基于Gaussian型RBF神经网络的一元函数逼近性能研究

为了研究Gaussian型RBF神经网络对于一元非线性函数的逼近能力，编程建立了Gaussian型RBF神经网络和BP神经网络，并以正弦函数、指数函数、阶跃函数三种典型的一元非线性函数为例，分别用两种神经网络对其进行逼近．仿真结果表明，相对于传统BP神经网络而言，Gaussian型RBF神经网络对于一元非线性函数的逼近精度更高、收敛速度更快，具有良好的逼近能力，为解决一元非线性函数的逼近问题提供了良好的解决手段．     

LMBP和RBF在ECS特性曲线拟合中对比研究

为精确反映数字式涡流传感器的输入输出特性, 为其非线性补偿提供可靠依据, 对传统BP（Back Propagation）神经网络进行改进, 利用LMBP（Levenberg Marquart Back Propagation）神经网络和RBF(Radial Basis Function)神经网络对涡流传感器的输入输出特性曲线进行拟合, 并将两者拟合结果进行对比研究。仿真结果表明, 在训练样本数量相等且中小规模网络的条件下, 采用RBF神经网络比采用LMBP神经网络进行曲线拟合的误差更小、 收敛速度更快且具有更高的拟合精度, 为工程实际中一维数据的拟合方法选择提供了依据。     

离散T-S模糊系统输出稳定性

研究了离散T-S模糊控制系统的稳定性分析及控制器设计问题。考虑到系统状态不易测量,利用输出反馈设计模糊控制器;基于模糊Lyapunov函数方法提出一新的稳定性判别条件,利用矩阵变换把该条件转化为一组线性矩阵不等式(LMIs),该条件具有更大的宽松性。最后,一个仿真实例说明了本算法的有效性和优越性。     

离散T-S模糊系统状态反馈最优H∞控制器设计

为了研究离散T-S模糊控制系统的状态反馈控制问题.考虑了受控输出中输入变量系数不为零的情况,对离散T-S模糊控制系统系统提出了一状态反馈最优控制的新方法,基于系统状态完全可以测量的前提下,把闭环系统的扰动抑制度的最优问题转化为一个矩阵的最大特征值的最小化问题;同时通过相关的LMI定理,把控制器增益存在的充分条件归结为一组线性矩阵不等式(LMI)问题,该线性矩阵不等式问题可以通过凸优化技术得以解决,给出的结果更具一般性意义.此外,利用隶属度函数的特点近一步降低了控制器增益存在的条件的保守性.最后,一个具体的仿真例子说明了该算法的可行性.     

数值优化改进的BP神经网络逼近性能对比研究

为了比较不同的数值优化改进的BP神经网络的逼近性能,本文在MATLAB 7.0环境下,建立了三类基于数值优化改进的BP算法,并以非线性函数逼近为例,对7种典型的数值优化改进算法进行网络训练和仿真实验,得出了在不同环境下,每种数值优化差法逼近的可行性。     

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.     

T-S模糊控制系统稳定性分析及控制器设计

研究了在新型的模糊Lyapunov方法下连续T-S模糊控制系统稳定性和模糊控制器设计问题,首先,得出了自由系统新的稳定性充分条件,这个条件具有更大的宽松性;然后基于一系列线性矩阵不等式设计了模糊控制器,这些矩阵不等式可以利用凸优化技术来进行解决。通过对两个具体的实例的仿真验证了本算法的有效性。     

一种新的T-S模糊模型数学建模方法

T-S模糊系统被广泛应用于基于数据的建模应用中,T-S模糊系统的建模问题在非线性系统的分析与设计中一直是个很重要的问题.在常见的T-S模糊系统建模方法的基础上,提出一种新的建模方法.该方法利用泰勒级数和麦克劳林级数展开式将非线性项进行分解,相对于现有的建模方法来讲,在一定程度上提高了建模精度.     

离散T-S模糊系统稳定性分析及控制器设计

针对离散T-S模糊控制系统稳定性分析及控制器设计问题,在Lyapunov直接方法把稳定性的判据归结为在所有的子系统中寻找一个公共的正定的矩阵P基础上,基于模糊Lyapunov方法提出了一种新的稳定性判别条件,把常规Lyapunov方法中的一个公共矩阵的寻找分解为r个矩阵的寻找,使该条件具有更大的宽松性:利用离散T-S模糊系统模型和模糊Lyapunov函数,通过矩阵变换,解决了控制器设计时的双线性矩阵不等式问题,使得稳定性的判定和控制器的增益计算都可以直接利用线性矩阵不等式,通过利用MATLAB中的LMI工具箱对系统进行了仿真,仿真实例给出了由具体规则描述的模糊系统,仿真结果说明了该算法的有效性和优越性.     

T-S模糊模型的一种简单辨识算法

讨论了T-S模糊模型的辨识问题,以直线作为数据分类的目标,提出了一种改进的简单辨识算法.首先采用Hough变换,根据给定的输入输出数据,得到了模型后件部分的直线方程,并辨识出结论参数,然后依照得到的直线对输入数据进行分类.考虑输入数据与相应直线的接近程度,以及邻近直线对输入数据的影响程度,辨识出了模型的前件参数.本算法不需要对数据的循环计算,从而大大减少了计算量.仿真例子说明了本算法对T-S模糊模型辨识的有效性.