基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

一种基于模糊聚类和遗传算法的模糊神经网络模型的学习算法

提出了一种基于模糊聚类和遗传算法的模糊神经网络的学习算法,采用 模糊Ｃ－均值聚类算法进行模糊神经网络模型的结构辨识,得出最优或次优的模 糊规则数,采用改进的遗传算法进行系数辨识。仿真结果证明该算法是可行和有 效的。     

基于改进的神经网络最近邻聚类算法在结晶器液位系统中的应用

针对连铸机的结晶液位采用拉速控制导致控制过程不稳定而影响铸坯质量的问题,提出了基于神经网络的模型辨识及智能PID控制方法,它主要基于径向基函数(即RBF)神经网络,通过改进的最近邻聚类学习算法在线辨识相关的结晶器系统模型.基于径向基函数辨识网络,将辨识所得雅克比閜应用到智能PID控制器的权值调整之中.结果表明,该算法可...     

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。     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

驾驶员转向特性分类与辨识方法对比研究

针对汽车驾驶员转向特性分类与辨识问题,基于CarSim仿真平台对研究方法进行了初步探索。设计了转向工况仿真试验,采集试验数据,根据车辆最大横摆角速度,使用K-means聚类算法对驾驶员转向特性进行分类。在Matlab软件环境下分别采用学习向量量化(LVQ)神经网络、BP神经网络、支持向量机(SVM)建立驾驶员转向特性辨识模型,并对3种网络建立的辨识模型进行测试试验和比较。试验结果表明:3种辨识方法均具有较高的辨识精度,其中支持向量机方法在汽车驾驶员转向特性辨识方面具有一定的优势。     

自组织模糊神经网络的结构辨识算法

针对自组织模糊神经网络,提出了一种新的结构辨识算法.通过建立输入和输出相似性准则,提出一个用于提取模糊规则的新型聚类算法.所提方法的显著优点是克服了传统神经网络的维度灾难问题.     

基于递推K—均值聚类算法的RBF神经网络及其在系统辨识的应用

提出了一种基于ｋ－均值聚类算法的ＲＢＦ神经网络递推快速学习算法，并用此对动态非线性过程进行辨识。仿真结果表明了本文方法的可行性。     

应用聚类和模糊神经网络方法设计模糊规则库

基于聚类技术和模糊神经网络提出一种新的自动生成模糊系统规则库的设计方法.采用结构辨识和参数辨识相结合的方法,构造模糊系统完善的模糊规则库.用此设计方法对函数逼近问题进行仿真,结果表明该方法具有规则数目少、学习速度快、建模精度高等特点.     

基于聚类优化的RBF神经网络多标记学习算法

多标记学习采用RBF神经网络与K-means聚类算法相结合取得了较好的效果,但由于聚类数事先不能很好地确定,无法给出准确的聚类个数值,会导致聚类质量下降、聚类结果不稳定等,进而影响RBF神经网络多标记算法的稳定性及分类性能。本文从样本几何结构的角度出发,采用一种聚类有效性指标函数,为每个类寻找最优的聚类个数,从而优化问题的求解。理论研究和实验结果表明,改进后的算法在分类的稳定性及分类性能方面都有较好的表现。     

人工神经网络在控制中的应用及发展前景

通过对人工神经网络的历史与现状的分析，指出人工神经网络具有强大的生命力和应用前景，特别是在解决复杂控制问题方面具有五大优势．总结了人工神经网络在控制领域的主要应用实践，并对其发展前景和存在的问题进行了探讨．     

Sugeno模糊模型的辨识

提出了一种新的Ｓｕｇｅｎｏ模糊模型辨识算法。在Ｓｕｇｅｎｏ模糊模型辨识中,应用模糊聚类方法可将其前提结构和结论参数的辨识分开进行,减少了计算量。通过Ｂｏｘ－Ｊｉｎｋｉｎｓ数据建模说明了本文算法的有效性。     

