基于模糊RBF神经网络PI控制的塑料薄膜收卷张力控制系统研究

介绍了吹塑机收卷张力控制系统模型,建立收卷张力数学模型并得出影响塑料薄膜收卷张力的主要因素。针对常规PID在薄膜收卷张力控制中的缺陷,提出了基于模糊RBF神经网络PI控制的薄膜张力控制方法,模糊RBF神经网络参数的初始值先通过改进的遗传算法进行优化,加快误差的收敛速度。该控制方法既能利用模糊控制的非线性控制作用,又能利用神经网络的自学能力,实现PI控制器参数实时自整定的要求。仿真结果表明该系统响应适度快、超调小、抗干扰性强,具有优良的控制效果。

基于卷积神经网络算法的陀螺补偿方法分析

阐述传统陀螺补偿方法中精度不稳定、代价高且效率低的问题及原因,提出一种新的卷积神经网络方法。改进后的卷积神经网络算法可以有效地提高陀螺仪系统的性能。

模糊神经网络控制算法在农业智能监测系统中的应用

阐述农业智能监测系统中的模糊神经网络设计,包括输入变量的选择、神经网络结构的设计、模糊化和解模糊化方法。探讨模糊神经网络自动控制算法在农业智能监测系统中的应用。

基于GWO算法和NARX神经网络训练方法的高精度热电偶动态补偿模型构建与实践研究

为提升热电偶测量精度和准确度,本文基于GWO算法和NARX神经网络训练方法,构建高精度的热电偶动态补偿模型,并进行实践研究。结果表明:该模型具有较高的精度和准确性,能有效预测和补偿热电偶的温度数据,对提高热电偶测量系统的性能和稳定性具有重要意义,可广泛用于工业自动化和环境监测等领域。

基于改进SSA结合模糊RBF神经网络的悬臂梁振动主动控制

随着航空航天事业的发展,为了节省燃料,同时提高航天器速度,航天器采用更轻的材料来减少质量。然而,此举也引入了柔性振动,灵活的振动增加了姿态控制的时间,导致姿态精度控制不尽如人意。因此,有效抑制柔性振动以实现高精度姿态控制非常重要。论文以柔性压电悬臂梁作被控对象,并利用压电薄膜(Polyvinylidene Fluoride,PVDF)作传感器和致动器,分析其振动的控制问题。基于PID和模糊理论的局限性,结合模糊控制器能模仿专家经验和径向基神经网络(Radial Basis Function Network,RBFNN)善于学习的优点,设计了模糊径向基(Fuzzy Radial Basis Function,FRBF)神经网络控制器来抑制悬臂梁的振动,并采用混沌映射的种群初始化策略、疯狂算子的领导者位置更新策略、精英保留及动态惯性权重的追随者位置更新策略改进的樽海鞘群算法(Salp Swarm Algorithm,SSA)来优化模糊神经网络权值。将改进后的控制方法在Matlab软件环境下进行了数值仿真,仿真结果表明,应用改进的模糊径向基神经网络控制器可以有效地提升主动控制的振动效果。

基于深度模糊神经网络的太阳总辐射预测研究

提出一种基于深度模糊神经网络的太阳总辐射预测模型。首先利用Pearson相关系数分析太阳总辐射关键影响因素,其次利用深度学习多隐含层所具有的特征提取优势将模糊神经网络模块重复连接,构建深度模糊神经网络模型,并使用蝗虫优化算法对其中心值和宽度进行优化。利用所提太阳总辐射预测模型对5个气象站点的相关数据进行仿真实验,并对结果进行分析。仿真结果表明:所提预测模型较其他模型具有较高的预测精度,验证了模型的有效性,可满足无辐射监测站点太阳总辐射预测的需要。

基于有效性分析的自组织模糊神经网络建模方法

提出了一种基于有效性分析的自组织模糊神经网络(self-organizingfuzzyneural network based on effectiveness analysis, SOEFNN)建模方法。首先,提出了一种针对模糊规则的有效性评价指标,利用样本与规则层输出之间的映射关系进行网络模型的有效性分析,通过累积触发的方式实现相应模糊规则的增加或删减,使网络模型在能够处理复杂非线性问题的同时降低其冗余性,使模型更为紧凑。采用梯度下降算法对网络模型进行训练。然后,对所提出的SOEFNN模型进行非线性系统仿真实验和污水处理过程中的出水生化需氧量预测建模,并与其他自组织模糊神经网络模型进行对比。仿真结果表明,所提出的SOEFNN模型能够很好地实现结构和参数的自适应调整,并且具有较好的逼近能力。

