基于多层模糊神经网络的消防预警系统设计

针对城市消防预警能力有待提升的问题,分析了城市消防远程监控系统的数据构成特征。阐述了以消防巡查射频打卡数据和温度数据为挖掘重点的数据预警逻辑架构。采用多项式和对数深度迭代回归模糊算法,将输出值导入到预警结果整理模块后,通过模糊矩阵法生成模糊预警的方法,设计不同时间值域的本地双列数据。同时,约束当前时间点,并使用外部全城其他节点数据形成的参照矩阵,构建仿真设计方案。通过真实数据的仿真测试验证,该系统在不同消防预警级别下的敏感度、特异度均满足要求。与可查参考文献中其他机器学习算法对比发现,该系统的火情预警系统最优值相比更优。该系统拥有可置信的统计学优势。

基于神经网络的模糊半参数回归模型

本文把样条基和BP (Back Propagation)神经网络的基本原理结合起来,从而提出了一种具有模糊输入和模糊输出的自适应模糊半参数回归模型。对于所提出的自适应模糊回归模型较好地解释了模型的内在依赖性和模糊性。文中借助截断幂基作为模型的一部分,然后与非参数部分结合构造半参回归模型。利用BP神经网络预测模型中的观测输出值,然后利用LR-型模糊数的交叉验证准则和基于绝对偏差的距离测度。通过求解光滑函数、光滑函数的光滑参数带宽和回归模型的未知系数,实现了构造自适应模糊半参数回归的目标函数优化问题。通过实例并计算模型的拟合度表明所提出的模型的有效性,该策略也显著提高了所提出算法的拟合优度,并为模糊回归模型提供了数值不确定性之间的依赖框架。

GA-BP优化TS模糊神经网络水质监测与评价系统预测模型的应用——以太湖为例

针对水质监测与评价系统在太湖应用过程中水质数据和水质等级评价不准确的问题,建立了一种多隐含层改进型GA-BP神经网络来辨识复杂的水质模型,以均方误差MSE作为个体适应度,并在权值调整过程中加入动量因子来加快收敛速度,获取最优权阈值,提高其拟合程度和泛化能力.根据校准后水质的pH、溶解氧、浊度和氨氮数据,利用TS模糊神经网络建立了适用于当地水质评价的模型.仿真测试结果充分说明改进型GA-BP优化TS模糊神经网络对复杂水质模型的拟合程度更高,水质数据的均方误差、绝对误差更小,绝对误差保持在1.5%以内,水质等级预测精度提高14.28%.

基于TS模糊神经网络的Fuzzy规则自动获取研究

Fuzzy规则的获取一直是模糊智能系统的一个瓶颈 .本文在深入研究 TS模糊神经网络的物理意义的基础上 ,给出了使用遗传算法优化模糊规则集的算法并提出了从训练后的 TS模糊神经网络中抽取 Fuzzy规则的可操作方法 .分析和实验证明 ,这种方法可以实现且是有效的 ,对于 Fuzzy规则自动获取的研究具有积极的借鉴意义 .

基于模糊聚类广义回归神经网络的网络入侵研究

采用结合模糊聚类和广义神经网络回归聚类分析的方法,对5种网络入侵行为模式进行有效的聚类.首先用模糊c均值聚类算法将入侵数据分为5类,再将聚类的结果中最靠近每类中心的样本作为广义神经网络的聚类训练样本进行数据训练,训练输出的结果即为该个体所属的入侵类别.实验结果表明:新算法对网络入侵途径的分类精度更高,可为预防网络入侵提供更可靠的数据支持.

基于自适应模糊广义回归神经网络的区域火灾数据推理预测

针对基于反向传播(BP)神经网络和经典概率论及其衍生算法进行火灾损失预测时,存在系统结构复杂、依赖不稳定的探测数据、易陷入局部极小值等缺点,提出一种基于自适应模糊广义回归神经网络(GRNN)的区域火灾数据推理预测算法。在网络输入层使用改进模糊C-聚类算法,对初始数据进行权重修正,减少了噪声和孤立点对算法造成的影响,提高了预测值的逼近精度;引入自适应函数优化GRNN算法,调整迭代收敛的扩展速度、变化步长,找到全局最优解,改善了过早收敛问题,提高了搜索效率。实验结果表明,该算法代入已确定火灾损失数据,解决了依赖不稳定探测数据问题,并且具有良好的泛化能力、非线性逼近能力。

基于广义回归神经网络无参考模糊图像质量评价

提出一种基于广义回归神经网络的无参考模糊图像质量评价方法。该方法首先通过相位一致变换生成待评测图像的相位一致图像,然后利用灰度共生矩阵计算相位一致图像的信息熵、能量、对比度、相关性和同质性5个特征,最后利用广义回归神经网络模型训练学习,预测得到无参考模糊图像质量得分。在3个公开数据库模糊图像上的实验结果表明,新方法预测得分与主观得分有较好的一致性,更加符合人类视觉特性。

