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 .

基于动态T-S递归模糊神经网络的闪速熔炼过程参数软测量

闪速熔炼过程中存在大量多元非线性因素,难以从统计学和机理上确立操作参数。为优化闪速炉的操作参数,建立了动态T-S递归模糊神经网络(DTRFNN)的软测量模型,推导了DTRFNN的权值学习算法。将其应用到某厂铜闪速熔炼过程中的参数软测量上,平均精确率达到97%,能为生产操作提供有益的指导。

动态T-S递归模糊神经网络及其应用

提出了动态T-S递归模糊神经网络(DTRFNN)。该网络具有全局收敛特性的递归结构;采用BP算法进行网络权值的学习;并利用Lyapunov定理证明该模型具有全局收敛性,并在此基础上提出了克服局部极小的方法。最后以动态系统的辨识为例,进行实验研究,取得了很好的效果,表明DTRFNN动态模型能很好的对动态系统进行辨识。

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。

递归T-S模糊模型的神经网络

在常规T-S模糊神经网络的基础上加入动态递归元件,提出了递归T-S模糊模型的神经网络。在系统辨识中采用无监督聚类算法和动态反向传播算法训练该递归神经网络的参数,给出了该递归网络的逼近性证明。辨识效果与常规T-S模糊模型作比较,说明递归T-S模糊模型的神经网络在非线性系统辨识中表现出更好的性能。

动态T-S递归模糊神经网络观测器状态辨识

传统模糊神经网络是一种静态映射，不适宜用于感应电机状态辨识。为提高系统辨识精度，提出一种动态T-S递归模糊神经网络观测器。根据动态递归神经网络观测器模型推导其动态反向传播算法，并利用Lyapunov定理证明该观测器具有全局收敛性。仿真结果表明：由于动态T-S递归模糊神经网络观测器同时利用了当前数据和历史数据进行状态辨识，较传统模糊神经网络观测器在辨识精度和稳定性方面具有更好的效果，且具有更好的收敛性。

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。

水下机器人T-S型模糊神经网络控制

针对水下机器人模糊神经网络控制器运算量大和对强外界扰动的鲁棒性差及存在滞后性的问题,提出基于混合学习算法的水下机器人T-S型模糊神经网络控制方法。采用免疫遗传算法离线优化和神经网络自学习在线调整隶属函数的参数,从而减少神经网络的运算量,增强水下机器人对环境变化的反应能力。采用T-S模型,由后件网络动态调整模糊规则,提高控制系统的适应性。通过某微小型水下机器人的仿真和外场实验验证方法的可行性和优越性。实验结果表明,控制器对外界扰动具有较强的鲁棒性,保证即使在恶劣情况下,控制性能仍保持在较高水平。

基于T-S模糊神经网络的地下水水质评价

采用T-S模糊神经网络模型对吉林省西部地区部分地下水水化学监测点水质进行评价。T-S模糊神经网络模型是根据模糊系统和人工神经网络优缺点具有明显的互补性结合而成,考虑了水质评价标准的区间形式和水系统的不确定性。将T-S模糊神经网络的评价结果与水质综合评价方法中经典的内梅罗指数法和BP人工神经网络法的评价结果进行对比,结果表明:T-S模糊神经网络法评价地下水水质更全面更客观。利用该方法对吉林西部的地下水水质进行评价,结果显示:吉林西部地区地下水资源已经遭受不同程度的污染,需要进行有效的保护。

基于T-S模糊神经网络的采空塌陷危险性判别

采空区地面塌陷的危险性判别受地质因素、采矿因素等多重因素的影响,各因素往往影响程度不同且部分因素之间又相互联系。为了能够较准确地对采空塌陷危险性进行评估,引入了T-S模糊神经网络模型。以北京西山地区采空塌陷为例,根据塌陷特点,分别选取了地质构造复杂程度、覆盖层类型、第四系覆盖层厚度、覆岩强度、煤层倾角、采深采厚比、采空区埋深、采空区空间叠置层数8项影响因素作为评价指标,并建立了分级标准。将单因素评价指标均匀线性插值作为训练样本,建立了T-S模糊神经网络判别模型。利用训练好的神经网络模型对选取的8处采空区进行评估,结果分别为:Ⅰ、Ⅱ、Ⅲ、Ⅱ、Ⅲ、Ⅱ、Ⅲ、Ⅱ,结果与实际情况吻合。研究表明,利用T-S模糊神经网络研究采空塌陷危险性是可行的。