基于改进的RBF神经网络倾角传感器温度补偿方法研究

针对MEMS倾角传感器零位温度漂移问题,提出了粒子群优化(PSO)算法和遗传算法(GA)相结合优化径向基函数(RBF)神经网络的补偿方法,克服了RBF神经网络收敛慢、泛用性低的缺陷。结果表明:该方法能够有效地消除温度对MEMS倾角传感器输出的影响。相较于RBF神经网络模型,最大相对误差(MRE)减小了21.03%,均方根误差(RMSE)减小了23.54%,温度漂移得到明显改善,提高了倾角传感器的稳定性与准确性。

电动伺服机构扰动补偿与神经网络模糊控制

针对电动伺服机构的模糊控制与扰动补偿问题进行研究,首先依据动力学理论建立电动伺服机构系统模型并利用Simulink软件搭建仿真模型。然后充分分析了系统所受到的摩擦力矩、齿槽力矩、时滞等非线性扰动,设计前馈控制器进行补偿。其次为了进一步改善系统的控制性能,在位置环PID控制器基础上引入模糊控制来动态调整PID控制参数。最后利用BP神经网络实现对量化因子和比例因子的实时整定,改善由于模糊规则及模糊输出论域的不对称性导致在正负行程上效果不一致的问题。从动态响应能力、跟随性能、抗干扰能力、频域响应等方面分别对传统PID控制器、模糊PID控制器和模糊BP网络PID控制器的控制性能进行仿真对比分析,结果表明模糊BP神经网络PID控制器提高了系统响应速度,改善了系统控制品质,可以为航天电动伺服机构结构和控制器设计提供借鉴。

基于改进粒子群区间二型模糊神经网络的MPPT控制研究

针对太阳能发电单元最大功率点控制(MPPT)在复杂工况条件下存在的振荡、跟踪耗时长、精度较低的问题,提出一种基于改进区间二型模糊神经网络的预测控制模型。首先将减法聚类与区间二型模糊均值聚类算法相结合,辨识模型前件模糊规则层结构,计算得到聚类中心;其次,基于自导式粒子群算法优化后件权重层权值参数,进而提升网络全局寻优能力;最后,通过与TS模糊神经网络模型、基于反向传播算法的区间二型模糊神经网络模型进行仿真对比,验证所提模型在不同工况下对最大功率点追踪的快速性与精确性。

基于多层模糊神经网络的消防预警系统设计

针对城市消防预警能力有待提升的问题,分析了城市消防远程监控系统的数据构成特征。阐述了以消防巡查射频打卡数据和温度数据为挖掘重点的数据预警逻辑架构。采用多项式和对数深度迭代回归模糊算法,将输出值导入到预警结果整理模块后,通过模糊矩阵法生成模糊预警的方法,设计不同时间值域的本地双列数据。同时,约束当前时间点,并使用外部全城其他节点数据形成的参照矩阵,构建仿真设计方案。通过真实数据的仿真测试验证,该系统在不同消防预警级别下的敏感度、特异度均满足要求。与可查参考文献中其他机器学习算法对比发现,该系统的火情预警系统最优值相比更优。该系统拥有可置信的统计学优势。

基于循环Legendre模糊神经网络的DFIG二阶滑模容错控制

针对双馈感应发电机(DFIG)易受外界干扰而对并网产生影响的问题,将循环Legendre模糊神经网络(RLFNN)与二阶滑模控制(SOSMC)应用于DFIG控制中,从而提高了DFIG在传感器故障和不确定条件下的功率跟踪能力。首先,SOSMC采用超螺旋算法进行推导,并使用Lyapunov第二定理证明了控制系统的渐近稳定性。其次,提出了使用RLFNN来估计不确定部分,RLFNN的控制律与参数可在线训练,以进一步确保系统鲁棒性。仿真结果表明,所提出的方法能够使DFIG在发生传感器故障、参数变化以及外部干扰情况下保持正常运行,实现了有效容错控制。

