卫星钟差预报的T-S模糊神经网络法

结合钟差数据的特点,提出了一种基于变化率的T-S模糊神经网络(TSFNN)钟差预报模型。首先计算相邻历元间钟差的变化率值并对其进行建模;然后利用TSFNN模型预报钟差变化率值,再将预报的变化率值还原,得到钟差预报值;最后,通过算例将本文所建模型与IGU-P产品、二次多项式模型(QP)及灰色模型(GM(1,1))进行试验对比。结果表明:在使用变化率方法后,TSFNN模型预报的精度和稳定性分别提高了69.8%和76.3%,而且与IGU-P钟差产品相比,预报的精度高出约10倍,同时模型预报的效果优于两种常用模型。因此,该模型可以实现卫星钟差较高精度的预报。

基于T-S模糊神经网络的光伏发电机组自动控制

光照情况变化会使光伏发电机组功率呈现不稳定性,加大光伏发电机组控制难度,为此,设计了基于T-S模糊神经网络的光伏发电机组自动控制方法。构建光伏阵列数学模型,分析在均匀和不均匀2种光照情况下光伏发电机组特性曲线。以分析结果为依据,采用T-S模糊神经网络构建光伏发电机组自动控制模型。为保证良好的控制效果,引入定比因子优化隶属度函数,输出最佳跟踪结果,结合最佳跟踪结果和自动控制模型实现光伏发电机组自动控制。测试结果显示,该方法能够完成光伏阵列特性分析,控制效果好。

基于PCA-T-S模糊神经网络底板破坏深度预测

针对底板破坏深度影响因素较多、数据之间相关性较强的特点,选用了主成分分析法对原始数据进行降维处理,提取出主要指标信息;基于T-S模糊神经网络具有拟合性能强、预测准确度高的优点,建立PCA-T-S模糊神经网络模型。通过阅读大量文献资料,选取了煤层埋藏深度、煤层倾角、煤层开采厚度、工作面斜长、底板抗破坏能力以及断层的存在性作为底板破坏深度的主要影响因素,选取24组数据进行模型训练,建立预测模型,并对8组数据进行预测,通过与传统T-S模糊神经网络模型及“三下”开采规范收录公式进行对比,分析PCA-T-S模糊神经网络预测模型优于其它两种方法,预测的最大相对误差仅为15.25%.为底板破坏深度预测提供了一种新的预测方法。

基于改进深度动态模糊神经网络的信息综合分析算法

针对传统人力资源评价算法的主观性强,难以反映员工真实能力的问题,提出了一种结合深度动态模糊神经网络和粒子群优化的算法。该算法对传统模糊神经网络进行了改进,并使用动态结构来增强原模型训练能力,通过对隶属函数层的优化,使模型具备了处理广域数据的能力。为了提高算法的运行效率,还采用误差下降法对模型的规则权重进行排序并完成剪枝操作,同时利用粒子群算法实现对模型参数的优化。实验测试结果表明,所提算法的训练时间仅需7.8 s,性能与效率指标则均优于对比算法,且与人工评价法得到的指标大致相同,可以作为电力人才评价的辅助数据参考。

基于模糊神经网络与层次分析法的爆破效果评价方法及应用

针对露天爆破效果评价分析过程中存在主观性强、随机性大、难以定量评价爆破效果等问题,开展了露天爆破效果评价方法研究。研究采用大块率、火工品成本、爆破振动等8项指标,涵盖爆破质量、经济及安全3个方面,构建了爆破效果综合评价体系,将贪心算法与模糊神经网络、层次分析法相结合,得到最终适用于露天台阶爆破效果评价的推广模型。研究成果实现了露天爆破效果的定量分析,提高了爆破效果评价方法的易用性,并以推广模型为基础开发了爆破效果综合评价系统,该系统已在矿山推广使用,研究结果可为爆破设计优化提供有效的数据支撑。

基于T-S模糊神经网络的飞行学员飞行技能评价模型构建研究

为准确评价飞行学员飞行技能的优劣,在分析飞行学员起落航线各飞行阶段任务的基础上,参照飞行训练手册并结合与教员的访谈,建立了飞行学员飞行技能评价指标体系。运用T-S模糊神经网络搭建的飞行技能评价模型实现对飞行学员飞行技能评价,采集118名飞行学员飞行数据(有效数据110组),80组数据用于训练模型,30组数据用于测试,以验证模型评价的适用性和精确度。结果表明:T-S模糊神经网络具有很好的学习效率,评价飞行学员飞行技能准确度为976%,该方法构建出的评价模型应用于飞行学员飞行技能评价有效可行。

