"影响因素-综合评价"的二级神经网络结构,其中影响因素级由5个、综合评价级由1个,总共6个子补偿模糊神经网络构成。该结构有利于对影响安全问题的原因进行深入分析,评价更客观。通过实际应用,验证了该模型的实用性和有效性。

补偿模糊神经网络在故障树分析中的应用研究

将补偿模糊神经网络用于故障树分析中的研究,建立了故障树顶事件失效模糊概率计算的补偿模糊神经网络模型,给出了应用实例.结果表明,将补偿模糊神经网络用于故障树分析是可行的,其计算更为方便,结果更为精确.

六维腕力传感器的补偿模糊神经网络模型

本文基于神经网络可以对非线性系统的任意逼近能力 ,建立了六维腕力传感器的补偿模糊神经网络模型 ,仿真结果表明 ,这种补偿模糊神经网络对六维腕力传感器非线性系统逼近精度高、训练步数少、学习收敛速度快、误差曲线稳定 。

补偿模糊神经网络对电动汽车续驶里程的应用

回顾了模糊逻辑系统和神经网络技术各自的特点,在讲述二者融合的基础上,引入了一种具有快速学习算法的模糊神经网络,介绍了该算法的基本思想、关键问题,并通过电动汽车研究应用中的实例进行了验证,最后对使用该算法进行模糊故障检测。

无人机自由编队飞行的补偿模糊神经网络控制

为了克服当前提出的无人机编队飞行的不足,提出一种新的无人机编队飞行概念——自由编队飞行,制定了相关的避让规则,用补偿模糊神经网络进行训练,实现自由编队飞行的补偿模糊神经网络控制。仿真显示,编队飞行的飞机能按照规则自主改变航路进行避让,表明了该方法的有效性。