基于模型参考自适应的直线电机转速辨识

针对直线永磁同步电动机全闭环控制系统易受干扰、降低系统性能指标、存在不稳定因素等问题,提出了基于模型参考的自适应模糊神经网络在线辨识方法,用梯度法实时修正模糊控制器的输入和输出隶属度参数,建立了模型参考自适应模糊神经网络速度伺服系统模型,给出了模糊神经网络控制器的设计方法.仿真和实验结果表明:该方法提高了速度检测装置的分辨率和动态响应能力,系统具有很强的鲁棒性.     

基于减法聚类产生具有优化规则的模糊神经网络及其软测量建模

提出了一种通过调整减法聚类半径优选模糊规则的软测量建模方法。首先用减法聚类建立T—S模糊模型,然后通过调整聚类半径优选模糊规则数,以取得具有良好泛化性能的模型,之后利用梯度下降混合最小二乘算法精调参数。最后用该方法对初馏塔石脑油干点进行软测量建模,结果表明能较快确定优化模型,并能满足软测量建模精度要求。     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

蛋白质三维结构预测问题的求解方法

对蛋白质结构预测问题进行了描述,根据蛋白质结构预测问题在三维欧氏空间的连续模型,通过拟物策略找到了相应的数学模型.由于引入了弹性势能和嵌入势能,将一个有约束的问题转化为一个无约束的问题,并在梯度下降法求解的基础上,设计出一种变步长梯度下降的求解方法.通过实例检测,变步长梯度下降法比梯度下降法大大节省了计算时间,且所得结果的能量比梯度下降法所得结果的能量更低.     

基于扩展模糊时间Petri网分析冲突事件的不确定性时间知识

为有效处理冲突相关的不确定性时间知识,在已有研究基础上,基于扩展模糊时问Petri网,引入变迁的模糊触发区间以表示使能变迁触发的不确定性,结合模糊时间函数和可能性值的运算来描述和分析各冲突事件发生的不确定性.能够针对冲突事件的各种时间不确定性问题进行定量分析,可以解决复杂情况下的时间知识推理和验证.其相对于已有方法具有冲突分析精确、计算简单、适用面广的特点.     

梯度下降优化模糊系统的接触电阻预测方法

根据接触电阻的特点,将结合模糊逻辑的预测方法引入电气领域,提出基于模糊系统的接触电阻预测新方法.根据接触电阻与各影响因素之间的关系及研究目的进行试验,得到足量试验数据,将所有试验数据分成两部分,训练数据和测试数据.通过训练数据运用梯度下降算法训练模糊系统,调整模糊系统参数,建立相应的接触电阻模型,利用训练数据建立接触电阻的回归分析模型.通过测试数据对两种模型进行测试,基于模糊系统的接触电阻模型的测试结果优于回归分析.预测与比较结果表明:若能得到足量训练数据,用梯度下降算法训练模糊系统建立的接触电阻模型精确可靠.     

基于模糊联合误差的红外图像边缘检测方法

图像的边缘检测中,非优化梯度阈值选择的不当会造成某些边缘点的丢失;而模糊阈值方法,需占用大量存储空间来搜索参数的最优组合.针对以上问题,本文在模糊理论的基础上,并结合红外梯度图像的特点,提出了一种基于模糊联合误差的红外图像边缘检测方法.本文首先通过改进的Sobel算子构造出红外图像的梯度图,在对其进行模糊划分的基础上计算区域模糊度,最后通过对区域联合误差的比较,确定模糊区域中像素点的隶属,实现边缘提取.与传统的基于梯度的边缘检测算法及最大模糊熵算法进行了对比实验.结果表明,该方法用于红外图像边缘检测时,能够在更短的处理时间内,保留更多的边缘信息.     

基于二级倒立摆的自适应神经网络模糊控制

针对二级倒立摆系统，提出了一种先进的智能控制策略．该种方法采用BP算法与梯度下降法结合的混合算法对Takagb-Sugeno模糊模型中的前项及后件参数进行优化修正，在已获得的客观输入输出数据对的基础上，提出一种基于自适应神经网络的模糊推理系统ANFIS来对倒立摆系统进行建模和控制．仿真结果表明，所提出的设计方法是正确的和可行的．     

