模糊神经网络在车辆识别中的应用

为提高智能交通系统中汽车车型自动识别的正确率,采用了多传感器移动车辆识别系统的数据融合算法,即用模糊神经网络建立数据融合决策模型,用BP算法对网络进行学习和训练,提高系统的精度和智能化.仿真实验结果表明了算法的有效性.     

基于模糊神经网络的车辆避撞预警算法

为实现车辆的智能控制提供理论基础,研究了碰撞预警算法．在分析不同驾驶员的驾驶行为的基础上,确定碰撞预警算法的报警准则,用于指导报警算法做出合理的报警．基于报警准则采用模糊神经网络方法,提出一种多输入、多输出的协作预警算法模型,用于支持碰撞预警系统．利用实测数据对预警算法进行测试,试验结果表明,算法能够对车辆碰撞进行有效的报警,对提高车辆行驶的安全性具有重要意义．     

车辆EPS模糊神经网络控制研究

在二自由度车辆转向和EPS动力学模型建立的基础上,设计了EPS模糊神经网络控制系统结构及其控制策略。对不同转向盘转角输入工况进行仿真计算。结果表明,与传统的机械式转向系统相比,有助力时车辆的横摆角速度峰值和标准差分别减少了5.2%和11.2%;车身侧偏角的峰值和标准差分别减少了29.2%和28.7%,结果证明了模型的正确性和控制策略的有效性。     

模糊神经网络识别方法

本文提出了一种新的模糊神经网络分类器,它结合了神经网络和模糊系统的优点,在使用神经网络结构的同时又用模糊理论来处理模糊和非模糊的信息。新网络在处理分类问题时,对畸变和噪声有较好的容忍性。本文还给出了用网络识别数字和印鉴的例子。     

一种基于深度卷积神经网络的车辆颜色识别方法

车辆颜色是车辆中显著而稳定的特征之一,在智能交通系统中具有重要的作用。针对人工设计的特征提取方法难以有效表达复杂环境下车辆颜色特征的问题,本文在AlexNet网络结构基础上,通过调整网络结构、优化网络参数,形成了基于卷积神经网络的车辆颜色识别网络模型。该方法不需要预处理过程,能够自适应地学习车辆颜色特征表示。对常见的车辆颜色进行训练测试的实验结果表明,本文提出的方法应用到车辆颜色识别问题上具有较好的优势。     

基于模糊神经网络的工况区域识别方法

以模糊集合和模糊神经网络为基础,提出了一种新的工况区域识别方法,并以工业生产过程中常见的精馏过程为例,进行了仿真,证实了该方法的有效性。     

基于Relief算法的智能车辆牌照模糊识别方法

由于当前已有方法未能对车牌照进行降维处理,导致车牌照识别结果不准确,为此,提出一种基于Relief算法的智能车辆牌照模糊识别方法。采用Relief算法计算不同车牌图像特征的权重系数,对特征集进行降维处理。通过序列视频图像对智能车牌进行增强处理,利用全卷积网络对车牌照显著区域进行检测,粗略提取图像中的显著区域,使用滑动窗方法对候选区域车牌进行精准检测,定位车牌准确位置,加入字符的上下文信息,对字符进行精确检测和识别,最终实现智能车辆牌照模糊识别。仿真实验结果表明,所提方法可获取高精度的车牌照识别结果。     

基于神经网络的交通状态模糊判别方法

针对交通流的特点,建立了基于神经网络的交通状态模糊判别方法.综合考虑检测器采集的流量、速度和占有率信息,采用三个模糊规则进行推理,利用具有模糊输出的BP神经网络对交通状态进行评价.利用虎门连升路采集的交通信息对算法进行了验证.研究表明,该方法具有较强的自学习、自组织和自适应能力,不仅可以确定交通的状态,而且可以识别出属于该状态的程度,使判别结果更加具体,为交通状态的判别提供了一种新思路.     

基于模糊积分的神经网络离线签名识别

提出一种基于模糊积分融合方式的多神经网络离线签名识别方法。首先对签名图像进行一系列预处理,提取不同类型的特征,然后使用神经网络进行初分类,再用模糊积分进行融合。实验表明,该识别方法能够比单个神经网络有更好的签名识别效果。     

基于模糊自组织神经网络的入侵识别方法

将模糊聚类和神经网络技术相结合 ,提出了基于模糊自组织神经网络的入侵识别方法 .数据样本的分类结果映射到 4 0个神经元的输出平面上 ,连接权矢量图反映了输入模式的统计特征和各聚类的神经元范围 .聚类层求出各分类的隶属函数 ,对端口扫描类型的攻击进行了成功的仿真识别     

基于动态模糊神经网络的入侵检测系统

针对传统的网络安全防范技术存在的缺陷和入侵检测在动态安全模型中的重要地位和作用,提出了基于模糊理论、神经网络和遗传算法结合的新方法--动态模糊神经网络,并且给出基于动态模糊神经网络的入侵检测系统构建体系.该系统在实际应用中收到了较好的效果.     

RBF神经网络与模糊理论相结合的磨矿分级智能控制方法

将RBF神经网络和模糊理论结合起来,提出了一种基于RBF神经网络和模糊理论实现智能控制的方法。该方法能够有效克服磨矿效率和旋流器入口压力等波动引起的扰动,使磨矿浓度和溢流粒度的波动减小,为浮选过程产品品位改善及产量提高创造了有利条件,在技术上实现了优化磨矿分级过程。该分析过程相对简单,网络学习训练时间少,学习精度高,估计值与分析值拟合非常好。仿真表明这类智能控制器可用于难以建立数学模型的控制系统。     

微小型水下航行器广义S型模糊神经网络控制

为提高微小型水下航行器运动控制的机动性和避障能力,提出一种广义S型模糊神经网络(SFNN)控制方法.采用广义Sigmoid函数作为隶属函数,并推导出基于最小扰动的网络学习方法补偿敏感性.与Gauss型模糊神经网络(FNN)进行比较并以"微龙"号水下航行器为研究对象进行了试验研究.结果表明,采用广义SFNN控制,在没有损失整体控制品质和稳定性的情况下,控制系统响应速度大幅度提高,反应能力增强,从而满足微小型水下航行器的实时控制要求.     

