基于自适应混合变异进化策略的神经模糊系统及应用研究

针对现存神经模糊系统中存在的问题,提出了基于自适应混合变异进化策略的神经模糊系统采用改进的最近邻域聚类算法对输入空间进行模糊聚类,确定模糊规则数以及模糊规则前件,这样做精简了模糊规则,不会因输入变量的增加而造成"维数灾难”;采用自适应混合进化策略确定模糊规则的后件,明显提高了算法的收敛速度和精度.将本文提出的基于自适应进化策略的神经模糊系统用于某炼油厂航煤干点的软测量建模,结果表明,该系统具有结构简单、建模精度高、泛化能力强等优点.     

具有信息指导的自适应退火进化规划

为克服标准进化规划算法变异操作的盲目性和易陷入局部最优的问题,提出具有信息指导的自适应退火进化规划算法。算法充分利用目标函数和变量的变化信息,记录下一步的搜索方向,个体的变异方差采用自适应的形式,随进化代数的增加而减小变异幅度,并在新一代种群的生成中采用退火概率的选择方式,既保证了算法的多样性,又可较好地避免算法陷入局部最优解。通过仿真实验表明,该算法收敛速度较快,特别对于变量数目较多的优化问题,更显示出其优越性,具有解决大规模问题的潜力。     

基于种族优生的进化规划用于混合非线性整数规划

混合非线性整数规划是在许多工程应用中经常遇到的重要问题。本文提出一种基于种族优生的进化规划算法用于求解混合非线性整数规划。一方面，该算法基于多种群并且每一代都选择各种群的最优秀个体作为下一代的种群祖先。另一方面，该算法的进化步长、种群规模和处理约束条件时所取的参数在进化过程中是动态变化的。实验表明该方法求解混合非线性整数规划问题的仿真结果优于现有的研究成果(GA，ES，SA)。     

基于进货计算-自适应模糊控制器的非线性系统仿真研究

提出一种基于进化计算的自适应模糊控制策略,通过优化模糊控制中心的关键参数,得到基于ITAE指标的满意控制。经对大量非线性系统的仿真研究,证实其具有良好的控制性能。     

一种改进的自适应免疫进化规划方法及其应用

结合免疫系统的机理和进化规划原理,对免疫进化规划进行改进。即引入多样性函数和群体局部退化相结合的方法,对克隆细胞进行选择和更新,增强群体信息的多样性,克服近亲细胞过度繁殖而引起早熟收敛;利用双曲正切函数,无须区分亲和度界限,决定个体细胞的变异率,实现细胞群的自适应变异;选择亲和度高的一半细胞作为记忆细胞,利用其替换原始细胞群亲和度低的细胞。对各部分改进的原因和优点进行了分析,给出了算法的主要步骤,并对自适应免疫进化规划的收敛性进行了说明。最后用不同的测试函数进行仿真实验,结果表明了方法的有效性。     

基于进化规划的FCMBP模糊聚类改进方法

分析了基于摄动的模糊聚类方法(fuzzyclustering method based on perturbation, FCMBP),指出指数复杂度的遍历过程是目前PC计算环境下难以处理十阶以上较高阶数模糊相似矩阵的原因.把寻求具有最小"失真"的最优模糊等价矩阵看作优化问题 来求解,提出了一种基于进化规划的FCMBP模糊聚类改进方法. 与FCMBP相比,该方法通过引入基于进化规划的优化技术避免了遍历过程,使其能够对高阶模糊相似矩阵进行处理. 得到的等价矩阵"失真"小于传递闭包法所得结果,从而获得更为精确可靠的聚类效果, 将FCMBP模糊聚类方法推广到能够处理高阶模糊相似矩阵的情形, 满足应用需要.     