新老世代农民工城市融入水平评价研究——基于模糊神经网络

随着国家对“推进以人为核心的新型城镇化”建设的重视,农民工城市融入进程成为政府和学界关注的重点。本文聚焦新老两代农民工主体,使用中国社会状况综合调查数据(2017年、2019年和2021年),并结合我国农民工城市融入的特点,以2017年为训练数据,利用模糊神经网络评价方法,对2019年和2021年农民工城市融入水平进行预测评价,验证得到该模型具有良好的预测性能和较低的预测误差。从预测模型发现,新生代农民工的城市融入水平高于老一代农民工,且在不同维度两代农民工城市融入水平都存在代际差异,提升农民工城市融入水平应该从稳定就业、提高收入,加强社会保障和社区管理,以及提高农民工主体意识方面着手。

基于T-S模糊神经网络的湿法脱硫效率预测

由于影响脱硫效率的因素较多,且相互之间均具有关联性,造成脱硫效率难以实时监测,且测量结果不精准。本文运用T-S模糊神经网络建立了脱硫效率的预测模型,基于某电厂DCS采集的湿法脱硫系统原始数据,在MATLAB平台上进行训练与检验,得到较精准的脱硫效率预测模型。模型验证结果显示：采用T-S模糊神经网络模型预测脱硫效率,85%的样本点相对误差分布在-1.0%～0.5%之间,最大误差不超过1.5%,说明该模型的预测精度较高,能较好地满足工程实际的需求。

基于GA优化T-S模糊神经网络的小电流接地故障选线新方法

在小电流接地系统中,发生最多的是单相接地故障,针对如何快速准确地查找故障线路一直都是重点研究课题,且没有得到有效的解决。本文提出一种基于遗传算法(GA)优化T-S模糊神经网络的配电网故障选线新方法:通过调整传统GA的适应度函数,先对网络初始参数、权值进行一次优化后,使用梯度下降法进行二次优化的选线算法。讨论了T-S模糊神经网络,传统GA优化的T-S模糊神经网络及不同网络结构对网络性能的影响。研究结果表明新型GA优化T-S模糊神经网络的选线效果明显优于T-S模糊神经网络和传统GA优化T-S模糊神经网络,能够快速、准确、可靠的选取故障线路。

T-S型模糊RBF神经网络快速学习算法

针对Ｔ－Ｓ型模糊ＲＢＦ神经网络输入空间模糊最优聚类算法运算量大、运算速度低的缺点，提出基于输出空间模式聚类的快速学习算法，以满足多变量系统实时性要求．仿真结果表明该快速学习算法不仅可以达到要求的辨识精度。

基于模糊神经网络的一体化监测设备可靠性评价

为了实现对一体化监测设备的可靠性综合评价,基于T-S模糊神经网络的方法,以时效性、粗差占比、采样间隔、误报次数4个指标作为输入向量,利用T-S模糊系统的数据处理能力、神经网络的非线性拟合能力及MATLAB软件编程,构建一体化监测设备的综合评价模型。将训练好的T-S模糊神经网络模型与BP神经网络模型同时用于6组监测设备的预测,从数值模拟与应用的情况可以看出,普适型设备略强于一体化监测设备,与实际情况相符。该方法在一体化监测设备的评价方面具有可行性和实用性,可以作为该设备在实践应用过程中可靠性的依据。

基于T-S模糊神经网络的齿槽效应补偿方法研究

针对齿槽效应带来的齿槽误差问题,提出在传感器探头内布设齿槽位置检测线圈,建立传感器齿槽特性模型和基于T-S模糊神经网络的齿槽补偿系统模型,依据齿槽位置信号对传感器进行齿槽误差补偿。利用附加动量的BP学习方法对网络进行学习和测试。仿真结果表明补偿模型的输出不再随齿槽位置波动,最大误差为±0.2 mm,该种方法可以有效地消除齿槽效应并提高传感器的检测精度,满足高速磁浮车悬浮控制系统要求。

基于T-S模糊神经网络的电晕放电模式识别方法(英文)

提出了基于T-S模糊神经网络的电晕放电模式识别方法,设计制作了三类电晕放电实验模型,并从采集的电晕放电信号中提取最大值、最小值、均值及其分形维数作为网络的输入特征向量,根据特征向量维数、隶属度函数类型及隶属度函数个数对T-S模糊神经网络的拓扑结构进行分析,将输入神经元个数为4、隶属度函数层为3个高斯型函数的网络确定为电晕放电的模式识别网络,并对此类网络进行训练和测试,结果表明此网络用于电晕放电模式识别是有效的.

