一种新的自适应状态观测器设计方法

利用模糊系统的径向高斯函数网络对一类非线性变系统的状态进行了估计。给出了一种递阶自组织在线学习算法，提出了非线性时变系统的自适应状态观测器，并对其结构及特征进行了讨论。仿真结果表明这种自适应状态观测器能很好地观测系统的状态。     

径向基概率神经网络的结构优化算法研究

径向基概率神经网络（RBPNN）是在径向基函数神经网络（RBFNN）和概率神经网络（PNN）的基础上发展起来的一种新型的前馈神经网络（FNN）模型。该网络模型充分吸收了径向基函数神经网络和概率神经网络的优点,这种新的模型具有计算复杂度低、收敛速度快等优点。本文深入研究了径向基概率神经网络的结构优化算法,在遗传结构优化方法的基础上,提出一种新的两步学习算法,基于遗传算法的梯度学习算法。该算法一方面优化了网络结构,使网络结构尽可能的精简,另一方面有效地提高了网络的推广能力。     

基于截面电导信息的油水两相流相含率估计

提出一种基于截面电导信息的油水两相流相含率估计方法,在对电阻层析成像系统测试数据特征进行降维的基础上,利用径向基函数神经网络建立流型辨识模型,并对每一种流型采用基于样本矩阵非线性变换的非线性偏最小二乘(NLPLS)法建立相含率估计模型.动态实验结果表明,所得的相含率估计绝对误差低于5%,.将本方法和不分流型的单模型方法及传统偏最小二乘方法进行对比,证明所提出的相含率估计方法能实现更准确的估计.     

基于神经网络的盲波束形成方法研究

提出了一种基于径向基函数网络(RBFNN)的盲波束形成方法。该方法首先在不知道任何基阵方向向量先验知识的情况下，利用信号的多普勒信息估计波束形成的权矢量。然后引入径向基函数网络逼近估计的波束形成权矢量，从而实现盲波束形成。利用神经网络的并行结构，不但有效地提高了运行速度，而且对系统误差具有很强的鲁棒性。仿真实验验证了算法的正确性。     

改进型模糊神经网络模型的构造

利用模糊系统和神经网络的优势,构造一种改进型模糊神经网络模型.从极大-极小模糊算子的模糊神经元入手,提出改进的修改模糊权值的训练学习规则.改进后的模糊神经网络模型大大减少了运算量,提高了收敛速度.采用此学习算法对实际汽轮发电机组运行状态进行监测,结果表明,模型具有较强的状态监测能力,达到预期的目的.     

一类神经网络观测器的设计及应用

为了减少小波神经网络(Wavelet Neural Network,WNN)的母小波与神经元数,在WNN模型修正的基础上提出了一种能够储存小波上一步信息由自反馈神经元组成的自回归小波神经网络(Self Recurrent Wavelet Neural Network,SRWNN);在分析了这种网络的结构形式后,提出了一类非线性系统的神经网络自适应状态观测器设计方法,并通过引入Lyapunov函数,证明了这种观测器设计方法的正确性;最后,将这种观测器设计方法用于航天器机械手的反演控制,根据SRWNN观测器的估计状态值,应用反演控制理论设计控制器,能够很好地实现系统状态观测,实现无需速度的信号跟踪。     

基于神经网络的欠驱动水下机器人地形跟踪控制

为实现欠驱动自治水下机器人(AUV)的精确地形跟踪控制,设计了一种自适应神经网络控制器.采用径向基神经网络估计时变水动力阻尼引起的AUV模型不确定部分和外界海流干扰,设计自适应学习律来实现神经网络权值的最优估计.基于李雅普诺夫稳定性理论分析了跟踪控制系统的稳定性,设计的控制器可以使闭环误差系统渐近稳定且系统状态有界.仿真实验中选择实际测量得到的期望随机真实地形进行跟踪实验,并且要求AUV相对地形保持一个恒定的高度偏差.结果表明,该控制方法可以有效地降低模型非线性和不确定性引起的扰动,具有较高的跟踪精度,满足实际工程需求.     

桥梁承载能力状态评估的模糊神经网络推理方法

在综合现有的状态评估理论方法的基础上,提出了基于层次分析的承载能力状态评估模型.结合模糊理论和神经网络技术,建立了一套基于监测信息输入的模糊神经网络推理系统框架,并利用模糊规则生成的规则库作为神经网络训练和学习的样本.利用实例验证了采用此智能评估技术进行承载能力状态评估的可行性和实用性.     

