补偿递归模糊神经网络及在热工建模中的应用

在传统的模糊神经网络中引入递归环节和补偿环节,构成了一种新型补偿递归模糊神经网络(CRFNN),改善了网络的动态响应特性和学习能力.在此基础上,采用一种新型序贯监督策略对网络进行结构辨识,能够有效地确定模糊规则的条数以及相关参数的初始值.针对CRFNN的结构特点,提出了改进的BP算法,能够对网络的结构参数进行进一步的学习.对典型的热工对象以及复杂的ALSTOM气化炉进行的建模计算结果表明,提出的CRFNN具有优良的动态响应特性和很强的学习能力,值得在热工建模与控制领域中推广应用.

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。

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。

一种补偿递归模糊神经网络及其学习算法

文中在系统研究各种模糊神经网络的基础上,通过在传统的模糊神经网络中引入递归环节和补偿环节,提出了一种新型的补偿递归模糊神经网络(CRFNN)。在此基础上,进一步提出了一种序贯学习策略对网络进行结构辨识,可有效确定模糊规则的条数及相关参数的初始值。文中还针对CRFNN的特点,通过改进BP算法,对CRFNN网络的结构参数进行学习。通过对典型非线性系统的建模计算,结果表明:文中的CRFNN具有优良的动态响应特性和很强的学习能力。

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。

一种用于非线性动态辨识的新型神经网络

为提高非线性动态系统辨识(NDSI)的效果,在结合自建型模糊神经网络(SCFNN)和多层神经元神经网络(MLPNN)的基础上,提出一种自建递归型模糊神经网络(SCRFNN)。SCRFNN相较于前者,多了一个递归通道与抑制模糊规则产生机制;相较于后者,增加了模糊推论与一个递归通道。为验证SCRFNN在系统辨识中的有效性,设计一个新的NDSI在线学习模型与代码设计流程图,并以此作为在线学习架构,将以上3个神经网络模型对4个串-并型非线性动态系统进行辨识分析。经过仿真表明,新提出的SCRFNN通过存储内部状态,具备了映射动态特征的功能,从而使系统具有适应时变特性的能力,更适合于非线性动态系统的辩识。且在模糊规则数、学习收敛速度、学习与预测误差均方根值、预测精准度方面也取得了良好的效果。

基于神经网络图像识别技术的放顶煤煤矸自动识别方法

放顶煤煤矸识别影响着整个综放工作面的开采效率,可以解决欠放和过放问题,使工人远离放煤工作面。提出基于神经网络图像识别技术的放顶煤煤矸自动识别方法。结合多阈值Qtsu分割算法和边缘检测方法,将图像分割为煤矸层、烟煤层和背景层,在煤矸层中利用灰度共生矩阵提取图像特征,在神经网络中加入模糊补偿原理,将提取的特征输入优化后的神经网络中,完成放顶煤煤矸自动识别。实验结果表明,所提方法的分割精度高、识别精度高、复杂度低。

基于递归模糊神经网络的感应电机无速度传感器矢量控制

该文提出了一种控制性能较好的递归模糊神经网络(RFNN)无速度传感器感应电机矢量控制方法,该方法使用模型参考自适应方法辨识转子磁场位置和转速,采用递归模糊神经网络控制器作为转矩控制器来近似系统最优控制器输出。仿真实验表明,当系统参数动态变化或受到外部不确定性因素的影响时,利用神经网络来在线动态的调整网络的隶属函数参数以及神经网络递归权值,使系统仍将具有很好的动静态性能。

基于动态模糊神经网络的机床时变定位误差补偿

为提高数控机床的定位精度,提出基于动态模糊神经网络进行数控机床时变定位误差补偿的方法。针对数控机床定位误差影响因素复杂、模糊规则难于获取的情况,改进动态模糊神经网络,使其能够应用于多输入多输出系统,并实现模糊规则的自动在线辨识与生成。通过测量机床温度和定位精度,应用改进后的动态模糊神经网络建立机床时变定位误差预测模型。运用该模型对数控机床进行定位误差补偿试验,并与径向基神经网络模型补偿的效果进行比较,结果显示,基于动态模糊神经网络的数控机床时变定位误差预测模型精度高、泛化能力强、鲁棒性优,适用于对数控机床定位误差的长时间、高精度的实时补偿。

模糊神经网络理论在数控机床热误差补偿建模中的应用

应用模糊神经网络的学习性能,以一台数控机床的主轴径向热误差数据进行机床热误差建模和预报,并与常用的反向传播(BP)神经网络模型建模进行对比.结果表明,模糊神经网络模型对机床系统的热特性具有更强的学习能力,能对机床误差作出更为精确的预报,进一步提高了误差补偿的效果.

一种递归模糊神经网络自适应控制方法

构造了一种递归模糊神经网络(RFNN),该RFNN利用递归神经网络实现模糊推理,并通过在网络的第一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性.

