基于CFNN的核蒸汽发生器水位控制

鉴于常规的PID控制存在控制对象参数变化时控制参数无法改变的不足,从而根据一个核蒸汽发生器(NSG)的简化数学模型,将一种补偿模糊神经网络(CFNN)用于NSG水位的控制。该网络由于引入了补偿神经元,使网络的容错性更好,系统更稳定。同时在神经网络学习算法中动态优化补偿模糊运算,使网络更适应,训练速度更快。仿真表明,该方法在装置负荷变化时比常规的PID控制方法超调量小,收敛速度快。该网络能在线调整参数,动态优化模糊规则,适于在线学习控制。该控制方法对NSG水位智能控制研究具有一定意义。

基于补偿模糊神经网络的灰循环系统控制研究

针对循环系统回料量对循环流化床锅炉床温的影响,采用补偿模糊神经网络的建模方法,建立灰循环系统回料控制模型,选取锅炉床温变化及变化率作为输入、回料风量作为输出进行了仿真研究,并与常规控制进行比较.结果表明:补偿模糊神经网络控制器对参数变化的适应性明显优于常规控制器,补偿模糊神经网络方法对灰循环系统控制优化有实际意义.

补偿模糊神经网络在模糊规则训练中的应用

目前,自治式水下机器人(Autonomous Underwater Vehicle,AUV)、自动导引驾驶小汽车、轮船等领域应用模糊规则控制已经受到许多人的关注,模糊规则的制定与训练是其中之关键所在,该文将模糊规则控制应用在无人机自由编队飞行控制中。在训练模糊规则过程中,常规的BP神经网络法存在学习速度慢、无法结合专家知识以及容易陷人局部最小等缺点,为了克服上述不足,文中引入了补偿模糊神经网络,它是一个结合了补偿模糊逻辑和神经网络的混合系统,由面向控制和面向决策的神经元组成,其模糊运算采用动态的、全局优化运算,学习速度快、学习过程稳定。将其用于无人机自由编队飞行的模糊控制规则进行训练,结果表明用补偿模糊神经网络对模糊规则的训练效果良好。

基于自适应学习速率法的补偿模糊神经网络

为克服常规网络收敛速度慢、无法结合专家知识等缺点,引入补偿模糊神经元,结合模糊系统强大的知识表达能力和神经网络优秀的自学习能力,并利用自适应学习速率法动态地改变学习率.提出了一种新型的基于自适应学习速率法的补偿模糊神经网络,并将其应用到实际例子中.结果证明,它不仅能在线适当调整参数,还能动态地优化相应的模糊推理,加快训练速度.

改进补偿模糊神经网络在坡面产沙模拟预报中的应用

土壤侵蚀产沙是一个极其复杂的物理过程,其物理机理十分复杂,往往难以用数学方式来描述。根据土壤侵蚀过程内在特点,采用一种改进的补偿模糊神经网络(CFNN)方法,对坡面侵蚀产沙过程进行了预测研究。利用四川某水土保持实验站观测数据,通过MATLAB语言编制程序进行了仿真试验,全局误差为0.0517,预测值与实测值吻合良好,误差小于10%。结果表明,该方法预报精度较好,为坡面产沙模拟模型的建立提供了重要的参考方法。

文化差分进化算法及其在化工过程建模中的应用

提出了一种新的文化差分进化算法,该算法将差分进化算法作为文化算法的种群空间,在文化算法的信念空间和影响函数设计中提出了基于多种知识源的设计方法,通过多种知识指导差分进化的变异操作和交叉操作,使知识的表达和指导种群进化的能力得到加强。函数测试结果表明,基于知识机制的引入使得文化差分进化算法在寻优性能上比差分进化算法有了较大的提高,而对参数的敏感性却相对较小。将文化差分进化算法用于训练补偿模糊神经网络,建立乙烯精馏塔产品质量软测量模型。通过训练与泛化能力的比较结果表明,基于文化差分进化算法的补偿模糊神经网络软测量模型在建模精度和泛化性能上均优于常规补偿模糊神经网络、模糊神经网络以及采用遗传算法优化的模型,具有更好的应用前景。

采用补偿模糊神经网络识别雨天导航路径的方法研究

为实现视觉导航智能车辆对雨天导航路径的准确识别,在分析雨天导航路径特点的基础上,提出了采用补偿模糊神经网络识别雨天导航路径的方法,设计了具有5层结构的补偿模糊神经网络,并分别取大雨、小雨、雨后水迹、雨中模糊反光环境的部分导航路径图像作为样本进行训练,又采用剩余部分路径图像进行了识别试验,试验结果表明该方法能够很好的识别雨天导航路径,并具有较强的实时性。

补偿递归模糊神经网络及在热工建模中的应用

在传统的模糊神经网络中引入递归环节和补偿环节,构成了一种新型补偿递归模糊神经网络(CRFNN),改善了网络的动态响应特性和学习能力.在此基础上,采用一种新型序贯监督策略对网络进行结构辨识,能够有效地确定模糊规则的条数以及相关参数的初始值.针对CRFNN的结构特点,提出了改进的BP算法,能够对网络的结构参数进行进一步的学习.对典型的热工对象以及复杂的ALSTOM气化炉进行的建模计算结果表明,提出的CRFNN具有优良的动态响应特性和很强的学习能力,值得在热工建模与控制领域中推广应用.

