适用于励磁系统建模的模糊神经网络方法

基于原有励磁建模方法,将模糊理论和神经网络相结合,充分利用模糊理论处理不精确问题和神经网络较强的泛化能力等优势,形成一种模糊神经网络(FNN),并推导了FNN的学习算法.将此FNN用于发电机的控制环节——励磁系统建模.仿真结果显示,FNN模型能够较精确地对实际系统进行拟合.     

基于混合神经网络的模糊辨识方法

提出一种简明而有效的基于混合神经网络的模糊辨识方法．与现有方法不同,该模糊辨识方法采用自组织神经网络和模糊聚类网络两部分组成的三层神经网络来实现．实验结果表明,该方法可以为模糊建模提供好的模型结构,并具有较高的计算效率和精度．     

改进的模糊Min-Max神经网络与模糊系统建模

应用改进的广义模糊Min—Max神经网络进行样本分类，并以此分类结果确定模糊系统所需的模糊规则数，再运用TSK模糊系统实现函数建模，该方法的优势在于，改进的广义模糊Min—Max神经网络具有较好的自适应分类能力，可用来初步确定模糊规则数和规则空间的划分。有效避免了模糊建模时常见的规则数选取之随意性，实验结果证明，该方法实用有效。     

非线性系统建模的复合型模糊神经网络研究

针对非线性系统建模问题,提出了一类由函数逼近和规则推理网络构成的复合型模糊神经网络,其规则网络基于过程先验知识用于对操作区间的划分,而函数网络采用改进型模糊神经网络结构完成非线性函数逼近。采用一类非线性函数模型进行了仿真研究,结果表明,复合型模糊神经网络较之普通模糊神经网络在建模收敛速度和预测精度等方面都有较大的改善。     

基于模糊神经网络的长输管道输油泵系统建模

长输管道输油泵系统是一个时变非线性复杂系统,对输油泵系统的流量、入口压力和出口压力的自动调节是输油泵系统安全、高效运行的重要保证.设计输油泵系统的控制器时,首先必须对系统的特性进行详细的分析,这样才能根据系统的特点设计出适用的控制器,因此建立系统的动态模型非常重要.提出了将模糊神经网络应用于长输管道输油泵系统建模,并通过仿真实例验证了算法具有良好的效果.     

一类基于神经网络的模糊系统建模与控制

将人工神经网络理论和模糊系统理论结合起来,研究并提出了一类基于人工神经网络的模糊系统建模和控制方法。仿真表明该方法能有效地用于多种难以建立数学模型的控制系统。     

基于免疫遗传算法的递归模糊神经网络

为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性系统的映射.与高木-关野模糊神经网络相比,网络参数减少了45%,网络误差减少了65%,而网络的运行时间提高了近68%.T_RFNN仿真实验的辨识结果也表明,该网络在训练次数明显减少的情况下学习性能得到了显著改善.     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

基于神经网络辨识的熔融碳酸盐燃料电池建模

针对熔融碳酸盐燃料电池（MCFC）电堆系统难以建模以及已建立的模型过于复杂，难以满足工程上对MCFC系统控制设计特别是实时控制需要的情况，绕开MCFC的内部复杂性，提出利用神经网络可能逼近任意复杂非线性函数的性能，将神经网络辨识方法应用到MCFC这种高度非线性系统的建模中。以燃料气和氧化剂气体的流速的输入量，MCFC电堆温度响应为输出量，根据输入输出数据用神经网络辨识建立MCFC电堆系统的温度模型，给出了辨识系统的结构及改进BP算法。仿真结果证明了这种方法的可行性，所建立的模型精度较高，使得设计MCFC的实时控制器成为可能。     

复杂生产过程的模糊神经网络辨识

大多数工业生产过程，都是具有较多不确定因素的复杂过程，难于用常规方法建立数学模型。把模糊系统理论与神经网络理论相结合，构造了一种模糊神经网络辨识算法，并把该方法应用于合成氨生产系统的过程辨识。     

FNN在心率失常判别中的研究

提出了一种基于模糊神经网络(FNN)对心率失常信号进行判别的新方法.首先,根据心电信号特点构建Sugeno型模糊神经网络,然后使用Cam Delta算法对其进行训练,这样可以得到模糊隶属函数,此隶属函数将R-R间期波及QRS波的长度模糊化.随后,用几何法通过计算隶属度实现对心率失常的判别.经MIT-BIH心电数据库和实测数据检验,此方法可有效的对心率失常进行判别.     

基于模糊神经网络的产品可装配性评判

针对产品装配信息量大、影响因素复杂、许多参数依赖人的判断和推理等特点,以及多数现行评判方法存在的不足,提出了基于模糊神经网络的产品可装配性评判方法·该方法依据产品装配特征的类型,先构建产品可装配性信息数据库,再通过将常规的三层BP网络模糊化处理,得到输入和权值均已模糊化的产品可装配性模糊神经网络模型·按照预置的网络训练规则进行训练,获得最佳连接权值·经实例检验,证明这种模糊神经网络模型用于产品可装配性评判是可行的,且具有很好的稳定性·     

遗传机理神经网络在电弧炉炼钢模型辨识中应用

在直流电弧炉炼钢过程控制系统中,由于它的复杂机理,高度非线性加大了建模的难度．为提供适用于直流电弧炉炼钢过程优化控制的模型,提出一种引入遗传算法的神经网络建模方法,并将其用于某厂直流电弧炉炼钢过程模型的建立,获得了很好的效果．同时给出了基于现场实测数据的仿真结果．     

前向神经网络实现的插值算法

Matlab提供的调用函数在实现函数插值时,其思路是定义目标指数并用其负梯度方向作为网络权值和偏置的调整依据。网络在使用前需输入大量样本数据,占用相当多的时间来训练之。提出以前向神经网络(FNN)结构构建一种定权值的网络,其网络层间权值依据插值函数的特点可预先设定,隐层数及隐层神经元节点个数则根据问题的要求予以确定。该网络无需训练,通过一次运算得出结果。仿真结果显示:该网络实现的插值函数可得到比较满意的结果。     

转炉炼钢动态过程预设定模型的混合建模与预报

准确预报转炉炼钢动态过程的补吹氧气用量和冷却剂添加量,对于提高终点命中率具有重要意义·采用机理模型及基于数据的自适应神经模糊推理系统混合建模方法建立了转炉炼钢动态过程预设定模型·用减法聚类,最小二乘法及梯度下降法辨识了T S模型并用该模型对机理模型进行补偿建模·对一座180t转炉的实测数据进行了仿真,仿真结果表明该方法是切实可行并有效的·     

Application of FNN to the Modeling of FCCU

IntroductionThe Fluidized Catalytic Cracking ( FCC )process is stable under normal conditions,butsometimes the whole process deviates from theoptimal track due to environmentaldisturbances oraging of the equipment.The optimal productionconditions and the best profit can be found bystudying the stable optimization state.There iscurrently little research or state optimizationapplications due to the difficulties of oldmeasurement and control equipment,modelingdifficulties,formidable research an…     

电弧炉炼钢工艺浅谈

从原材料的收集、准备工作、熔化期、氧化期和还原期五大阶段,详细叙述了电弧炉炼钢的工艺过程。实践表明,按其工艺操作对提高钢水质量和缩短炼钢时间有明显的效果。     

基于PID神经网络的非线性系统辨识与控制

针对工业控制领域中非线性系统采用传统的控制方法不能达到满意的控制效果,提出一种基于P ID神经网络的控制方案,以对其进行辨识和控制。将P ID神经网络引入控制系统中,既具有常规P ID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力。仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求。