模糊神经网络技术在故障诊断中的应用

总结了模糊神经网络在故障诊断中的应用,分析和归纳了不同结构的模糊系统与神经网络的合成形式。对直接模糊神经网络、B样条模糊神经网络、RBF模糊神经网络以及几种扩展的模糊神经网络在故障中的应用进行了讨论。针对故障诊断通用模型,给出了子模块的改进和选取方法,从而使故障诊断的模糊神经网络方法更为系统和有效。     

基于模糊神经网络的车用发动机智能故障诊断系统

针对车用发动机故障多,且具有模糊性和复杂性的特点,提出了一种基于模糊神经网络的车用发动机故障诊断专家系统。该设计结合了神经网络、模糊逻辑以及专家系统的优点,在利用神经网络对电控汽油机进行故障诊断的基础上,引入模糊逻辑的概念,采用模糊隶属函数来描述这些故障的程度,系统推理速度快,容错能力强。并运用MATLAB的图形用户界面(GUI)功能,设计了一种全新的人机交互界面,增加系统的易操作性,方便用户使用,更新系统简单直观。     

一类高精度伺服系统基于模糊神经网络的复合控制

针对高精度伺服系统中存在的各种非线性及不确定性 ,提出了基于模糊神经网络的复合控制方法。控制器由前馈控制器和闭环反馈控制器组成。前馈控制器由零相差跟踪控制器 (ZPETC)及FIR滤波器构成 ,闭环反馈控制器采用模糊神经网络控制 ,包含一个辨识网络FNNI和控制网络FNNC。该控制方法结合了神经网络和模糊推理的优点 ,可以克服各种非线性和不确定性 ,明显提高跟踪性能 ,具有很好的鲁棒性。提出的模糊神经网络结构简单 ,推理算法易于实现 ,并且可以更合理地选择初始权值 ,加快了网络的收敛速度 ,在一定程度上解决了神经网络的实时性问题     

模糊-GPC串级控制在网络时延控制中的应用

为了解决网络闭环非线性控制系统中的时延问题,本文提出了一种在模糊神经网络控制的基础上结合广义预测控制(GPC)处理非线性系统网络时延的方法,建立了网络控制系统的结构模型,并分析了此模型对处理非线性网络控制系统中时延问题的有效性。在MATLAB环境下对网络控制倒立摆系统进行了仿真,通过对比模糊神经网络控制与模糊-GPC串级控制的控制效果,进一步证实了此方法对非线性网络控制系统能够实现稳定控制。     

一种新的暴雨灾害预报非线性建模方法

针对一般模块化模糊神经网络(MFNN)的门网络普遍采用模糊C均值聚类算法(FCM),没有对样本特征进行优化的问题,提出了在门网络中采用模糊核聚类算法(FKCA)替代模糊C均值聚类算法,构建了一种新的模糊核聚类模块化模糊神经网络预报模型.进一步采用动力消空算法、切比雪夫多项式展开方法和自然正交展开方法对预报量和预报因子进行计算处理后,分别建立了普通模块化模糊神经网络和模糊核聚类模块化模糊神经网络暴雨预报模型.利用这两种预报模型进行的暴雨预报试验表明,在相同的条件下,改进模型具有更高的暴雨预报TS评分.     

模糊推理和神经网络的集成在故障诊断中的研究

以故障诊断的理论和方法为基础 ,综合运用人工智能、模糊理论和神经网络理论 ,对复杂电子装备的故障诊断问题进行了研究。提出了模糊推理和神经网络的集成方法 ,介绍了集成的综合系统的基本结构和工作原理 ,描述了模糊故障诊断模型和改进的神经网络BP算法     

模拟电路单—故障的模糊神经网络诊断方法

本文提出了利用模糊神经网络进行模拟电路故障诊断的方法。该方法根据模式识别原理,利用建立在神经网络中的模糊特征库,推断出故障特征对各元件故障的隶属程度,并指示元件参数的变化趋势。这一方法为解决模拟电路及一些含有非线性元件的电路的故障诊断问题提供了一种新方法。     