基于代理模型的复合材料带加强筋板铺层优化

该文基于遗传算法对复合材料带加强筋板中加强筋的铺层顺序进行了优化,使结构在质量一定的情况下结构屈曲载荷最大。为了减少优化过程中有限元模型的调用次数,引入径向基神经网络作为代理模型对结构屈曲载荷进行估计,并且将铺层参数作为其输入以降低目标函数的非线性。由于设计空间形状不规则,采用D-optimal实验设计方法确定训练径向基神经网络的采样点集。考虑到代理模型存在估计误差,提出了加强代理模型在暂定最优区域估计精度的方法。算例表明:以铺层参数为输入的径向基神经网络在建立代理模型方面具有较高的精度和效率;代理模型的局部精度加强可进一步提高代理模型在暂定最优区域的精度。     

组合径向基函数神经网络的硬件实现

为了提高径向基函数(RBF)神经网络的泛化能力,提出了一种组合径向基函数神经网络,并通过对英文字母的识别进行了仿真验证。基于CMOS电路设计了该组合径向基函数神经网络,所有单元电路均采用HJTC 0.18μm CMOS数模混合工艺设计制造。通过PCB板实现了一个2×3的组合RBF神经网络,并对"一"和"1"的识别问题进行了验证。实验结果表明:该组合RBF神经网络电路结构简单,便于扩展和调节,提高了整个网络的泛化能力,为硬件实现更为复杂的组合径向基函数神经网络提供了可能。     

基于自适应神经模糊推理的精馏分离序列综合

模糊推理能够反映自然语言要素信息传递特性,自适应神经技术能够实现优化建模,通过抽象有效重组判据参数提炼模糊if-then规则,通过构造样本数据进行自适应神经学习训练,根据模型优化参数创建Sugeno模糊推理模型,系统化提出基于自适应神经模糊推理的精馏分离序列优化综合方法。     

台阶爆破模糊神经网络智能设计

为了提高爆破参数设计计算的准确性,在台阶爆破设计中,应用了模糊神经网络模型选取孔网参数的方法.模糊神经网络是人脑的模型,是取模糊推理系统与神经网络两者之所长融合而成的新技术.应用模糊网络模型对台阶爆破进行智能设计,结合了计算机和专家各自的优越性,从以往的爆破效果良好的实例中获取专家经验知识,应用专家知识选取爆破参数,可以取得良好的爆破效果;从而实现了智能设计,增强了设计的可靠性,提高了生产效率,为生产爆破提供了可靠的依据.     

基于RBF网络的Takagi—Sugeno模糊控制器参数获取

ＲＢＦ网络是一种广泛应用的神经网络模型,而Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模糊推理规则是一种简化的模糊推理规则,两种方法的起源不同。文中分析了在一定条件下,ＲＢＦ网络与简化的Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模糊推理规则的函数等效性,揭示了网络权值与推理规则参数的对应关系,从而为两种方法的互换使用奠定了理论基础。在此基础上,提出了使用ＲＢＦ网络在实时控制过程中为一些复杂的被控对象获取Ｔａｋａｇｉ－Ｓｕｇｅｎｏ型     

智能压路机压实模糊神经网络控制及仿真

将模糊系统与神经网络相结合,提出了一种由模糊化层、模糊推理层和清晰化层组成的模糊神经网络结构,并将其用于智能压路机压实控制.针对振动压路机的压实性能要求,采用钟型函数作为隶属度函数,通过计算规则重要度来提取模糊推理层规则群中比较重要的规则,运用补偿模糊神经网络的学习算法解决参数的自动调整问题.把工程实践中得出的模糊控制规则表作为训练模糊神经网络的样本,仿真结果表明该模糊神经网络控制器具有在误差限度范围内的泛化能力.     

基于Matlab和给小费模型的Mamdani与Takagi＆Sugeno型模糊推理算法研究

在模糊推理中,Mamdani和Takagi＆Sugeno是两种应用最广的模型。本文对这两种推理模型的原理进行了说明,并对其输入输出变量的形式、推理结果及适用范围等进行比较和分析。利用Matlab中Fuzzy工具箱,通过给小费模型进一步验证两种推理模型的优缺点和适用范围。     

基于集成模式的多参数综合智能故障诊断

基于产生式规则,事例,模糊诊断,神经网络集成模式,提出了多参数综合智能故障诊断方法,分析了多种诊断方法集成的必要性,以及该方法的知识表示,智能推理诊断及知识学习,应用结果表明这一多参数综合智能故障诊断的方法在实际工程中是行之有效的。     

船舶航向在线自学习智能控制方法

为更快更好地控制船舶在预定航线上航行,提出一种船舶航向在线自学习模糊神经网络智能控制方法.模糊子集处理船舶控制中的不确切信息,通过神经网络训练模糊推理系统中的参数,旨在把模糊推理和神经网络融合,使船舶航向智能控制器具有在线自学习功能.该方法能实时控制风流扰动下作为非线性时变系统的船舶而无须依赖船舶运动数学模型.模拟试验结果表明,即使在有环境扰动情况下,该方法也能很好地控制具有很大惯性船舶的航向.     

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.     

基于T-S模型的模糊神经网络

一种基于Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模型的模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，它相当于每条规则的适用度。后件网络用来实现模糊规则的后件。总的输出为各模糊规则后件的加权和，加权系数为各条规则的适用度。所提出的模糊神经网络具有局部逼近功能，且具有神经网络和模糊逻辑两者的优点。它既可以容易地表示模糊和定性的知识，又具有较好的学习能力。给出了调整规则后件参数及前件隶属度函数参数的学习算法，举例说明了它的逼近性能。