瓦斯涌出量的混合pi-sigma模糊神经网络预测模型

提出了一种利用混合pi-sigma模糊神经推理方法建立瓦斯涌出量的预测模型。该模型采用高斯基函数作为模糊子集的隶属度函数,可在线动态调整隶属度函数和结论参数。与神经网络预测模型比较,该模型具有物理意义明确、原理清晰、收敛速度快、预测精度高等特点,在对某矿瓦斯涌出量数据的仿真结果表明,该方法预测准确度高、速度快,并且结果具有可重复性,证明该方法是有效的。为便于工程实际应用,在Matlab环境中开发了基于图形用户界面(GUI)的仿真应用界面,给出了使用方法和预测结果。实验同时表明,对所采用的数据,模型的训练精度设置为0.001时网络的泛化能力最好,网络训练精度和预测精度之间不具有正比关系。

开关磁阻电机的Pi-sigma模糊神经网络建模

开关磁阻电机的磁路高度饱和及双凸极结构导致了相绕组的磁链是转子位置和相电流的非线性函数。本文采用兼具Takagi-Sugeno(T-S)模糊逻辑和神经网络优点的Pi-sigma模糊神经网络来建立开关磁阻电机的非线性模型并采用了附加动量项的自适应学习速率训练算法。实现了开关磁阻电机的较高精度建模,减少了学习训练次数,简化了结构,使其可在线快速运算。本文通过对相电流与转子位置角的非均匀间隔采样和对论域的全面覆盖,来达到测量数据的合理分布,以提高建模精度和泛化能力并减少测试数据量。通过对模型输出数据与实测数据进行比较及对泛化样本数据的校验表明,本文所建立的模型具有精度较高、泛化能力较好、结构较简洁、运算速度较快等特点。

基于PLS-混合Pi-Sigma模糊神经网络模型的甲醇合成装置变换工序CO变换率软测量建模

煤制甲醇合成变换过程中,需要把原料气中的一部分CO变换成CO2与H2,以提高H2的含量。为了能够快速地得到CO的变换率,利用偏最小二乘在提取信息、去噪、精简数据等方面的优势,将其与混合Pi-Sigma模糊神经网络进行了融合,建立了CO变换率预测模型。该模型仿真时间短且具有较高的精度,能够指导并调整甲醇合成净化气中的碳氢比。

Pi-Sigma模糊神经网络及其在态势评估中的应用

应用模糊理论和神经网络理论构造基于高木 关野模糊系统的Pi Sigma模糊神经网络 ,根据模糊决策表选用不同的网络计算目标的威胁度。选用了几种典型样本的参数集中了专家的经验 ,对样本进行训练 ,效果良好。

基于模糊神经网络的电网消防预警算法

针对传统基于阈值判别方法的电网火灾预警系统预测精度低、抗干扰能力弱的问题,提出了一种基于模糊神经网络的电网消防预警算法。该算法利用神经网络学习大规模电网数据,使用模糊逻辑推理算法来提升预测结果的推理能力,并通过结合神经网络对大规模数据的学习能力和模糊逻辑算法的推理能力来分析电网线路参数,从而提升电网消防预警系统的精度和抗干扰能力。实验与仿真结果表明,所提出方法能显著提升电网火灾的预警精度,且使用模糊逻辑推理可以得到更符合实际情况的电网火灾预警结果。

基于模糊神经网络的微电网荷储协调智能控制方法

针对传统比例-积分-微分(proportional integral derivative,PID)控制和模型论控制方法难以应对新型电力系统背景下微电网面临的运行场景复杂多变的问题,提出了基于模糊神经网络的微电网荷储协调智能控制方法。首先确定了微电网模糊控制输入及输出变量,以平抑净负荷波动及减少储能充放电频次为目的,将微电网控制经验总结成模糊规则表,采用神经网络深度学习算法修正模糊控制模型的隶属度函数中心、宽度和输出权重来提高模型的自适应能力,从而制定了可调控负荷和储能的功率控制系数;进而针对模糊神经网络控制输出的负荷调控需求量在各可调控负荷间分配的问题,提出了基于灵活性供给指标排序的负荷调控优先级选择方法,最终完成了微电网系统储能单元和可调控负荷控制策略的制定。某典型微电网系统算例仿真结果表明,所提方法制定的各可调控负荷与储能控制策略能在避免储能频繁和过度充放电的同时,在并网状态下有效减弱并网功率对上级电网造成的随机扰动,在孤岛状态下能够有效平抑系统功率波动,提升系统运行稳定性。