基于模糊聚类的二型模糊神经网络系统辨识

二型模糊神经网络结合了二型模糊系统描述实际情况不确定性和神经网络的学习能力,在非线性系统的辨识中得到了广泛应用。二型模糊神经网络参数学习使用最多的是反向传播算法算法,该算法原理简单,易于实现。但是该算法对初值敏感,不合适的初始会导致算法收敛于非最优解或者发散。针对反向传播算法的这一缺点,提出了一种基于模糊C均值聚类的区间二型模糊神经网络辨识算法。该算法选择高斯型隶属度函数,将模糊C均值算法得到的聚类中心初始化高斯函数的中心,而高斯函数的宽度利用模糊C均值聚类算法的隶属度和中心求取。通过2个非线性系统的辨识效果表明,提出的辨识算法具有较高的辨识精度,收敛速度较快。     

基于循环神经网络变体和卷积神经网络的文本分类方法

针对长文本在文本分类时提取语义关键特征难度大,分类效果差等问题,建立基于循环神经网络变体和卷积神经网络(BGRU-CNN)的混合模型,实现中文长文本的准确分类。首先,通过PV-DM模型将文本表示为句向量,并将其作为神经网络的输入;然后,建立BGRU-CNN模型,经双向门控循环单元(B-GRU)实现文本的序列信息表示,利用卷积神经网络(CNN)提取文本的关键特征,通过Softmax分类器实现文本的准确分类;最后,经SogouC和THUCNews中文语料集测试,文本分类准确率分别达到89. 87%和94. 65%。测试结果表明,循环层提取的文本序列特征通过卷积层得到了进一步优化,文本的分类性能得到了提高。     

水面无人艇模糊神经网络航向控制器设计

针对常规PID控制器在无人艇航向控制系统中表现出抗干扰能力弱,控制精度低等问题,本文提出了一种应用模糊神经网络算法的航向控制器设计方法.首先通过神经网络分类回归确定隶属度函数,然后经由模糊控制在线整定PID控制器KP、KI、KD三个参数,确保对无人艇航向的实时控制.仿真结果表明,该控制器满足航向控制所需的实时性,具有控制精度高和鲁棒性好的特点,并且提高了无人艇在复杂环境中的自适应能力.     

Short-term load forecasting based on fuzzy neural network

The fuzzy neural network is applied to the short-term load forecasting. The fuzzy rules and fuzzy membership functions of the network are obtained through fuzzy neural network learming. Three inference algorithms, i.e. the multiplicative inference, the maximum inference and the minimum inference, are used for comparison. The learning algorithms corresponding to the inference methods are derived from back-propagation algorithm. To validate the fuzzy neural network model, the network is used to Predict short-term load by compaing the network output against the real load data from a local power system supplying electricity to a large steel manufacturer. The experimental results are satisfactory.     

模糊神经网络内模控制

内模控制(IMC)是一种先进的控制算法,具有很强的抗干扰性及鲁棒性,在工业过程控制中应用广泛.内模控制的控制性能往往取决于被控对象的模型,因此,如何得到被控对象的精确模型成为关键问题.对于工业中常见的非线性过程,传统的设计方法很难得到满意的控制效果.模糊控制和神经网络的引入为非线性内模控制的研究提供了一种新方法.模糊逻辑适合表达机遇规则的知识,而神经网络具有较强的自学习及自适应能力.将模糊逻辑与神经网络相结合,应用于内模控制中,对基于该模糊神经网络(FNN)的内部模型和控制器的建立进行了分析.仿真结果证明该算法是有效的,具有很强的自适应性和鲁棒性,可以应用于非线性及时变系统中.     

基于模糊神经网络的城市排水预测

海绵城市的建设具有重要意义,如何更好地预测城市排水量成为一个关键点。针对城市排水的波动性和非线性特征,提出一种基于模糊神经网络预测的城市水量预测算法。首先,采用灰色模型构建城市排水预测模型,并基于海绵城市的概念建立客观预测回归函数。其次,通过设置断点来构建滑动窗口,并实时分割灰色模型的数据,以获得数据的实时统计特征,通过构造序列误差预测和压缩比之间的函数,并使用误差预测序列来确定分割点,以提高检测过程的鲁棒性。最后,通过城市排水预测模拟实验,表明所提出的算法能够有效提高城市排水的预测精度和预测效率,更好地反映了整体趋势。     

基于鲁棒神经网络的水下机器人运动控制

针对水下机器人神经网络控制中系统响应速度慢及对噪声较敏感的问题,依据变结构控制理论,提出了一种基于鲁棒神经网络的水下机器人控制方法E利用指数趋近律,推导出神经网络参数的镇定算法,并采用标准误差反向传播(EBP)算法最小化目标函数,最后在水下综合探测机器人仿真平台上进行了试验研究E试验结果表明,该控制方法对神经网络学习率的改变和外界扰动有很强的鲁棒性,大大降低了机器人机械传动系统的磨损,且能够保证神经网络快速、稳定地学习,从而满足实时性控制的要求,具有较高的理论和实用价值.