基于决策树神经网络模型的电力变压器故障诊断方法

根据对变压器常见故障原因及危害程度的分析,构造了电力变压器故障诊断决策树．其判定级别为自上而下,而决策树的每一叶都对应着一种具体的故障模式,并在决策树的不同分支中选用不同的神经网络单元模块作为基本分类器,建立组合神经网络模型,实现了对故障的多分辨识别．该方法克服了以往单神经网络模型在结构复杂性和学习难于收敛方面的不足,大大提高了故障分析的准确度．应用结果表明该系统模型是富有成效的     

基于BP网络的锅炉燃烧系统控制

文章提出了一种基于BP神经网络的锅炉炉膛火焰温度的灭火预警、报警系统。燃烧火焰图像由CCD摄像机、传像光纤和图像卡采入计算机,经预处理后由训练过的神经网络计算出锅炉的温度,计算结果通过A/D转换器来达到锅炉系统的控制。     

基于HMM／MLFNN混合结构的说话人辨认研究

将隐马尔可夫模型与人工神经网络相结合既利用ＨＭＭ能够较好地描述动态时间序列又ＡＮＮ静态分类能力强的特点，应用于说话人辨认。本文将一个多层前馈神经网络与ＨＭＭ相结合构成混合模模型，与以往的方法不同。具有所需训练数据量小，推广性能良好的特点。     

自构形神经网络模型在天然气储量评价中的应用初探

在ＢＰ（Ｅｒｒｏｒ Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ）算法基础上,采用ＢＩ（ＢａｃｋＩｍｐｅｄａｎｃｅ）算法,运用了自组织优化隐层节点数和自动化优化网络因子的方法,使得人工神经网络ＡＮＮ的计算速度、精度和柔韧性有所提高,且在微机上其操作变得更加容易。在勘探成熟的气藏中,按照天然气成藏理论,选取能够系统反映气藏的８个储量评估参数,进行网络学习,建立储量评估模型。应用所建的网络模型对正处于勘探阶段的气     

基于多ANN的复杂函数学习策略

针对多层前馈人工神经元网络，提出了一种多ＡＮＮ逼近策略，与单ＡＮＮ方法相比较，逼近能力，适应能力，泛化能力等都有了很大的提高，它可应用于复杂系统的建模和辨识。     

基于人工神经网络和专家系统结合运用的电网故障诊断技术的研究

人工神经网络（ＡＮＮ）和专家系统（ＥＳ）的结合是智能系统研究的发展方向。本文对ＡＮＮ和ＥＳ结合用于电力系统故障诊断问题进行了研究，提出一种新的电力系统故障诊断方法。该方法综合了ＥＳ和ＡＮＮ各自的优点，充分利用ＥＳ的推理能力和ＡＮＮ的学习能力，由ＥＳ根据故障报警信息搜索电网数据库，提出故障假设，再由ＡＮＮ对故障假设进行诊断。该方法教授给ＡＮＮ的知识是电网通用的故障判断知识，具有较强的能用性。研究表明ＡＮＮ和ＥＳ结合用于电网故障诊断是非常有效的。     

汽车性能数据库的建模

基于人工神经网络在非线性系统辨识中的优越性，依据整车的各项参数、动力性及经济性的试验测试结果，分析了系统辨识精度的评价指标，确定了两隐层BP神经网络的神经元数、初始权值及初始阈值，建立了汽车性能数据库的神经网络模型．该模型可实现正向预测与逆向推理功能，可缩短汽车的研发周期，并利用实例进行了说明与验证．     

人工智能技术在仪器与测量中的应用

分析了与人工智能技术相关的人工神经网络和模糊逻辑的基本要领和重要方法，根据传感器增强、数据融合和系统辨识、控制等相关领域的几个成功案例，分析了它们的技术优越性和可行性，并展示了人工智能技术在仪器和测量中的应用前景。