Flatness predictive model based on T-S cloud reasoning network implemented by DSP

The accuracy of present flatness predictive method is limited and it just belongs to software simulation. In order to improve it, a novel flatness predictive model via T-S cloud reasoning network implemented by digital signal processor(DSP) is proposed. First, the combination of genetic algorithm(GA) and simulated annealing algorithm(SAA) is put forward, called GA-SA algorithm, which can make full use of the global search ability of GA and local search ability of SA. Later, based on T-S cloud reasoning neural network, flatness predictive model is designed in DSP. And it is applied to 900 HC reversible cold rolling mill. Experimental results demonstrate that the flatness predictive model via T-S cloud reasoning network can run on the hardware DSP TMS320 F2812 with high accuracy and robustness by using GA-SA algorithm to optimize the model parameter.

云模型方法在选煤厂跳汰系统中的故障检测与诊断

针对传统的故障检测与诊断方法的局限性,笔者结合信息融合思想和云模型算法,提出了用于选煤厂跳汰系统故障检测与诊断的云模型方法。采用一维云模型推理映射算法,代替传统神经网络方法的训练过程,融合多源信息合并处理,保证检测和诊断的正确性,并进行实时检测仿真。结果表明:系统辨识精度较高,能很好地反应跳汰系统工作情况,并能及时判断。该方法用于选煤厂跳汰系统故障检测与诊断可行。

一种基于逆向云变换的混合推理神经网络

针对数值信息与定性领域知识相互融合的推理问题,提出了一种基于云变换的混合推理神经网络。利用逆向正态云发生器可实现论域中定量数值到定性概念描述间不确定关系的转换,建立基于云变换的混合信息推理逻辑和神经网络模型。将数值信息通过云变换在概率意义下转化为定性概念谓词,把推理规则表示为神经元,利用神经网络的学习性质来实现定量与定性混合信息的自适应计算推理。以油田开发水淹层判别为例,实验结果验证了模型和算法的有效性。

一种基于正向云变换的混合计算神经网络及其应用

针对数值信息与定性领域知识相互融合的计算问题,提出了一种基于云变换的混合计算神经网络模型。利用正向正态云发生器可实现定性概念到量化数值描述之间不确定关系的转换机制,建立基于云变换的混合信息计算逻辑和神经网络模型。将定性概念谓词通过云变换在概率意义下转换为数值变量,把计算规则表示为神经元,利用神经网络的学习性质来实现对定量与定性混合信息的自适应计算和推理。在算法设计中,将网络性质参数整合为一个粒子,利用粒子群算法对混合计算神经网络进行整体优化求解。以石油地质研究中的沉积微相自动识别为例,实验结果验证了模型和算法的有效性。

基于云模型的模糊神经网络算法研究

针对模糊神经网络不能同时处理随机性和模糊性且人为影响严重等问题,提出采用云模型进行不确定性表达,建立云模糊神经网络模型。针对黄金分割法的误差问题,提出使用高斯拟合算法计算云模型的数字特征。利用云模型计算属性的确定度,作为隶属函数;使用改进的"软与"算法完成云规则生成及匹配;通过云模型对BP算法进行优化,避免出现局部最优解;根据输出数值及确定度判断数据所属类别。实验结果表明,云模糊神经网络对不确定性的处理具有更高的准确性。

云神经网络的函数逼近能力

运用云理论,建立自适应神经-云推理系统(adaptive neuro-cloud inference system,ANCIS)的控制模型,并证明该模型具有全局逼近性质。首先将Zadeh模糊推理神经网络变为云推理网络,建立一个多输入单输出的T-S型ANCIS模型;然后设计系统变量的属性函数和推理规则,确定输入输出关系以及系统输出结果的计算表达式;最后通过证明所建模型的输出结果计算式满足Stone-Weirstrass定理的3个假设条件,完成该模型的全局逼近性证明。