基于BP-ART混合神经网络的电路故障诊断新方法

建立了基于误差反向传播(back propagation, BP)神经网络和自适应共振理论(adaptive resonate theory, ART)神经网络的电路故障诊断模型,提出了BP神经网络和ART神经网络相结合的电路故障诊断方法,以ART网络为主,识别新故障,以BP网络为辅,识别多类故障,并对传统的ART神经网络竞争机制加以改进,有效地解决了复杂电路故障诊断的难题。实验表明,基于BP和改进ART神经网络相结合的电路故障诊断方法具有自适应性好、训练时间短、准确性高等特点。     

基于IREA的模糊神经网络及其在网络拥塞预测中的应用

将粗糙集从原始数据中提取数据的能力和模糊神经网络的推理能力有效地集成起来。使用增量式规则提取算法(IREA)从原始数据中抽取构建模糊神经网络(FNN)所需的规则集。与传统的模糊神经网络相比较,使用IREA算法构建的FNN具有较短的规则长度和更少的规则条数。网络拥塞仿真试验验证了本文所述方法的优越性。     

混沌序列的T-SK反馈模糊神经网络预测

针对模糊神经网络预测混沌系统输入节点数目的确定随意性较大及敛速度慢的缺点,提出T SK反馈模糊神经网络(T SKrecurrentfuzzynetwork,TRFN)。同时采用两阶段学习算法:先进行结构学习来确定TRFN的最佳结构,再利用基于混沌动态量的BP算法对神经网络进行参数学习,提高了收敛速度和预测精度。应用此网络和相应的学习算法,对Henton序列进行了预测,与传统的模糊神经网络相比,在节点数目较少的情况下,取得了更快更精确的预测结果,验证了该方法的有效性。     

基于结构自适应模糊神经网络的前列腺癌诊断方法

前列腺癌是近年来严重危害男性健康的疾病.利用模糊神经网络方法可以实现前列腺癌诊断,并将诊断模型表示为模糊规则集合.针对模糊神经网络所提取规则解释性差的问题,提出结构自适应模糊神经网络方法,通过改进损失函数,在训练中控制相似隶属度函数的合并,实现模糊神经网络模型结构自适应调整,减少模糊规则数量,在保证诊断准确性情况下,提取出容易理解的可解释性规则.同时该方法在模型的训练过程中引入粒子群优化(PSO)算法进行结构和参数学习,有效减少计算量,提高训练效率.最后,使用临床医学科学数据中心提供的前列腺疾病检查数据进行数值实验,验证了所提出方法在前列腺癌诊断和可解释性规则提取中的有效性.     

气动人工肌肉的模糊小波神经网络控制

针对一种应用于医疗机器人领域的三自由度人工肌肉的非线性特性，结合模糊理论与小波神经网络，提出一种模糊小波神经网络控制器对人工肌肉驱动器进行控制。利用模糊小波神经网络的学习能力，采用梯度法搜寻控制器的最优参数。将采用模糊小波神经网络控制器与采用小波神经网络控制器及模糊神经网络控制器的控制系统仿真结果进行比较。仿真结果说明模糊小波神经网络控制器有效地改善了驱动器的静动态特性，具有更快的训练速度和更好的控制效果，是一种理想的气动人工肌肉控制方法。     

AN INTELLIGENT CONTROL SYSTEM BASED ONRECURRENT NEURAL FUZZY NETWORK AND ITS APPLICATION TO CSTR

In this paper, an intelligent control system based on recurrent neural fuzzy network is presented for complex, uncertain and nonlinear processes, in which a recurrent neural fuzzy network is used as controller (RNFNC) to control a process adaptively and a recurrent neural network based on recursive predictive error algorithm (RNNM) is utilized to estimate the gradient information ρy/ρu for optimizing the parameters of controller.Compared with many neural fuzzy control systems, it uses recurrent neural network to realize the fuzzy controller. Moreover, recursive predictive error algorithm (RPE) is im-plemented to construct RNNM on line. Lastly, in order to evaluate the performance of the proposed control system, the presented control system is applied to continuously stirred tank reactor (CSTR). Simulation comparisons, based on control effect and output error,with general fuzzy controller and feed-forward neural fuzzy network controller (FNFNC),are conducted. In addition, the rates of convergence of RNNM respectively using RPE algorithm and gradient learning algorithm are also compared. The results show that the proposed control system is better for controlling uncertain and nonlinear processes.     