基于T-S模糊神经网络模型的编码器故障软闭环容错控制方法

针对舞台吊杆调速系统中速度反馈元件增量式编码器可能产生的丢码、断码等问题,为防止故障影响的传播,结合数据驱动技术提出了一种基于T-S模糊神经网络(T-S FNN)模型的编码器故障检测与软闭环容错控制方法。首先,利用系统正常运行时的历史数据建立系统较为精确的T-S FNN预测模型,并用实际编码器测量值与模型预测值相减获得残差信息;其次,将其残差实时数据通过改进的序贯概率比检验(SPRT)算法进行故障检测,以克服检测延迟确保故障检测的可靠性,当检测出故障时,再用T-S FNN模型的预测输出替代故障编码器的输出,实现软闭环方式下的容错运行;最后,针对编码器丢码、断码等故障,采用上述方法进行了软闭环容错控制的有效性仿真验证。仿真结果表明,该方法能够快速可靠地检测到编码器故障,并用预测的重构信息通过容错切换机制,及时、安全地以软闭环方式实现了对故障编码器的容错控制,提高了舞台吊杆调速系统运行的安全可靠性。

基于T-S模糊神经网络的水质评价方法及其在四水流域的应用

针对水质评价方法评价等级固化、评价方法整体性不强以及指标间差异较大等特点,引入了T-S模糊神经网络对水质进行评价。基于T-S模糊系统的数据处理能力和神经网络对数据间非线性关系的拟合能力,构造T-S模糊神经网络。经过训练、检验发现该网络对生成数据的拟合程度较高,可以应用于水质评价。将该神经网络应用于湖南省四水干流的水质评价,发现四水代表水质站点的水质情况从2005—2015年期间基本符合地表水Ⅲ类水标准,同时,湘江湘潭站及长沙站存在一定的水质等级变优趋势。

基于T-S模糊神经网络的供电公司客户服务质量评估研究

为了优化供电公司客户服务效果,提升客户服务质量水平,获取供电服务中存在的问题与不足,本文引入T-S模糊神经网络,开展了基于T-S模糊神经网络的供电公司客户服务质量评估研究。首先,从6个维度选取了供电公司客户服务质量一级评估指标,并在此基础上进行细分,为评估工作奠定良好的基础。然后,利用T-S模糊神经网络全方位评估供电公司客户服务质量,获取服务质量评估分数。最后,建立服务质量评估集合,按照评估分数评估客户服务质量等级。本文方法可从多个维度得出客户服务质量评估分数,有针对性地制定服务质量提高举措,以提高客户用电服务体验与供电公司综合经济效益。

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。

一种改进T-S模糊神经网络估计锂电池SOC的方法

针对传统模糊神经网络估计锂电池荷电状态(SOC)方法精度低、收敛速度慢的问题,采用模糊规则优化算法对神经网络的结构进行优化,加快了网络的收敛速度。通过分析锂电池实际使用工况,将影响电池当前容量的两个参数,即循环次数与循环之间的静置时间,与电池电压、电流、温度统一作为影响SOC估计精度的因子。MATLAB仿真结果表明,改进后的模糊神经网络算法的精度和收敛速度较传统的模糊神经网络算法更优。

基于T-S型模糊神经网络的内模自适应PID算法研究

针对内模PID算法在控制具有大滞后特性的温度模型时,因内模参数无法根据内部模型的失配程度进行自适应调整,使得系统超调量增大,调节时间变长,控制响应不及时,控制品质下降等问题。该文提出了基于T-S型模糊神经网络的内模自适应PID算法,大大降低上述问题对系统控制性能指标的影响。Matlab仿真结果表明:在内部模型与被控模型的参数出现正向失配或负向失配时,该文算法控制响应最快、超调量最小,控制精度最高,具有最好的控制性能指标。

混沌机制在T-S模型模糊神经网络的系统辨识研究

出一种 T- S模型的模糊神经网络 ,在通常 BP算法的基础上 ,引进混沌机制来训练模糊神经网络的权值参数。将混沌 BP算法应用于非线性系统建模 ,以求获得全局意义下的最优逼近。仿真研究说明了其有效性和良好的性质。