基于动态递归模糊神经网络的自适应电液位置跟踪系统

提出了动态递归模糊神经网络(DRFNN)以在线估计电液位置跟踪系统中包括非线性、参数不确定性、负载干扰等在内的未知动态非线性函数,基于lyapunov稳定性理论推导出DRFNN可调参数和估计误差的界的自适应律,并构造出稳定的自适应控制器.实验结果表明:基于DRFNN的自适应控制器可使电液位置跟踪系统具有较强的鲁棒性和满意的跟踪性能.

基于动态递归模糊神经网络盲均衡算法的研究

模糊系统和神经网络已广泛应用于系统的辨识和控制,但是传统的模糊神经网络是一种静态映射,不适用于动态系统的辨识;而由于无线通信信道的时变性和不确定性,决定了盲均衡器本身就是一个动态的均衡过程,所以研究利用动态递归模糊神经网络的盲均衡算法是可行的,而且也是必要的。仿真结果表明:由于动态模糊神经网络的均衡过程同时利用了系统的当前数据和历史数据,对动态系统的均衡,较传统神经网络在均衡的精度和稳定性方面具有更好的效果。

自组织递归区间二型模糊神经网络在动态时变系统辨识中的应用

针对动态时变系统辨识过程中存在噪声干扰的问题,本文将区间二型模糊集结合到递归神经网络中,提出了自组织递归区间二型模糊神经网络以增强动态时变系统的抗噪能力。该自组织递归区间二型模糊神经网络由前件和后件两部分构成:前件为区间二型模糊集模型,用于将每个规则的激活强度反馈到自身构成内反馈回路,其参数学习采用梯度下降算法;后件为带有区间权值的Takagi-Sugeno-Kang(TSK)模型,其参数学习采用有序规则卡尔曼滤波算法,且网络初始规则数为零。所有规则均通过结构学习和前后件参数同时在线学习来产生,其网络结构学习采用的是在线区间二型模糊群集。为验证提出的神经网络的优越性,将其应用到单输入单输出动态时变系统的辨识中。实验结果表明,相对于前馈一型/二型模糊神经网络、递归一型模糊神经网络,该神经网络的辨识能力强,即使在存在白噪声的条件下,也能减小测试及训练误差。

基于RBF神经网络集成-模糊加权输出的数字温度传感器误差补偿

数字温度传感器存在非线性误差,在高精度测温系统中需要进行误差补偿。提出了一种基于径向基函数神经网络集成-模糊加权输出(RBFNNE-FWO)的数字温度传感器误差补偿方法:首先根据数字温度传感器的误差特征,提取特征阈值,构造三个相互独立的成员RBFNN;考虑到成员网络之间边界误差补偿问题,构建一种RBFNN集成输出权值模糊调节器,获得RBFNN集成输出权值,从而完成数字温度传感器的全量程误差补偿。与多种方法的比较仿真实验表明,这种RBFNNE-FWO方法的性能最佳、各成员网络边界误差最小,补偿后的数字温度传感器误差减少了两个数量级,大大提高了测温准确度。

基于模糊神经网络的轮廓误差附加补偿控制研究

在分析系统轮廓误差的基础上,提出了基于模糊神经网络的轮廓误差补偿方法,并说明其补偿器的原理、算法及实现。该法在不改变系统各单轴位置环的前提下,根据系统的轮廓误差,通过模糊神经网络的自学习能力动态向各轴提供误差补偿信息,进而提高系统的轮廓精度,同时也解决了各轴之间增益不匹配、动态不匹配和各轴不可预见性问题。最后,在MATLAB6.1环境下对该系统进行仿真,仿真结果表明其可行性和有效性。

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.

基于免疫遗传算法的动态递归模糊神经网络在发酵过程中的应用

针对软测量建模数据中过失误差及动态递归模糊神经网络的结构复杂,大量参数难以确定的情况,提出基于免疫遗传算法的动态递归模糊神经网络软测量方法.利用样本间马氏距离进行样本相似程度分析,去除样本中过失数据以提高计算速度.此外应用减法聚类确定模糊规则数,以简化网络结构,同时应用免疫遗传算法优化模型参数以提高模型的精度和泛化能力.将该方法应用于赖氨酸发酵过程菌体浓度的软测量,仿真结果表明,该方法具有较高的预测精度,满足现场测量要求.

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。

神经网络结构的递归T-S模糊模型

提出一种新的递归 T- S模型 (Takagi- Sugeno模型 )的模糊神经网络结构 (TSFRNN ) ,利用动态 BP(DBP)算法来学习训练神经网络的参数 ,通过与通常的多层前馈神经网络结构的 T- S模糊神经网络(TSFNN)的对比仿真实验 ,说明在非线性系统建模方面 TSFRNN比 TSFNN更加优越 .