基于优化模糊推理系统的电力变压器故障检测方法

为了提高电力变压器故障检测的准确性和稳定性,提出一种基于一维卷积神经网络和优化自适应神经模糊推理系统的检测方法;将利用溶解气体分析法得到的14个特征属性作为自适应神经模糊推理系统的初始未处理输入,通过一维卷积神经网络从中选择8个最具指示性的属性;采用改进帝王蝶优化算法对自适应神经模糊推理系统进行训练,并通过真实数据集实验与其他电力变压器故障诊断算法进行检测性能对比。结果表明,所提出方法的电力变压器故障检测准确率达98.91%,50次独立运行中故障检测的标准偏差为±0.01,具有检测准确性高、性能稳健、运行时间短的优点。     

基于CAN总线的发动机PSA故障诊断系统

针对传统发动机故障诊断方式存在故障事后检修及查询困难等问题,提出一种基于CAN总线的发动机在线故障诊断系统模型.以CAN总线实时采集的发动机控制单元各传感器状态数据为诊断样本,利用主成分分析(PCA)实现输入变量降维和去相关;采用减法(subtractive)聚类算法完成模糊推理过程;应用自适应神经模糊推理系统(ANFIS)建立起PSA(PCA-subtractive-ANFIS)故障诊断模型.研究表明PSA故障诊断模型是有效的.仿真结果表明,其拟合能力、收敛速度及抗噪能力均优于PCA-BP网络模型.     

基于ANFIS的DMFC温度建模和改进模糊控制

针对直接甲醇燃料电池(DMFC)的实时控制要求,采用自适应神经模糊推理系统(ANFIS)对DMFC系统的工作温度进行建模与控制.基于实验数据建立DMFC电堆温度模型,避免了DMFC电堆的内部复杂性分析.以训练好的网络模型作为DMFC控制系统的参考模型,采用一种改进的模糊遗传算法(FGA)在线对神经模糊控制器的参数和模糊规则进行自适应调整.将所提出的算法与非线性PID和传统模糊算法进行实验比较,结果表明所设计的神经模糊控制器具有较好的性能.     

基于PSE-ANFIS的ZPW-2000A轨道电路故障诊断方法

针对ZPW-2000A轨道电路故障的复杂性、随机性以及故障样本获取难的问题,提出一种基于功率谱熵(PSE)及自适应神经模糊推理系统(ANFIS)的ZPW-2000A轨道电路故障诊断方法。在移频信号(FSK)功率谱熵的理论基础上,利用ANFIS作为分类器进行故障模式识别,可简化轨道电路故障诊断的复杂性。运用LabVIEW平台对移频信号进行深入分析,对轨道电路故障的类型、位置进行识别。最终验证了该方法在轨道电路故障诊断方面效果良好,为实现轨道电路的在线故障诊断奠定了良好的基础。     

ANFIS在企业人力资源预测中的应用

企业人力资源是影响其生存发展的关键因素,以此为研究对象,建立自适应神经模糊推理系统(ANFIS)预测模型,通过对某集团公司的人力资源进行预测来探讨自适应神经模糊推理系统在这一领域的应用前景,并将预测结果与普通FUZZY模型进行比较.结果表明,前者预测误差较小,满足精度要求,具有很高的理论价值和实际应用价值.     

基于自适应神经模糊推理系统的企业市场预测

针对传统的市场预测方法几乎回避了市场信息具有模糊性的特点，出现的用神经网络进行市场预测又不能表达模糊语言的情况，分析了自适应神经模糊推理系统的结构机理，提出了用自适应神经模糊推理系统进行企业市场预测；仿真结果说明了该方法的有效性和可行性。     

一种仿人机器人行走距离预测方法

针对仿人机器人NAO实际行走距离受环境因素(如脚底打滑)和自身因素(如关节的反作用力)的影响,导致其与理论期望距离有一定偏差的情况,提出了一种基于自适应神经模糊推理系统的行走距离预测方法.通过获得NAO行走距离的相关数据,采用网格分割法,构建自适应模糊推理系统来预测机器人实际行走的距离.训练时采用网格分割、BP算法和最...     

基于GA-ANFIS的边坡稳定性评价

自适应神经模糊推理系统将模糊推理的可解释性和神经网络的自适应、自学习的能力结合起来,克服了边坡岩体的不确定性问题带给边坡稳定性分析的巨大困难,同时针对模糊推理系统内部参数设定的合理性问题,建立了基于遗传算法的自适应模糊推理评判模型。结果表明,GA-ANFIS评判模型结果与现场监测情况吻合,从而使其成为边坡稳定性评价的一种有效方法。     

基于ANFIS高精度光照度计的仿真研究

为提高光照度计的检测精度,针对光照度检测系统,应用Takagi-Sugeno模型的自适应神经模糊推理方法(ANFIS)到光照度检测系统,对光照度检测电路进行了误差补偿,并给出了硅光电池高精度光照度计的软件仿真。最后利用光照度检测实验平台实测数据作为样本数据,在MATLAB软件下的仿真结果表明：自适应神经模糊推理方法通过自学习,可以调整模糊规则和隶属函数参数,提高了光照度计的检测精度。     

基于ANFIS模型对汽车信号的预测

自适应神经模糊推理系统(ANFIS)是进行预测决策的有效方法,论文基于ANFIS模型对汽车信号进行了预测。通过与回归分析法进行比较,证明该方法在汽车信号的预测中具有很高的精度。     