非线性系统自适应逆设计及应用

对于一类存在输入未建模动态的非线性系统,提出了一种基于RBF神经网络的自适应逆补偿器设计方法。首先应用两个神经网络设计了补偿器,一个用来估计输入未建模动态,另一个用来作为未建模动态的自适应逆补偿器。该设计放宽了对未建模动态的一些苛刻的要求,如相对度为零,满足小增益条件等。仅要求D(u)逆稳和连续光滑。然后应用反演设计技术设计了控制器,并应用Lyapunov稳定性理论推导出神经网络权重向量的调节律,同时证明了闭环系统的渐进稳定性。最后给出的BTT导弹纵向控制系统设计仿真实例证明了该设计方法的有效性。     

基于进化模糊神经网络的上肢康复机器人自适应阻抗控制

针对机器人辅助患肢进行康复训练时患肢病情的变化对系统稳定性造成的影响,在传统阻抗控制方法基础上,提出了一种基于进化模糊神经网络的自适应阻抗控制方法.该方法采用能较为准确反映患肢病情特性的患肢机械阻抗参数作为控制器输入,根据在线辨识得到的机械阻抗参数,运用进化模糊神经网络对目标阻抗控制参数进行动态调整.在调整过程中,首先采用混合进化算法离线优化目标阻抗控制参数,然后再利用动态BP算法对目标阻抗控制参数在线作进一步地调整.分析和仿真结果表明,改进后的方法较传统阻抗控制方法更能有效地适应患肢病情的变化,且具有较好的平滑性和稳定性.     

基于自适应学习群体搜索技术的集成进化算法

为了提高连续数值优化算法的普适性和鲁棒性,提出了基于自适应学习群体搜索技术的集成进化算法.该算法集成了3种自适应学习群体智能优化算法作为子算法,其中1种子算法是本文设计的,另外两种子算法来自相关文献.相应地,整个进化种群被分成了3个子种群,在进化过程中,算法以并行的方式采用每种子算法独立地进化各自的子种群,而在进化过程的不同阶段,每种子算法的进化策略及其参数可以自适应地调整.在实验部分,首先定义了算法性能度量标准,然后在26个较新的测试函数上做了算法性能对比实验,实验结果表明所提出的算法具有较高的普适性和鲁棒性.     

一种自适应音频数字水印算法的研究与仿真

提出了一种自适应扩展回声音频数字水印算法。利用PN序列将音频信号的单回声内核进行扩展后作为水印信号,结合了回声隐藏的鲁棒性和扩频技术的保密性等特点,从而提高了水印算法的安全可靠性。基于心理声学模型设计二维模糊控制器,实现了水印嵌入强度的自适应。采用ABX主观测试和相关度水印检测测试对算法进行了仿真试验,通过将嵌入水印后的音频信号进行低通滤波、加入噪声以及重采样等方法来模仿音频信号在实际网络环境下可能遭受的各种攻击和干扰,仿真实验证明,算法具有良好的鲁棒性和不可知觉性。     

基于RBF的机械手建模误差补偿自适应控制

针对机械手动力学建模误差,提出了基于RBF神经网络误差补偿的自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,对系统输入与目标轨迹进行修正,设计了两种误差补偿自适应控制器。利用RBF神经网络对修正项在线自学习,并根据Lyapunov稳定性理论建立了网络权重自适应学习律,保证了跟踪误差的收敛及系统的稳定。以平面转动双臂机械手轨迹跟踪为例进行仿真,结果表明该方法能够有效地补偿建模误差,提高了系统的控制性能并使控制系统具有对参数摄动的鲁棒性,对于机械手自适应控制具有一定的可行性。     

基于自适应遗传模糊神经网络的信用评估建模

提出了一种自适应遗传模糊神经网络评估信用风险的模型,该模型在多子群遗传算法基础上,采用带控制参数的动态概率选择与最优保存策略相结合的混合选择策略,根据种群适应度标准差大小动态调整交叉和变异概率,并将BP算子嵌入遗传算法中,构建了多子群自适应遗传BP算法,并利用该算法优化网络的连接权值和模糊参数。将所建模型应用到信用评估中,并与BP神经网络、ANFIS以及遗传神经网络模型预测效果进行比较,结果表明该模型对信用评估具有更好的泛化能力和更高的预测准确度。     

一种新的基于模糊预测的实时运动跟踪算法

针对模糊规则基难以自动在线设计问题,提出一种利用观测数据直接构造模糊规则基中心的新方法,并将其用于对运动过程的准确预测。该方法首先用较少的有限次状态和误差的观测数据,在不同时刻直接构造状态和误差的模糊规则基中心,然后,根据最大熵原理,求取当前状态的隶属度函数值。为使此方法适合于不同状态的运动跟踪,在确定最大熵原理的关键参数中,不使用经验方法,而利用粒子群算法在规定的进化代数内求取参数,在保证实时性要求的前提下,完成对参数的优化。为提高模糊推理的精确性,在模糊推理中设计加权因子,对下时刻的状态和预测误差进行预测,利用预测误差对预测状态进行修正。预测误差仅由有限次测量数据决定,消除了误差累积现象。分别对两类不同的运动进行对比跟踪实验,结果表明,此方法具有对先验知识的弱依赖性,较强的实时性和较高的预测精度。     