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。

基于模糊神经网络PID的煤矿掘进机俯仰控制研究

目前煤矿掘进机俯仰控制主要采用PID控制方法,在掘进机俯仰控制时变性与液压系统非线性情况下的控制精度不高。掘进机俯仰控制通过控制液压缸行程实现,将传统PID算法与模糊控制、神经网络等相结合,可有效提高液压缸行程控制精度。提出了一种基于模糊神经网络PID的煤矿掘进机俯仰控制方法。通过分析掘进机支撑部运动学关系,得到俯仰角与支撑部液压缸的数学关系;介绍了掘进机俯仰控制液压系统工作原理,建立了液压系统及其传递函数模型;将模糊控制与神经网络相结合,形成模糊神经网络,利用模糊神经网络优化PID控制参数,再结合支撑机构数学模型和液压系统传递函数模型,建立掘进机俯仰角模糊神经网络PID控制模型,实现煤矿掘进机俯仰机构自动精确控制。该方法可使掘进机俯仰机构更加快速、准确到达预设位置,解决掘进机俯仰控制中的时变性与非线性难题。仿真结果表明:模糊神经网络PID控制算法相较于模糊PID和PID控制算法,跟踪误差分别降低了69.34%和74.49%。通过液压缸位移控制模拟煤矿掘进机在突变工况和跟随工况下的俯仰控制,结果表明:模糊神经网络PID控制算法相比模糊PID和PID控制算法,俯仰控制跟踪误差最小,对位置信号的平均响应时间分别缩短了27.22%和50.33%,动态控制性能更好。

基于模糊BP神经网络的智能轮椅BLDCM控制

现阶段多数轮椅电机仍使用传统PID控制,该控制方式存在控制精准度较低、超调量较大以及抗扰动能力差等问题。为解决以上问题,通过对无刷直流电机进行研究,在分析了其控制方法后,提出一种基于模糊BP神经网络的BLDCM控制方法。首先,研究了BLDCM结构并搭建数学模型。其次,在模型基础上构建了模糊BP神经网络PID控制器。最后,在Matlab/Simulink中搭建整个电机控制系统进行三种不同工况下的运动控制仿真,并与传统PID控制算法进行对比。实验结果表明:模糊BP神经网络PID控制策略能获得更好的PID控制参数,具有良好的抗扰动能力,有效的改善了整个轮椅控制系统的动态性能。

基于模糊神经网络的数字媒体数据自动化采集系统设计

为了改善数字媒体数据传输效果,确保系统安全、稳定运行,设计基于模糊神经网络的数字媒体数据自动化采集系统。构建数字媒体数据自动化采集系统框架,数据采集层利用数据采集卡获取不同渠道的数字媒体数据,由数据处理层的数据融合模块调用改进模糊神经网络算法完成数字媒体数据的融合处理后,通过数据传输层的分层自组织无线网络将其传输至存储应用层,实现数字媒体数据的存储、查询、显示与输出。实验结果表明:该系统采集的音频信号波形规律、曲线平滑、功率均值波动误差在(0,0.14),满足允许误差范围;数据传输效果优于采用DSR协议的单点传输方式,当数字媒体数据源为3时,平均峰值信噪比指标最高;具有数字媒体数据查询功能。

自适应模糊神经网络多信息融合串联型电弧故障检测方法

针对低压交流串联电弧故障因其特殊性难以识别的问题,在实验室建立了实验平台,采集不同负载下的正常和电弧故障的电流波形数据,提出一种自适应模糊神经网络(adaptive neuro fuzzy inference system,ANFIS)多信息融合串联型电弧故障检测方法,通过多层次特征参数提取,对自适应模糊神经网络进行训练、测试。结果表明,该方法可以有效地克服反向传播(back propagation,BP)神经网络故障诊断中收敛速度慢、误差精度大的缺点,得到更为精准、理想的诊断结果。

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。

基于模糊神经网络的学生科学素养影响机制研究

科学素养的影响机制对教育策略优化、人才培养质量提升,以及社会科技创新与可持续发展具有深远影响。然而,传统的经典教育统计学方法难以全面揭示这一复杂过程。为突破这一局限,采用先进的模糊神经网络技术,对包含53个国家共计113,314个有效样本的PISA2015数据库进行深度的数据挖掘分析。在特征选择后,识别出十项对学生科学素养提升具有积极影响的因素和一项消极影响因素。结果显示,社会经济发展水平是决定学生科学素养水平的关键因素;家庭教育投入与科学素养水平之间存在最强关联性;学习品质、高阶思维能力及科学本质理解在科学素养发展中起到核心推动作用;而信息技术的应用在影响学生科学学业表现上呈双刃剑效应。基于以上发现,建议教育领域顺应智能时代趋势,利用机器学习进行数据挖掘,推动计算教育学研究范式的转型;优化教育资源分配结构以促进科学素养教育公平;并革新学生培养策略,以实现学生科学素养的高质量发展。

