用于机器手控制的动态模糊神经网络

为解决模糊控制中存在的区域界定问题,将神经网络与模糊控制相结合,提出了一种新的模糊逻辑与神经网络相结合的动态模糊神经网络机器人控制方案(DFNN),并利用采样数据在线动态构造模糊神经系统.仿真结果表明,DFNN系统地很好地克服机器人系统中存在的非线性、不确定性、强耦合等因素的影响,控制效果好,为工业机器人控制提供了一种新的解决方案.     

制冷系统蒸发器动态过程数学模型模糊辨识

建立制冷系统动态过程数学模型是实现制冷装置优化控制的重要基础.制冷蒸发器是一类过程复杂的两相流动与换热系统,具有明显的非线性和不确定性,其精确的机理模型难以建立.该文通过熵方法和竞争学习算法对输入空间进行聚类,利用递推最小二乘辨识算法(RLS)确定模型的结论参数,实现了蒸发器动态过程数学模型的在线模糊辨识.通过仿真实例,验证了模糊辨识方法对于制冷系统蒸发器在线建模过程的有效性,所建立的模糊规则模型不仅具有较高的辨识精度,同时还具有较为理想的泛化性能和在线跟踪能力.     

基于DRFNN的赖氨酸发酵生物参数估计

赖氨酸发酵过程是一个复杂的非线性强耦合动态过程,发酵过程中某些关键生物参数(如菌体浓度、基质浓度、产物浓度)难以实时在线检测.针对这些问题,建立了基于动态递归模糊神经网络(DRFNN)的赖氨酸发酵生物参数估计软测量模型.利用主元分析法建立发酵过程中在线不可测参数的软测量模型,应用动态递归模糊神经网络所具有的自学习、自适应能力以及对任意非线性的逼近能力,对该模型进行辨识,从而达到预测这些关键生物参数的目的.仿真结果表明该方法能够对赖氨酸发酵过程中不可在线测量的生物参数进行估计,且达到了较高的精度.     

多变量模糊控制系统的前馈解耦

为实现多变量模糊控制系统的动态解耦，基于前馈解耦思想和神经网络理论，提出了一种多变量模糊控制系统解耦的新方法——模糊前馈解耦法,模糊控制器和解耦部分独立设计，解耦由两层神经网络实现，节点少，其活化函数采用分段线性函数．利用简化的学习算法，根据系统输出误差，在线调整网络权值，从而实现动态解耦而无需辨识被控对象的模型，该方法结构简单且计算量小，适于实时多变量过程控制，仿真证明了该方法的有效性。     

模糊聚类学习算法在连续搅拌反应釜(CSTR)系统动态建模中的应用

针对化工生产过程中一类强非线性对象的动态建模问题,采用模糊最近邻聚类学习算法对这类对象中有代表性的ＣＳＴＲ系统进行了模拟动态建模．仿真结果表明效果良好,且从算法的简便性、收敛性及运算速度上来说,优于一般的模糊辨识和神经网络辨识算法．从模型简化的思想出发,文中还对传统算法进行了适当的改进,使模型和模型的泛化特性得到了进一步简化和加强     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

基于超闭球小脑模型的系统建模及其校正

为了克服神经网络建模在工程应用中的不足,利用超闭球小脑模型（HCMAC）神经网络所具有的结构简单、学习收敛速度快、泛化能力强等优势,提出了基于HCMAC的非线性动态系统建模原理。分析了建模误差产生的原因,给出了基于误差校正率的神经网络模型多步在线校正策略,采用通过实时扩展模型学习样本空间和基于模型误差可信度的模型参数修正方法训练模型,以跟踪实际动态过程。仿真实验证明：上述方法可有效地减小由于样本精度不高和在模型输入空间中的分布不均匀所带来的初始模型误差,同时可实时适应非线性动态过程工况的变化。     

基于免疫遗传算法改进DFNN模型及其应用

针对动态模糊神经网络（DFNN）在进行预测应用时容易陷入“局部极值”的缺陷,提出一种改进方案。综合人工免疫算法和遗传算法的优点,用免疫选择优化遗传算法的进化策略,提出一种新的免疫遗传算法。将免疫遗传算法对模糊神经网络的学习算法进行改进,增强其学习能力和算法的稳定性。结合复杂性强的短期电价预测问题,采集美国PJM电力市场的实际数据作为样本数据,对免疫遗传算法改进DFNN进行实证研究。研究结果表明：与DFNN的预测结果相比,改进后的方法在同样的运算条件下,预测精度提高4．5％,而运算时间仅增加6．4s,说明基于免疫遗传算法对DFNN模型的改进效果较好。     

基于模糊神经网络的水质评价模型研究

将模糊系统与神经网络结合,提出了一种水质评价模型.根据水质评价过程,采用5层结构的FNN,且使用自适应学习步长以加速网络收敛速度.该模型具有推理过程清晰,泛化能力强的特点.为了验证该算法的性能,进行了仿真试验,结果表明:和常见的方法相比,该模型的评价结果更为准确.     