采用变长结构体编码的遗传规划及其在自适应建模中的应用

在遗传规划(GP)的实际应用中,对个体解的表达一般采用二叉树结构,并多用L isp语言中的S表达式进行个体解编码。利用M atlab中的结构体数组和符号对象,提出一种树结构的变长结构体编码方法,不仅直观、简单,而且便于各种遗传操作的算法实现。为了克服早熟收敛问题,将随机搜索与交叉、变异操作相结合,以增加种群多样性。最后应用上述编码方案分别进行一元和多元建模研究,并与原案例中所采用S表达式编码的GP,以及常用的线性回归、多项式回归等结果进行对比,结果表明:采用变长结构体编码的GP在个体解表达上比原有编码方式更加直观、有效,拟合结果也优于传统建模方法。     

车辆起步过程发动机恒转速自适应模糊控制研究

车辆起步发动机恒转速控制是一种有效的起步控制策略,如何实现发动机转速跟随目标转速曲线变化以提高起步性能是一个难点.针对这一问题,制定了离合器接合控制原则,设计了以发动机转速及其目标转速、离合器行程为控制参数的自适应模糊控制及相应协调规则构成的控制系统.仿真试验表明在不同工况下该控制策略均能保证发动机基本无超调地达到目标转速,实现了发动机恒转速起步,离合器滑摩功小,能够反映驾驶员起步意图,提高了车辆起步性能.     

基于灰色关联分析的分层模糊神经网络

为解决“模糊规则爆炸”问题,提出一种基于模糊神经网络从试验样本抽取模糊规则的方法。首先,根据灰色关联分析的结果,将输入变量进行两两组合建立分层模糊子系统。其次对每个模糊子系统设计分层参数、结构优化算法。在权值学习过程中,模糊进化规划与分层方法相结合,网络的各层权值独立优化,并且各层权值优化问题简化为二次型问题,降低了权值优化过程中的计算复杂性。最终能够实现整个模糊神经网络的分层优化,各层神经元单独训练且训练结果互不影响。与常规的前向进化神经网络方法相比较,该方法通过对神经元的部分解群体的进化,缩短了个体的编码长度,显著地减少了计算量。同时这种方法不但能够很大程度上简化适应值的计算,更重要的是能够降低适应值空间的复杂性,从而能够加速进化算法收敛到全局最优点。     

一种基于基因表达式程序设计的新算法

基因表达式程序设计是一种基于基因组和表现型组的新型遗传算法,该算法在运行时具有很高的运行效率,实验表明在求解很多问题时比遗传程序设计优越两个数量级以上.通过对基因表达式程序设计的变异算子进行分析,发现在个体变异过程中存在着大量的基因漂移现象,这些漂移的基因一方面造就了种群的多样性,但是另一方面也降低了算法的效率,阻碍了算法精度的提高.为此,构造了一种新的算子--漂移抑制算子,通过在基因表达式程序设计方法中加入此漂移抑制算子构造出一种新的算法-基因漂移抑制算法(Gene Drifting Suppression Algorithm Based on Gene Expression Programming, GDSA-GEP),该算法在保持种群多样性的同时,能有效地控制基因的过度漂移.实验结果表明,新算法能有效地提高问题的求解精度.     

自适应脉冲耦合神经网络在图像处理中应用

尽管Johnson 提出的PCNN模型具有强大的图像处理功能,以时间序列进行特征提取时具有旋转、尺度、平移、扭曲不变性,可实践中发现依然存在着不足,特别对图像亮度、对比度比较敏感.添加了误差反向传播(Error Back Propagation, EBP)学习准则的自适应脉冲耦合神经网络模型能自适应设定模型参数,是脉冲耦合神经网络模型研究的主要内容.特别地,应用这种自适应模型进行特征提取时,能弥补原来PCNN模型对亮度、对比度敏感的缺陷,而且具有一定的泛化能力,有效克服了亮度、对比度对图像识别精度的影响.