Temperature modeling and control of Direct Methanol Fuel Cell based on adaptive neural fuzzy technology

Aiming at on-line controlling of Direct Methanol Fuel Cell （DMFC） stack, an adaptive neural fuzzy inference technology is adopted in the modeling and control of DMFC temperature system. In the modeling process, an Adaptive Neural Fuzzy Inference System （ANFIS） identification model of DMFC stack temperature is developed based on the input-output sampled data, which can avoid the internal complexity of DMFC stack. In the controlling process, with the network model trained well as the reference model of the DMFC control system, a novel fuzzy genetic algorithm is used to regulate the parameters and fuzzy rules of a neural fuzzy controller. In the simulation, compared with the nonlinear Proportional Integral Derivative （PID） and traditional fuzzy algorithm, the improved neural fuzzy controller designed in this paper gets better performance, as demonstrated by the simulation results.     

基于自适应神经模糊推理系统的非线性系统辨识与仿真

针对非线性系统的模糊性、不确定性等特点，将模糊推理系统和神经网络相结合，介绍了一种自适应神经模糊推理系统，并将其应用于非线性系统辨识中，仿真结果表明：训练后的ANFIS能够很好地逼近实际的非线性系统，并且辨识精度高。     

混沌Arneodo系统非线性与自适应模糊神经网络控制

针对Arneodo系统的参数不确定性,阐述了Arneodo控制系统中抵消非线性的基本思想和设计方法.利用LQR线性反馈技术,设计了具有稳定裕度的二次型最优控制器,同时在控制器中引入一个用于函数逼近的自适应模糊神经网络,利用该神经网络抵消控制系统中的非线性项,使受控系统的某一状态变量可被镇定到任意参考位置.这种具有模糊神经网络的控制器实现了参数不确定系统的精确反馈线性化控制.通过仿真比较研究,说明了反馈线性化与自适应神经网络相结合的控制器具有良好的控制性能,且更易实现.     

基于模糊Markov博弈控制求解伙伴选择问题

针对不确定条件下的伙伴选择决策问题,引入基于ANFIS和神经网络的模糊神经网络,实现了一种全新的进行值函数逼近的梯度下降Q学习的算法,对多影响因素进行FNN学习,将输出量作为标准Markov博弈模型的输入量,得到影响的策略,最后研究了一个应用实例,利用具体历史数据对建模方法和模型进行了验证和分析。     

神经网络负荷模型的综合能力研究

针对电力电子设备综合负荷模型难以用机理模型描述的现状,构造了动态综合负荷的模糊神经网络模型.该模型具有模糊推理和神经网络的优点,能很好地逼近动态负荷的模型输出.通过对已知实测建模数据的训练,分析了模糊神经网络负荷模型的前件参数、结论参数的辨识策略,阐述了模糊隶属度和模糊规则的形成过程.对负荷构成相异的4组实测变电站负荷数据,用其中1组建模数据进行训练,得出模糊模型结构和参数,用该模型去拟合其他3组数据,对模糊神经网络负荷模型的综合能力进行验证.实例表明,该模糊神经网络负荷模型不仅具有很强的自描述能力和收敛性,而且具有良好的综合描述能力.     

ANFIS在水电站地下厂房围岩变形预测中应用

针对目前应用人工神经网络(ANN)方法预测地下洞室围岩变形时间序列的缺陷,提出一种将神经元网络和模糊逻辑有机结合的新型模糊推理系统——ANFIS(adaptive-network-based fuzzy inference systems),该系统采用反向传播算法和最小二乘法的混合算法分别调整前提参数和结论参数,充分地利用了神经网络的学习能力和模糊逻辑的表达能力,实现了回归模型的自适应调整.通过龙滩电站的实例应用可以发现,ANFIS预测系统较传统ANN方法具有简单、快速以及预测精度高等特点.     

基于神经网络的可靠度时序预测方法研究

提出了利用人工神经网络进行可靠度时序预测的方法 ,分别利用径向基函数 (RBF)网络及自适应模糊神经 (ANFIS)网络对发动机涡轮增压器进行了可靠度的时序预测 .结果表明 ,利用神经网络进行可靠度时序预测是可行的 ,并且ANFIS的预测能力要优于RBF .     

基于卷积神经网络的交通标志识别方法

针对卷积神经网络(CNN)在交通标志识别过程中出现的梯度弥散而引起的识别率低的问题,给出了基于改进CNN结构的交通标志识别方法.实验结果表明:该方法能够有效提高识别精度,防止梯度弥散.     

一种新型的动态模糊神经网络控制器

基于前向模糊神经网络ＡＮＦＩＳ提出了一种新型的动态模糊神经网络（ＤＦＮＮ）,将模糊逻辑,神经网络和ＰＩＤ控制器三者的优点有机地融合在一起。通过在ＡＮＦＩＳ的归一化层和输出层之间加入递归层,构成了动态模糊神经网络（ＤＦＮＮ）,并推导了基于ＢＰ的反传学习算法,与ＡＮＦＩＳ和ＰＩＤ控制器相比,ＤＦＮＮ具有更好的控制效果。ＤＦＮＮ的参数具有明确的物理意义,可根据专家的经验选择初值,加快了网络的收敛速度,由     

混沌优化在TSP问题中的应用研究

分析了混沌的基本概念、研究现状、相应的参数选取方法、Lyapunov指数的计算方法等内容,并提出了一种改进的混沌神经网络模型用于解决旅行商问题(TSP),仿真结果较好。