基于Hermite多项式函数链模糊神经网络的PMLSM分数阶反推控制

针对永磁直线同步电动机(PMLSM)伺服系统中存在的参数变化、负载扰动和摩擦力等不确定性因素,采用了函数链模糊神经网络(FLFNN)和分数阶反推控制(FOBC)相结合的控制方案来提高系统的控制性能。首先,采用FOBC实现系统的全局调节和位置跟踪,提高系统的收敛速度和控制精度;然后,采用Hermite多项式函数链模糊神经网络(HFLFNN)直接估计系统中存在的不确定性,同时利用指数补偿器对估计误差进行补偿,进一步提高系统的鲁棒性;最后,利用Lyapunov函数推导出系统中控制参数的在线调整估计律。实验结果表明所提出的控制方法切实可行,能够有效地抑制不确定性对系统的影响。与FOBC相比,具有更好的跟踪性能和鲁棒性能。

特征扩展的随机向量函数链神经网络

基于宽度学习的动态模糊推理系统(broad-learning-based dynamic fuzzy inference system,BL-DFIS)能自动构建出精简的模糊规则并获得良好的分类性能.然而,当遇到大型复杂的数据集时,BL-DFIS因会使用较多模糊规则来试图达到令人满意的识别精度,从而对其可解释性造成了不利影响.对此,提出一种兼顾分类性能和可解释性的模糊神经网络,将其称为特征扩展的随机向量函数链神经网络(FA-RVFLNN).在该网络中,一个以原始数据为输入的RVFLNN被作为主体结构,BL-DFIS则用作性能补充,这意味着FA-RVFLNN包含具有性能增强作用的直接链接.由于主体结构的增强节点使用Sigmoid激活函数,因此,其推理过程可借助一种模糊逻辑算子(I-OR)来解释.而且,具有明确含义的原始输入数据也有助于解释主体结构的推理规则.在直接链接的支撑下,FA-RVFLNN可利用增强节点、特征节点和模糊节点学到更丰富的有用信息.实验表明:FA-RVFLNN既减缓了主体结构RVFLNN中过多增强节点带来的“规则爆炸”问题,也提高了性能补充结构BL-DFIS的可解释性(平均模糊规则数降低了50%左右),在泛化性能和网络规模上仍具有竞争力.

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。

基于模糊自适应变权重算法的采场冒顶函数链神经网络预报

为提高采场声发射事件率预报精度,将采场声发射事件率不同的单个预测模型的预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,对采场声发射事件率进行基于模糊自适应变权重算法的函数链神经网络预测,对其预测结果再进行函数链神经网络算法拟合,然后结合采场冒顶尖点突变模型的判别式对采场冒顶进行预报。某铅锌矿采场冒顶预报结果表明,基于模糊自适应变权重算法的函数链神经网络预测方法的预测误差小于0.3%,可实现采场冒顶精确预报。

基于函数链神经网络的模型构造及控制

通过对热驱动部件的理论分析,确定参数待定的热驱动部件数学模型。针对现有数学模型中多阶指数函数拟合算法的复杂性,提出一种基于函数链神经网络(FLANN)的多阶指数函数逐级递推式拟合算法。根据不同时间常数的指数函数具有不同平衡时间的特点,采用基于FLANN一阶指数函数拟合算法,逐步确定多阶指数函数对应项的待定参数,建立热驱动部件的数学模型。应用多模控制和模糊切换策略,对具有大进给力的纳米级驱动部件进行控制,试验表明系统具有快速响应和高精度,并实现了平稳过渡,证明了基于FLANN的算法构建的控制模型具有精度高、收敛性好以及简单实用等优点。

正则模糊神经网络是模糊值函数的泛逼近器

通过分析多元模糊值 Bernstein多项式的近似特性 ,证明了 4层前向正则模糊神经网络 (FNN)的逼近性能。该类网络构成了模糊值函数的一类泛逼近器 ,即在欧氏空间的任何紧集上 ,任意连续模糊值函数能被这类 FNN逼近到任意精度。最后通过实例给出了实现这种近似的具体步骤。

函数链神经网络在打印机非线性校正中的应用

为了实现激光打印机非线性的自动校正,使用函数链神经网络对其非线性进行估计。研究了函数链神经网络的阶数和学习因子对其收敛性的影响。由于激光打印机的非线性非常严重,采用分段处理法,并根据收敛情况自动调整学习因子的大小。通过对比多组实验结果可知,函数链神经网络的收敛精度和速度都得到了显著提高。应用到激光打印机的非线性校正中,取得了很好的效果。

用于电磁兼容预测的函数链神经网络

为了解决传统BP神经网络的电磁兼容性预测方法存在易于局部收敛的问题,提出了一种基于模糊测度的函数链神经网络。该网络通过函数链将初始权重扩展到更高维度上,在实现传统BP网络多层感知的功能同时,计算过程仅为单层运算,因以收敛速度比多层的BP神经网络更快,解决了网络在解决非线性问题时,收敛于局部最小的问题。实验结果表明,提出的基于模糊测度的函数链神经网络在预测电磁兼容性方面更加精确。

基于人工神经网络组合预测油田产量

油田原油产量的准确预测可以对油田的生产管理进行合理的指导。该文探讨了应用神经网络组合方法预测油田产量,对开井数、含水率、动用储量以及往年产量同未来产量之间的复杂关系建立模型。采用了两层预测系统:第一层包含两个神经网络,一个多层前馈网络和一个函数链接网络;第二层是把第一层的两个网络输出进行组合。研究了五种不同的组合算法:平均法、最小平方回归法、模糊逻辑法、自适应前馈神经网络法和自适应函数链接神经网络法。根据油品类型分为稀油、热采稠油、常规稠油和总产量四组数据,对上述方法进行了测试,结果表明应用人工神经网络的组合预测方法优于其他的预测方法,而且适用范围广。

结构可靠度分析的智能计算法

模糊数学、神经网络、遗传算法并称为智能计算方法。对功能函数没有明确表达式的问题进行可靠度分析,本文提出了基于响应面重构的智能计算法,即构造一个模糊神经网络响应面并采用遗传算法进行可靠度计算。算例分析表明,该方法与传统的二次多项式响应面方法相比,计算精度较好,可大大减少有限元分析次数。该方法用于大型复杂海洋工程结构的可靠度分析,可相应提高工作效率和解题质量,具有实际应用价值。

减小激光打印机几何误差的方法

为减小激光打印机的几何误差,根据实验得到的设备像素尺寸与其打印位置的关系,推导了目标打印位置随像素尺寸误差变化的公式,给出了由目标打印位置求逻辑打印位置的流程。在有限多的位置附近测得一定范围内的平均尺寸误差后,用分段多项式求任意位置的尺寸误差。多项式系数则通过函数链神经网络学习得到。根据所求的逻辑打印位置进行打印,最大横向几何误差由1.8%降到了0.2%。