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．     

一种基于动态模糊神经网络的飞行数据模型辨识方法

针对飞行数据的特点,提出了一种基于动态模糊神经网络(DFNN)的飞行数据模型辨识方法。该方法采用在线学习方式,通过动态增加和删除神经元节点的策略实现网络结构学习,采用递推最小二乘法实现网络权值的在线调整,以最终得到一个结构简单、泛化能力强的神经网络。以某特定时间段的飞参数据为仿真样本,将该DFNN用于参数关联模型的辨识,实验结果表明该辨识方法收敛速度快、泛化能力强。     

贯流式机组神经网络在线辨识研究

提出了一种部分递归神经网络结构,给出了学习率的实时调整方法,并将之运用于贯流式机组的在线预测。该网络克服了对被控对象结构先验知识的依赖性,并能反映调节对象的非线性映射关系。仿真试验表明,该网络能迅速地、较为准确地逼近实际系统的输出,可作为贯流式机组自适应控制的实时预测模型。     

基于数据特征的模糊模型辨识与模糊控制器设计方法

针对难于建立精确数学模型的复杂过程,提出了一种基于数据特征的模糊模型辨识方法.该方法首先按过程输出随输入变量变化的剧烈程度对输入变量论域进行划分,然后在此划分的基础上确定出模糊模型的规则总数和前件参数,最后由于要建立的模糊模型可以表示为一个前馈模糊神经网络,因此利用BP学习算法求得过程模糊模型的后件参数.基于所提出的模糊模型辨识方法进行了柔性连杆机器人模糊控制器设计,并进行了柔性连杆机器人模糊控制实验.实验表明,通过所提出的模糊模型辨识和模糊控制方法可以得到满意的控制性能.     

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。     

基于前馈神经网络的动态负荷模型辨识

本文提出了一种利用人工神经网络（ＡＮＮ）与系统辨识技术相结合的动态负荷建模方法。首先简要介绍了电力系统负荷的动态模型和前馈神经网络，然后具体讨论了应用ＡＮＮ辩识负荷模型参数的方法，并结合具体辩识程序的框图，分析了辩识过程中应注意的问题。研究表明，本文提供了一条有效的辩识建模途径。     

基于神经网络的发动机模型辨识

为进一步研究发动机的稳态、空载、动态转矩、燃油消耗模型和万有特性,笔者提出了一种基于神经网络的神经元结构模型和多层前馈网络结构模型并分别进行了数学分析.实践研究表明：在发动机的工作过程中,动态工况占66%～80%,并发现发动机的动力性和经济性指标与稳态工况存在着一定的差异.     

基于分级模糊神经网络的水电机组故障诊断

针对水电机组发生故障时,故障征兆与故障原因之间复杂的对应关系,提出了一种新型的基于低、中、高3级模糊神经网络的故障诊断结构模型和相应的学习算法,并以此方法对该分级模糊神经网络进行了仿真训练.仿真实验结果表明,该方法能有效地对水电机组单故障与多故障样本进行分类,可提高诊断准确率.     

基于浮点数编码GA的T—S模型的模糊辨识方法

提出了一种基于浮点数编码遗传算法学习Ｔ－Ｓ模糊模型的辨识方法。对十进制浮点数编码的遗传算法进行了研究,融合和改进了一些遗传操作,并利用浮点数编码ＧＡ对Ｔ－Ｓ模糊模型为对象建立模糊神经网络中的参数进行估计。仿真给出了满意的结果。     

一种基于子波特征的模糊神经网络目标识别方法

针对雷达目标识别中相对不变特征量提取这一问题，提出了一种基于子波变换的特征提取方法．通过对三类飞机一维距离像的分类和识别，验证了这种方法的有效性，同时在将模糊神经网络作为模式分类器方面做出初步尝试。     

模糊神经网络模型参考自适应控制

给出了一种基于模糊神经网络的模型参考自适应控制方案。首先,构造了一种运用递推预报误差（ＲＰＥ）算法的多层前向神经网络,并用其对被控对象建模,然后,又构造了一种模糊神经网络控制器（ＦＮＮＣ）。从而为一类难以建立精确数学模型的非线性被控对象提供了一种新的自适应控制方法,信息结果验证了其有效性。     

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构,讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性,表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．     

基于多传感器的神经网络模式识别方法

提出基于样本信息量不减少和减小误差的原则下，提取样本数据的综合指标的处理方法，从而克服传统识别方法中样本数据过大，而且存在误差和干扰，严重影响识别速度和效果的困难。改善了神经网络模式识别的效果。     

交通事故Pi-Sigma模糊神经网络预测模型

提出了基于Pi-Sigma模糊神经网络的交通事故预测模型,选用Takagi-Sugeno型模糊推理系统和BP神经网络,以年平均日交通量、交通负荷、设计速度、车道宽度为输入,以每公里年均事故次数为输出,利用哈尔滨市133条主次干道的道路交通条件数据和5年的交通事故数据对模型进行了训练和检验,并将该模型与模糊逻辑模型、BP神经网络模型进行了对比分析.结果表明,交通事故Pi-Sigma模糊神经网络预测模型在预测精度及计算效率上总体优于其他两种模型,较适合于大样本条件下交通事故的快速预测.     

基于神经网络的模糊控制器

提出一种基于神经网络的模糊控制器。它可以把模糊控制的控制规则转化为多层前向神经网络的一对输入、输出样本。用Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法对网络进行训练,使得网络记忆这些样本,并将这些样本以权值矩阵的形式存储的网络中。网络以”联想记忆“的形式来使用获得的经验对对象实施控制。知道了被控对象少量的定性知识,就可以用这种方法控制对象的行为,这种控制方案可用于对受控对象缺乏精确的数学描述或具有时滞     

T-S型模糊RBF神经网络快速学习算法

针对Ｔ－Ｓ型模糊ＲＢＦ神经网络输入空间模糊最优聚类算法运算量大、运算速度低的缺点,提出基于输出空间模式聚类的快速学习算法,以满足多变量系统实时性要求．仿真结果表明该快速学习算法不仅可以达到要求的辨识精度,而且可有效地提高运算速度     

基于T-S模糊神经网络的柔性评价专家系统

基于T-S模糊模型提出了一种易于推理的神经网络结构,通过神经网络的自适应模糊控制简化了系统的有效辨识,讨论了其自学习算法,给出了用于模糊推理的估值算法和3级知识表示法,并分析和构造了MIMO型教学柔性评价专家系统的模糊建模技术,实现了自动评价的柔性专家系统。