基于逐步回归分析的T-S模糊神经网络预测PM_(2.5)浓度研究

以银川市2015年气象数据为例,对影响PM_(2.5)的多个指标运用多元逐步回归分析进行预处理,筛选出与日均PM_(2.5)浓度影响最大的指标作为输入变量,利用多元线性逐步回归模型、BP神经网络和T-S模糊神经网络分别得出PM_(2.5)的预测值,最后与真实数据相比,T-S模糊神经网络具有较高的准确度和精度.

基于TS型模糊神经网络控制器的有源电力滤波器直流侧电压控制的研究

针对三相并联型有源电力滤波器(APF)直流侧电容电压控制问题,考虑TS型模糊推理易于和比例积分微分(PID)控制方法相结合的特点,提出了基于TS型模糊推理的模糊神经网络控制器(FNNC)方法,并将其用于APF直流侧的电压控制。确定了基于TS-FNNC的三相APF指令电流运算结构,研究了相应的控制策略,对TS-FNNC的连接权值和第二层节点的隶属函数调整分别采用最小二乘法和BP算法,使其具有较快的响应速度。仿真试验验证了该控制策略的有效性。

浙江省月度电力需求的变分模态分解-自适应模糊神经网络-差分整合移动平均自回归组合预测模型及应用

为提高电力需求预测的精度,提出了一种将变分模态分解(variational mode decomposition,VMD)和自适应模糊神经网络(adaptive network-based fuzzy inference system,ANFIS)相结合的方法并应用到月度电力需求预测中。首先将原始数据通过VMD分解成有限带宽的子模态序列,选用差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)、ANFIS、经验模态分解(empirical mode decomposition,EMD)与ANFIS相结合和VMD-ANFIS几种模型进行预测结果对比。结果表明:相比直接利用ANFIS模型得到的预测结果,增加VMD分解过程能有效减小预测误差。说明所应用的VMD-ANFIS方法更具优越性,可以获得更好的预测结果。

基于TS模糊神经网络的液压伺服系统研究

在飞机地面模拟试验台台架控制的液压伺服系统中,由于其系统存在强非线性,传统PID控制难以使液压马达转角达到精准良好的控制效果。针对这个问题,同时为提高控制系统性能,将基于TS模糊神经网络PID控制的智能控制算法应用于液压马达伺服控制系统中。在建立飞机台架液压伺服模型的基础上,利用基于TS模糊模型的神经网络对PID参数进行自适应整定,并基于MATLAB/Simulink平台进行相应的仿真实验。仿真结果表明,TS模糊神经网络PID控制器相比于传统PID控制器和普通模糊PID有着更好的响应特性,呈现出更佳的控制效果,使飞机台架控制系统的综合性能得到了提高。

广义回归神经网络的改进及在预测控制中的应用

针对广义回归网络的模式层单元数目与样本数量成正比的问题,提出了基于相似度衡量的模糊均值聚类的样本精简方法.针对广义回归网络在时变环境下难以确定平滑因子,自适应能力弱的缺点,提出了一种基于贡献率的选择优化方案.仿真结果表明,改进后的GRNN有较快的处理速度和较强的自适应能力,能够在实际应用中很好地辨识较为复杂的非线性时变系统.

一种自适应模糊小波神经网络及其在交流伺服控制中的应用

针对某武器大功率交流伺服系统所存在的大变负载、慢时变、强耦合的非线性特性和不确定扰动等问题,提出了模糊小波神经网络(FWNN)间接自适应控制器,该控制器的特点为Takagi-Sugeno-Kang(TSK)模糊模型的后件部分由自回归小波神经网络(SRWNN)构成。给出了SRWNN参数的迭代算法,利用SRWNN辨识器为控制器提供实时梯度信息,有效地克服了参数变化和负载扰动等不确定因素的影响,且具有良好的动态特性。采用Lyapunov稳定性理论方法证明了闭环系统的稳定性。仿真研究和样机试验结果证明了所提方案的有效性和正确性。

基于广义神经网络与模糊聚类的变压器故障诊断

鉴于IEC三比值法在变压器故障诊断中,存在编码缺失和编码边界过于绝对等缺陷,提出了基于广义回归神经网络(GRNN)和模糊C-均值聚类算法(FCM)的变压器故障诊断方法,建立了GRNN-FCM联合变压器故障诊断模型。选取变压器油中5种特征气体体积分数及其三比值编码作为输入特征向量,利用GRNN模型对样本故障进行初步判断(正常、过热、放电、放电兼过热),再采用模糊C-均值聚类算法对样本故障作进一步判断,最终得到具体的故障类型。将该模型与其他几种故障诊断方法进行对比分析,仿真实验结果表明,GRNN-FCM联合变压器故障诊断模型输出值与实际值具有较好一致性且准确度更高,验证了该模型的可行性及实用性。