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。

基于模糊神经网络的氢液化氦气压力PID控制

为了解决氢液化装置氦气压力调节系统超调量大、响应速度慢、调节时间长、控制参数无法在线整定等问题,针对系统具有非线性和时变性的特点,设计了基于模糊神经网络的PID控制器以及基于双曲正切函数的改进型激活函数。仿真结果表明:相比传统PID控制或模糊PID控制,采用模糊神经网络PID控制的系统动态性能显著改善,使得氢液化装置的氦气压力调节更加稳定可靠。

基于模糊神经网络的农机自动转向系统的设计

现代农业生产中要求农业机械在田间工作过程中可实现实时、高效的控制性能。为此,基于模糊控制规则的模糊神经网络控制器,利用遗传算法(Genetic Algorithm,GA)进行人工神经网络模型的优化,对拖拉机转向系统进行优化设计,得到农业机械田间工作时目标输出和实际输出的仿真曲线。基于东方红拖拉机搭建试验平台,进行了输出响应测试和角度测试,并通过MatLab仿真对控制系统的性能进行了分析。研究结果表明:模糊控制规则的模糊神经网络控制器和基于遗传神经网络的改进算法能有效缩短农业转向系统的响应时间,减少超调量,提高转向精度,是一种更加有效的田间作业的控制方法。

基于模糊神经网络的无人机数据传输时延控制模型

传输信道状态若是处于拥塞状态,会使得无人机数据传输时延大幅度增加,所以构建基于模糊神经网络的无人机数据传输时延控制模型;考虑直射、散射和反射等现象确定无人机数据传输信道,计算无人机数据传输信道传输时延,综合能量消耗、时延等因素判断无人机数据传输信道是否处于拥塞状态;利用基于模糊神经网络的时延控制模型生成时延控制指令,通过扩频调制、拥塞调度和队列管理等步骤,实现无人机数据传输时延控制;实验结果表明,在该模型控制下无人机数据传输时延达到预期水平,控制误差约为0.03 s,且未对数据传输进程产生明显不利影响,控制效果更好。

面向时变复数的模糊归零神经网络算法

【目的】为了求解时变复数西尔维斯特方程(Sylvester equation),提出两种全新的复值模糊归零神经网络(fuzzy logic system for zeroing neural network, FLSVZNN)模型。【方法】首先,在两种复数归零神经网络(complex-valued zeroing neural network, CVZNN)模型的基础上,引入模糊逻辑系统(fuzzy logic system, FLS)来控制信号的处理,从而提出两种FLSVZNN模型;然后,利用李亚普诺夫定理(Lyapunov's theorem)来分析模型的稳定性和收敛速度;最后,通过仿真试验来进一步验证FLSVZNN的优越性能。【结果】在求解时变复数西尔维斯特方程时,相比传统的神经网络模型,使用改进的符号双幂(sign-bi-power, SBP)函数来激活的FLSVZNN模型具有更好的收敛性和稳定性,可使误差函数在0.3 s左右收敛至0。【结论】本研究提出的两种FLSVZNN模型能快速求解时变复数西尔维斯特方程,这可为神经网络模型的建立及工程应用提供参考。

基于BSO改进模糊神经网络PID的管道压力控制策略研究

针对煤矿供水管道压力控制系统智能化程度低、人工操作实时性和准确性差等问题,设计了一种基于天牛群优化(BSO)改进模糊神经网络PID的管道压力控制策略。首先,基于BSO算法对PID控制器的初始参数进行参数迭代优化,找到最佳初始参数;其次,通过模糊神经网络实现实际压力偏差值的模糊化、模糊推理等处理,实时调整PID控制参数;最后,PID控制器运算后得到的输出信号作用在执行机构上,实现电动阀门的智能化控制。实验结果表明,该控制策略响应速度更快,超调量更小,稳定性更强,满足阀门控制开度要求,提高了煤矿井下供水系统的智能化水平,达到了减人、降本增效的目的。

永磁同步电机变结构模糊神经网络控制策略

为改善永磁同步电机矢量控制技术在复杂工况下控制器参数不能做出实时调整导致控制性能差的问题,分析了模糊逻辑与神经网络控制原理,提出了一种基于高斯径向基神经网络与模糊控制的相结合的智能控制策略。以转速误差以及误差的变化率为依据构建增量补偿式二维变结构模糊神经网络PID控制器(deformable fuzzy neural network,DFNN)通过RBF神经网络参数辨识器获取永磁同步电机的雅可比信息矩阵(Jacobian matrix),通过变结构算法确定变结构模糊神经网络的结构信息。在MATLAB/Simulink中仿真结果表明,该控制系统提升了电机启动以及目标转速发生改变时的响应速度,同时降低了超调量,在负载转矩存在扰动时转速变化小,且能够快速回归至给定值,优化了矢量控制系统的性能。