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。

基于遗传-蚁群算法优化BP神经网络的医用输液泵输液误差补偿

一次性泵用输液器搭配医用输液泵进行输液时,输液精度受时间、温度和流速影响,可能会出现精度下降等不利现象。为了对输液误差进行补偿,提出一种遗传算法(genetic algorithm, GA)和蚁群算法(ant colony optimization, ACO)相结合以优化BP神经网络的方法。首先分析误差影响因素,通过多控制因素下的输液实验获得补偿前的误差数据。其次,运用GA-ACO优化BP神经网络的初始权值和阈值,建立误差补偿模型。最后将该算法和BP算法以及分别用遗传算法、蚁群算法优化BP神经网络的补偿效果进行对比。仿真结果表明,提出的算法能够有效减小输液误差。模型的平均绝对误差为0.575 7 mL、均方误差为0.533 9、均方根误差为0.730 7、平均绝对百分比误差为0.092 2%。公司产品样机实测结果表明,采用该优化算法能够提高输液精度,最大相对误差低于3.5%,验证了使用遗传-蚁群算法优化BP神经网络补偿泵用输液器输液误差的有效性,具有一定的实际应用价值。

飞机货舱火灾CO浓度神经网络补偿算法研究

针对飞机货舱火灾探测误报率偏高且响应速度较慢的问题,采用电化学式一氧化碳传感器来代替传统民机所用的光电式烟雾探测器来探测飞机货舱火灾,并提出了一种基于粒子群算法(Particle Swarm Optimization,PSO)优化长短期记忆(Long Short-Term Memory,LSTM)神经网络的一氧化碳浓度补偿模型。首先在自搭建试验平台采集密闭空间火灾的多项试验数据,然后用PSO优化LSTM的隐藏层神经元个数和学习率,提高了LSTM的预测精度。通过与其他3种神经网络对比,PSO改进LSTM模型在基于时间序列的火灾一氧化碳检测中具有更好的补偿效果。通过浓度补偿,可以使电化学式一氧化碳探测器在飞机货舱火灾发生的早期阶段进行更准确的探测预警。

仿生算法优化神经网络的光纤传感器光强补偿方法

为了减少非线性因素对反射式光纤传感器测量结果的影响,提出了一种基于麻雀搜索算法(SSA)优化反向传播神经网络(BPNN)的光强补偿模型。利用麻雀搜索算法优化反向传播神经网络的权值与阈值,达到避免传统反向传播神经网络陷入局部样本极值的目的。比较麻雀搜索算法和粒子群算法的收敛曲线,可知麻雀搜索算法具有迭代步骤少和收敛速度快的特性。通过传感器内圈和外圈两组接收光功率值训练SSA-BP神经网络,结果表明该混合算法平均绝对误差为0.002,均方根误差为0.003,平均绝对百分比误差为0.011%。将SSA-BP神经网络、PSO-BP神经网络和传统BP神经网络的补偿效果进行对比,结果证明提出的光强补偿模型预测误差更小且稳定,能够更高精度完成位移测量过程。

带自适应模糊神经网络补偿的自耦合PI在风力机变桨控制中的应用

风力机对于风能的捕获主要依靠主控制器和执行机构之间的协同工作。然而风速的幅值和方向是时刻变化的,它的这种非线性特性给能量转换带来了挑战。针对该问题,文章设计了一种基于混合控制方案的变桨距系统,用于超风速下功率吸收的恒定。所提方法利用一种新颖的自耦合PI获取转子速度跟踪性能。而风速的随机性变化被视为一个外在扰动,采用自适应模糊神经网络对其进行补偿控制。为了验证该变桨距控制系统的性能,在Matlab/Simulink中搭建了2 MW直驱式风机模型,并与传统的PI控制器进行仿真对比。仿真结果表明,文章所提算法在转子速度跟踪和输出功率恒定控制等方面拥有比传统PI更为优异的性能。

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。

基于模糊RBF神经网络动态摩擦分块补偿的机器人数字鲁棒滑模控制算法

结合非线性、强耦合的机器人动力学模型,提出了采用3个模糊RBF神经网络对机器人中的不确定项——LuGre动态摩擦进行分块补偿的机器人数字鲁棒滑模控制算法,在线自适应训练非线性动态摩擦项的参数,并分析了该算法的Lyapunov稳定性。通过在二自由度机器人上的仿真,证明了该算法具有高精度、高可靠性、高品质、稳定、强鲁棒性等特点。同时发现了该机器人的摩擦模型中存在类菱形吸引子等非线性动力学现象。

基于自适应模糊神经网络的摩擦力分部补偿算法

针对液压位置跟踪系统中的非线性摩擦力,提出对摩擦力模型的不同分量分别进行补偿的分部补偿算法,以解决用模糊神经网络(FNN)对摩擦力整体进行补偿时,因摩擦力非光滑特性引起较大逼近误差的问题.实验结果表明,分部补偿算法能对摩擦力非线性进行有效补偿,使系统表现出良好的稳态跟踪性能.