基于密度聚类的模糊神经网络和CHP分解过程建模

针对基于样本数据的复杂系统建模问题,提出了基于密度聚类的模糊神经网络(DFNN)的建模方法,研究了利用密度聚类原理提取数据样本的内在规则的理论和方法,提取的规则能较好地反映样本数据输入输出的对应联系,根据提取的规则给出了模糊神经网络的模型结构.本文以化工生产过程过氧化氢异丙苯(CHP)分解反应过程为对象进行仿真建模,结果显示在模型精度和可靠性上均优于基于c均值聚类提取规则的模糊神经网络模型(CFNN).     

基于滑动窗DFNN的含有复杂条款认股权证定价模型

将Black-Scholes模型与动态模糊神经网络相结合,构建一种含有复杂条款的认股权证定价模型.通过设定一定长度的滑动窗来保持采用固定长度的数据进行模型结果参数调整,同时采用动态调整前提参数策略,确保定价模型的泛化能力.以我国权证市场中认股权证阿胶EJC1为例进行分析,结果表明,提出的定价模型与RBF模型相比准确性较高,并且对权证价格走势判断较为准确.     

一种新型的动态模糊神经网络控制器

基于前向模糊神经网络ＡＮＦＩＳ提出了一种新型的动态模糊神经网络（ＤＦＮＮ）,将模糊逻辑,神经网络和ＰＩＤ控制器三者的优点有机地融合在一起。通过在ＡＮＦＩＳ的归一化层和输出层之间加入递归层,构成了动态模糊神经网络（ＤＦＮＮ）,并推导了基于ＢＰ的反传学习算法,与ＡＮＦＩＳ和ＰＩＤ控制器相比,ＤＦＮＮ具有更好的控制效果。ＤＦＮＮ的参数具有明确的物理意义,可根据专家的经验选择初值,加快了网络的收敛速度,由     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

一种新的基于DFNN的时间序列预测

对时间序列预测, 利用自回归移动平均模型(ARIMA)给出了一种新的基于动态模糊神经网络(DFNN)的模型, 该模型中主要是考虑了输出误差这个重要因素. 将ARIMA模型产生的非线性特征用DFNN模型模拟. 能够产生比DFNN和ARIMA单个模型更加精确的模型. 因此, 它可以作为一个适当的替代模型来预测任务,特别是当需要更高的预测精度的时候. 最后用Mackey-Glass时间序列验证了模型的有效性.     

增量构造负相关异构神经网络集成的方法

基于负相关异构网络,提出了一种增量构造异构神经网络集成(NNE)的方法.该方法在训练成员网络时,不仅调整网络的连接权值,而且动态调整网络的结构,从而在提高单个网络精度的同时增加各成员网络之间的差异度,减小网络集成的泛化误差.该方法包括构造最佳异构网络(BHNN)和构造异构网络集成(HNNE)两个部分,BHNN基于负相关学习动态构造多个最佳网络,HNNE利用训练好的最佳网络增量地构造异构NNE.使用网络泛化误差和集成泛化误差,整个集成过程可自动完成,无需预先确定成员网络的结构.分别对回归和分类问题进行了实验,相对于单个网络,该方法在测试数据集上的错误率降低了17%～85%,与已有的Boosting、Bagging等网络集成方法相比,错误率也有不同程度的改善.     

模糊逻辑系统BP算法在生化过程建模中的应用

基于模糊逻辑系统ＢＰ算法原理,结合一个生化反应建模的实例,阐述了实际建模的具体步骤．总结出一种较好的用五电平伪随机码作为输入激励信号的方法,它比一般的伪随机信号更能激励出系统的特性,且产生和使用都很方便．与神经网络辨识器比较,它具有参数少,收敛速度快,泛化特性好等优点．     

大面积航班延误下空中交通网络流系统的拥堵识别

近些年来,大面积航班延误问题已经成为空中交通流量管理部门的难题之一。为了从宏观上描述发生大面积航班延误时的交通状态,提出了空中交通网络流系统的拥堵定义,并对其拥堵程度进行识别和划分。首先从空中交通网络流系统的要素航线和机场的航班运行角度出发,建立了拥堵识别指标体系。其次,根据历史统计数据和熵值法计算权值,并基于模糊综合评价法建立了拥堵程度识别模型。最后,结合实例验证,表明该模型能真实的反映空中交通网络流系统的拥堵状况。     

基于RBF网络的发动机起动过程的模型辨识

针对航空发动机在起动过程中,各截面气流处于亚临界状态,难以利用传统的气动热力学方法进行建模的问题,本文利用某型飞机的飞参记录的发动机起动过程的数据作为学习样本,采用径向基（RBF）神经网络的方法,建立了该型发动机起动过程动态模型。仿真结果表明,该方法具有动态性好,精度较高的优点,开辟了发动机中小转速建模的新途径。