基于T-S模糊神经网络模型的榆林市土壤风蚀危险度评价

选择位于风沙过渡区的榆林市为研究区域,以GIS技术和T-S模糊神经网络为依托,从土壤风蚀影响因子及风蚀动力学机制出发构建区域土壤风蚀危险度模型。基于此模型,对榆林市土壤风蚀危险度空间分异特征进行了分析,结果表明:T-S模糊神经网络模型可有效地揭示出区域土壤风蚀危险度与环境之间的映射关系,为土壤风蚀预测提供依据;风力、植被、气温、降水、地形等环境要素控制着土壤风蚀危险度空间分异格局;榆林市土壤风蚀危险度空间分异格局表现为:危险度从西北向东南逐渐降低。

基于T-S模糊神经网络的模型在台风灾情预测中的应用——以海南为例

使用1992-2011年间海南省台风灾害数据,综合T-S模糊神经网络的模糊逻辑和神经网络学习优化的性能,设计了一种灾害损失预测模型并定量地表达了台风灾害损失致灾因子与灾情指标因子之间的规律。调节模型的参数cji、σji和pji(k),控制学习性能指标误差值Ep和总误差E来优化模型的性能。将模型应用于201108号台风"洛坦"灾害损失预测中,实验结果表明该模型具有较好的预测功能。

改进型T-S模糊神经网络风电功率预测模型的研究

为了提高风电功率的预测精度,在分析其主要影响因素的基础上,针对T-S模糊神经网络收敛速度慢、计算量大等缺点,提出了一种改进型T-S模糊神经网络风电功率预测模型。首先采用椭圆基函数作为隶属函数,扩展其接收域;其次利用模糊C-均值聚类确定其中心值;然后引入惯性项加快网络的收敛速度;最后分别对四季短期风电功率进行预测。仿真结果表明,改进型T-S模糊神经网络有效地提高了短期风电功率的预测精度,具有一定的实用价值。

木材干燥过程温湿度的T-S型模糊神经网络控制器设计

木材干燥过程是一个强耦合、大滞后的非线性动力系统,很难准确建立被控对象的数学模型。为了准确控制木材干燥过程的温度和湿度,提高木材干燥质量,将智能控制引入木材干燥控制系统是必然的发展趋势。结合模糊控制和神经网络优点,设计了一种木材干燥窑内温湿度的Takagi-Sugeno(T-S)型模糊神经网络控制器。该控制器无需对象的精确数学模型,适应性强,利用模糊算法解除木材干燥窑内温度和湿度间的强耦合关系,采用神经网络的自学习和自适应能力来实现整个非线性过程的模糊逻辑推理。仿真和实验结果表明,T-S型模糊神经网络控制器有效解决了木材干燥过程的温湿度控制,控制器响应速度快、超调小、鲁棒性强、控制精确度高,可以满足木材干燥控制系统要求。

基于和声搜索优化多T-S模糊神经网络的聚合釜过程软测量建模

根据多个模型相加可以提高整体预测精度和鲁棒性的思想,提出一种基于模糊C均值聚类算法的多T-S模糊神经网络模型对聚氯乙烯(polyvinylchlorid,PVC)聚合生产过程中的氯乙烯(vinyl chloride monomer,VCM)转化率和转化速率进行预测。首先采用主元分析来对软测量模型的辅助变量进行选择以降低模型维数,并提出和声搜索和最小二乘法相结合的混合优化算法来优化T-S模糊神经网络子模型的结构参数。仿真结果表明该模型能够显著提高PVC聚合过程中经济技术指标预测的精度和鲁棒性,可以满足聚合釜生产过程的实时控制要求。

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。

用T-S模型模糊神经网络进行压裂效果预测

压裂效果受多种因素的影响,不同井况的不同参数对压裂效果的影响程度不一样,具有许多的模糊性。运用T—S模型模糊神经网络,建立各种影响因素与压裂效果之间的关系模型和预测模型,可以用来指导压裂选井选层和压裂施工工艺。实践证明,该方法用于压裂效果预测具有良好的适应性和实用性。

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T-S模糊神经网络的东滩湿地水域海水水质评价

长江口东滩湿地是重要的自然保护区,该水域水质评价对保护该地区的生态环境非常重要。海水水质的评价涉及到化学需氧量、有害元素含量等多因素,本文基于T-S模糊神经网络,根据海水水质标准对2010年5月东滩湿地保护区水域的海水水质进行评价,为长江口的水生物和环境保护建立了可行的评判机制。