基于模糊神经网络的无刷双馈电机的仿真研究

研究了模糊神经网络在无刷双馈电机调速系统中的应用,给出了基于神经元网络模糊控制器的基本设计方法。并利用Matlab软件对基于模糊神经网络的无刷双馈电机调速系统进行了仿真。仿真实验表明,与传统的PID控制相比,当电机在转速或者负载发生改变时,利用该控制方法可以获得更好的系统动静态性能。     

基于T-S模型的扩展型模糊神经网络及应用

针对基于T-S模型的模糊神经网络的局部逼近缺陷,提出了一种基于T-S模型的扩展型模糊神经网络,从训练样本特性和网络结构两个方面来提高网络模型的泛化能力.利用先验知识和模糊推理的方法对样本集进行分析和分类处理,使样本集更加规范;并采用模糊规则推理动态调整正则项系数的方法来减小网络结构.仿真结果表明,所提出的网络具有更快的收敛速度和良好的泛化能力.     

基于模糊神经网络预测转角的无传感器无刷直流电动机换相控制研究

针对位置检测和准确换相是无刷直流电机运行的关键，本文提出一种新的方法来实现无传感器无刷电机的换相控制。即构造一个基于遗传算法训练结构和参数的模糊神经网络，通过检测电机的磁通和电流来预测电机实际转角实现电机的准确换相。仿真结果表明，利用模糊神经网络预测转角来控制电机换相能取得很好的效果。而文章利用遗传算法作为模糊神经网络的训练算法，此算法具有收敛速度快，不易陷入局部极小的特点。     

一种模糊神经网络控制系统研究

针对被控过程的非线性、时变性和复杂性,提出了一种模糊神经控制器与动态辨识器组成的控制系统。该系统的控制器采用模糊神经网络控制器,它的控制参数采用遗传算法全局离线优化对BP算法局部在线调整相结合的混合方法;该系统的辨识器采用变形Elman动态神经网络进行系统辨识。给出了该系统的结构、原理及工作流程,通过仿真实验证明该系统的可行性和有效性。     

模糊神经网络在决策专家系统中的研究与应用

解决知识“瓶颈”问题是拓宽专家系统应用领域的关键技术。在运用模糊集合理论的基础上 ,给出模糊决策规则定义 ,根据模糊神经网络理论 ,提出一种实现规则决策的层次型模糊神经网络 (FRDNN) ,设计 4类不同属性的神经元 ,结合开发的实用GSM网络优化专家系统的知识的特点 ,从“决策域”观点仿真分析并通过实例验证FRDNN的可行性 ,为解决实用专家系统的知识获取提供了新思路     

模糊建模与控制的神经网络方法及其仿真研究

本文提出了一种复杂系统模糊建模及控制的神经网络方法。利用改进的ｐｉ－ｓｉｇｍａ 网络，对模糊规则的结论参数和隶属函数进行在线修正，实现模糊规则的自组织。这种方法被用于降水量预报和机器人解耦控制，取得了满意的仿真结果。为增强神经网络仿真算法的快速性，本文采用了一种基于向量的数据结构，并用标识阵指示神经元的连接状态，以实现有效的内存运算。     

基于T-S模型的模糊神经网络在股市预测中的应用

采用基于 T-S模型的模糊神经网络 ,用改进的遗传算法来训练网络权值 ,隶属函数参数调整算法则采用动量法和学习率自适应调整相结合的策略 ,以上证指数和厦新电子 (个股 )为研究对象予以建模和预测 .结果表明 ,此种模型具有较好的泛化、学习、映射能力 ,对股票市场或类似的非线性经济系统的走势研判或其相应预测决策具有较好的应用价值.