补偿模糊神经网络在储层参数预测中的应用

为了克服常规 BP神经网络法在预测储层参数中出现学习速度慢、无法结合专家知识等不足 ,我们引入了补偿模糊神经网络。它是一个结合了补偿模糊逻辑和神经网络的混合系统 ,由面向控制和面向决策的神经元组成 ,其模糊运算采用动态的、全局优化运算 ,学习速度快、学习过程稳定 ,将其用于储层参数预测效果良好。

补偿模糊神经网络在煤矿安全预警中的应用

为了实现煤矿安全预警的及时、准确和有效,预防和减少煤矿事故的发生,采用补偿模糊神经网络理论,设计了一种包括"影响因素-综合评价"的二级神经网络结构,其中影响因素级由5个、综合评价级由1个,总共6个子补偿模糊神经网络构成。该结构有利于对影响安全问题的原因进行深入分析,评价更客观。通过实际应用,验证了该模型的实用性和有效性。

无人机自由编队飞行的补偿模糊神经网络控制

为了克服当前提出的无人机编队飞行的不足,提出一种新的无人机编队飞行概念——自由编队飞行,制定了相关的避让规则,用补偿模糊神经网络进行训练,实现自由编队飞行的补偿模糊神经网络控制。仿真显示,编队飞行的飞机能按照规则自主改变航路进行避让,表明了该方法的有效性。

基于模糊神经网络的热风炉温度控制仿真研究

针对高炉热风炉温度控制易波动问题,文章提出基于模糊神经网络控制算法对热风炉进行温度控制,具体采用补偿模糊神经网络控制算法,对输入制定一个折中的方案,仿真结果表明该方法能够满足高炉对温度控制的要求,达到了减少温度波动的目的。

基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。

基于补偿模糊神经网络的氧乐果合成控制研究

针对氧乐果合成反应过程温度具有时变、延时等非线性特性,研究了补偿模糊神经网络控制系统。首先确定了补偿模糊神经网络的初始结构和初始参数,再通过动态调整补偿的改进BP算法来调整参数,实现温度的实时控制。仿真结果表明:补偿模糊神经网络控制系统收敛速度快、适应性强,在温度控制方面取得了比较满意的控制效果。

基于补偿模糊神经网络的高职院校教师教学评价模型的构建

利用补偿模糊神经网络构建高职院校教师的教学评价模型,借鉴《机械制图》教学过程中总结出的零件制作6个步骤,形成"六步法则",将其应用于模型构建的整个过程。数据验证结果表明,该模型评价精度较高,有利于合理地对教师教学能力的评价,并将有效地促进学校推行绩效考核机制,促进人才培养质量的提升。

改进的动态模糊神经网络及其在人脸识别中的应用

结合动态模糊神经网络和补偿模糊神经网络,提出一种改进的动态模糊神经网络。首先介绍动态补偿模糊神经网络的结构和学习算法,然后将其用于人脸识别。对Weizmann人脸数据库和ORL人脸数据库的人脸图像识别实验表明,动态补偿模糊神经网络分类器算法性能优于一般的动态模糊神经网络。

一种基于补偿模糊神经网络的水质预测方法

在污水处理系统过程控制中,对水质变化规律进行预测是控制系统可靠、稳定运行的重要环节。介绍了基于模糊逻揖和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点,建立污水处理厂CFNN的水质预测模型。实例预测结果表明该模型对初始值的选择不敏感,具有很好的收敛性和预测精度,适合实际工程应用。

基于补偿模糊神经网络的洗衣机仿真研究

本文介绍了基于模糊逻辑和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点使洗衣机能够更加准确的判断衣物的软硬程度、衣量多少、脏污程度和性质等,自动生成模糊控制规则和隶属度函数,预先设定洗衣机水位、水流强度和洗涤时间,在整个洗衣过程中实时调整这些参数,达到最佳的洗衣效果。

基于Fisherface和补偿模糊神经网络的人脸识别方法

对基于Fisherface和补偿模糊神经网络的人脸识别方法进行了研究,首先用Fisherface进行特征抽取,构成特征空间。然后对文献中提出的补偿模糊神经网络进行调整使其能解决多类分类问题。最后在特征空间里设计补偿模糊神经网络。实验结果表明,该方法具有良好的性能。

基于补偿模糊神经网络的核电百万千瓦级汽轮发电机的故障诊断

在独特的、自行设计的多功能核电百万千瓦级汽轮发电机试验台上,人工模拟了多种故障,选择反映其故障状态的不同频段参数组成特征向量,利用补偿模糊神经网络(CFNN)系统进行故障诊断分析。由于网络引入了补偿模糊神经元,使其容错率更高,系统更稳定。仿真实验证明该模型在智能诊断中具有收敛速度快,诊断精度高,而且适应性强等优点。