基于模糊神经网络的民航物流预测研究与仿真分析

为合理规划我国机场改扩建方案,针对目前民航业特点,从客运量的角度对民航物流预测进行研究,在综合分析影响客运量因素的基础上,提出了模糊对角回归神经网络滚动预测模型。此模型在前端网络处理层对不确定性因素进行模糊量化处理,对确定性因素进行归一化处理,有效地解决了模型输入量纲不一致的问题。通过实际数据的检验与内回归神经网络、外回归神经网络的预测结果相比较,证明应用此模型进行民航客运量预测有较高的预测精度。并在此基础上利用Visual Basic语言开发了民航物流预测仿真系统,对预测结果进行仿真验证,试验结果表明该仿真系统具有广阔的应用前景和推广价值。

基于覆盖聚类的TS模糊神经网络热工对象建模

热工过程具有非常复杂的动态特性以及强耦合、大延迟和不确定等特征。控制过程需要较为精确的模型,但是常规的建模往往并不能满足要求,因此提出一种改进型的TS模糊神经网络建模方法。首先基于一种覆盖聚类算法对离线数据进行分类,初步得到模糊神经网络的前件和后件参数,再利用卡尔曼滤波算法调整后件参数和动态梯度算法调整隶属函数的宽度和中心,最后把得到的前件参数和后件参数进入在线网络,若进入网络的实时数据不属于所有的类,则应增加聚类中心和规则。

基于模糊粒化的改进混合神经网络股指期货价格区间预测

为提高区间预测的精度,提出一种基于三角模糊信息粒化的改进径向基(RBF)与支持向量回归机(SVR)相结合的混合神经网络区间预测模型,对股指期货价格的变化区间进行预测。首先,对原始数据进行模糊粒化处理,获得相应的变化区间;其次,采取自组织学习策略并运用减聚类算法,对传统的RBF神经网络进行优化,改进模型的结构与参数;然后,运用SVR对模型滚动预测过程中产生的残差趋势作进一步的估计,从而修正预测值;最后,运用改进混合神经网络对模糊粒化后的沪深300股指期货数据进行实例验证。结果表明,基于模糊信息粒化的改进混合神经网络区间预测模型能够较为精确地预测股指期货价格的变化范围与价格走势,有效提高单一非参数模型的点预测与区间预测的精度和运行效率,同时具备较好的网络结构与拟合能力。

基于广义回归神经网络集成的宽带波束形成算法

首先构造宽带波束成形所需要的协方差矩阵,利用基于粒子群优化算法对核主成分分析方法和广义回归神经网络进行了优化。在对神经网络的输入变量进行降维处理后,生成多个复杂度低的泛回归神经网络模型。利用提出的基于聚类启发式集成算法求出波束成形时的权系数,既考虑了网络的差异性,又考虑了网络的正确性。仿真结果表明,提出的基于聚类启发式神经网络集成的波束形成算法在网络结构十分简单的情况下,仍然具有较好的性能。

CGA优化改进型T-S模糊神经网络的三级倒立摆控制

针对三级倒立摆这一典型控制对象,建立了基于CGA优化的改进型T-S模糊神经网络控制器,完成了三级倒立摆的稳摆控制,将CGA与GA优化结果进行了对比,给出MATLAB仿真结果.结果表明:设计的控制器对于三级倒立摆的稳摆控制是有效的,而且CGA算法优于GA算法.

卫星钟差中长期预报的NAR动态神经网络法

针对中长期钟差预报中现有模型预报精度和运算效率相互制约的问题,提出一种非线性自回归(NAR)动态神经网络模型,以提高中长期钟差预报精度和运算效率。该模型选择Levenberg-Marquardt(LM)作为网络训练方法并采用递归预测的方法来预报中长期钟差,设计了基于钟差变化的建模数据预处理方案。利用NAR模型对GPS卫星钟差进行中长期预报,并与二次多项式(QP)、灰色模型(GM(1,1))、小波神经网络模型(WNN)及T-S模糊神经网络模型(T-SFNN)进行实验对比。实验结果表明:所提方法的中长期预报性能优于QP和GM(1,1)两种模型,其60天的钟差预报精度分别提高了64.5%和93.7%;相比WNN和T-SFNN两种模型,其60天钟差预报的模型运算时间分别缩短了约430s和459s,验证了所提方法在预报精度和运算效率方面具有较好的综合性能。