基于模糊模型的预测PID控制器的参数整定

提出一种基于模糊模型的预测PID控制器（PPID）的参数整定方法，PPID采用广义预测控制的控制策略，控制算法简单，容易在单片机、PLC和仪表上实现，且有比普通的PID更优良的性能，参数整定分两阶段进行，首先基于初始模型对PPID离线进行整定，然后在系统运行后利用对象的输入输出数据对模糊模型和PPIDR的参数再次进行离线整定，整定算法均采用批处理方式的梯度下降法。     

基于粗糙集的T-S模糊神经网络在回转窑烧结过程中的应用

基于粗糙集理论的知识约简方法和T-S模糊神经网络的非线性映射理论,针对回转窑烧结过程被控对象复杂、各参数之间相互耦合及难以建立精确数学模型的特点,提出一种RS-FNN智能控制策略。采用基于一种新的聚类有效性准则函数的模糊C均值聚类算法对连续属性进行离散化;然后利用粗糙集理论由历史数据样本提取约简规则集,对应的T-S模型具有反映数据特征的良好拓扑结构;最后T-S模型参数由梯度下降混合最小二乘法进行精调。该方法应用于铁矿氧化球团回转窑生产过程控制取得了良好效果,增强了系统容错及抗干扰的能力。     

电站用煤结渣预报的自适应模糊神经网络方法

综合了多种特性结渣指数 ,应用一种基于递推最小二乘估计和梯度下降法结合的混合算法的模糊神经网络模型来预报煤质结渣特性 .将该方法的预报结果与实际结渣情况比较 ,结果证明 ,该方法预报精度高 ,速度快 ,而且具有良好的自适应能力     

基于聚类和模糊神经网络的故障诊断

模糊神经网络能够发挥模糊逻辑和神经网络的特性,在武器装备的故障诊断中应用越来越广泛。文中提出了一种基于聚类和模糊神经网络的故障诊断模型,该模型首先通过基于关系度的聚类方法得到模糊神经网络的初始结构,并用梯度下降法对网络的参数进行修改,以得到泛化能力好的诊断网络。仿真结果表明该模型是有效的。     

自学习的诊断决策信息融合系统

研究了应用模糊测度理论融合诊断信息的方法 ,给出了一种基于模糊积分学习的模糊测度构造算法 ,并以其为核心实现了一种自学习的诊断决策信息融合系统 .     

改进的自适应模糊推理机

本文用改进的Apriori算法来减少基于输入输出的最小决策规则集,它由混合模糊聚类自动生成的隶属函数和规则构建而成。自适应模糊推理引擎采用最小二乘法和共轭梯度下降算法以实现用最少的规则集,从而得到更好的性能。     

共轭梯度法和最速下降法的混合算法

将共轭梯度法与最速下降法有机地结合起来,构造了一种共轭梯度法和最速下降法的混合算法,并证明了该算法的全局收敛．混合算法既提高了共轭梯度算法的收敛速度,又解决了目标函数“性态不优”时,最速下降法难以求解的问题．同时也可以看到共轭梯度法与最速下降法仅仅是混合算法的特例．     

多变量环境下基于递阶模糊神经网络的强化学习

针对多变量连续空间学习问题的复杂性，给出了一种采用递阶模糊神经网络(HFNN)的强化学习方法，两个结构相同的HFNN分别同时完成模糊动作的合成以及值函数的逼近，网络参数通过梯度下降法在线调整．该方法有效地解决了在多变量环境下所遇到的规则组合爆炸问题，减少了运算量和存储量．HFNN前一阶的输出不再作为下一阶的前件，而直接用于其结论部分，克服了前一阶输出含义不明确或没有含义所带来的设计问题．通过仿真二级倒立摆验证表明，所给出方法是正确可行的．     

基于自适应差异演化的模糊聚类算法

在聚类分析中,模糊C-均值聚类(FCM)是一种广泛应用的算法,但由于它是基于梯度下降的,本质上是一种局部搜索算法,容易陷入局部极小值,且对初始值很敏感.本文提出一种基于自适应差异演化的模糊聚类算法(FCBADE),该算法利用差异演化良好的全局搜索能力,在全局范围内寻找最优解的近似解,然后由FCM算法在该近似解的周围进行局部搜索,最终得到全局最优解.同时为减少手工设置控制参数对DE算法的影响,采用自适应方式调整DE算法的控制参数.实验结果表明,该算法不仅有效克服了FCM算法易陷入局部极小值的缺点,而且明显地避免了对初始化选值敏感性的问题,也有较快的收敛速度.