基于ANFIS的汽车ESP控制方法研究

文章采用自适应神经模糊推理系统(adaptive neuro-fuzzy inference system,简称ANFIS)研究车辆ESP的反馈控制,设计了基于横摆角速度的神经模糊推理系统;考虑车辆的转向特性,建立了车辆的轮胎模型和二自由度参考模型,并在Simulink下进行仿真;仿真结果证明了自适应神经模糊控制对车辆横摆角速度和质心侧偏角的控制是有效的,提高了车辆的侧向稳定性。     

带通采样频域波束形成

常规波束形成算法都是基于过采样率的,这使得多波束成像声呐系统因采样率高,数据吞吐量大,体积．成本和功耗等都很大。本文提出了一种基于帝通采样的频域波束形成算法,将带通采样信号的各频谱分量搬移到原始频谱位置,再进行相位补偿,进而实现带通采样频域波束形成。对其算法进行了仿真,并通过处理海试数据,验证该算法的有效性,为解决多波束成像声呐系统的小型化提供了技术支撑。     

强干扰环境水下运动阵列方位估计的新方法

针对水下存在方位不确定的强干扰源时基于合成孔径技术的多目标方位估计方法失效的问题,提出一种基于稳健卡朋波束形成器(RCB)的波束域处理技术的扩展拖曳阵测量方法(RCB-ETAM).该方法先利用物理线列阵的直线运动特点和水中信号的相干性,通过对不同时段的数据进行相位补偿将物理阵的数据矩阵合成更长孔径的虚拟阵的数据矩阵,然后根据虚拟阵数据和干扰源方位,使用RCB自适应调整虚拟阵元权值在感兴趣的范围内形成若干个波束,每个波束在干扰源方位形成零陷从而减小干扰对波束输出结果的影响,最后将虚拟阵数据转换到波束域,使用常规波束形成方法得到目标方位.仿真结果表明,与ETAM方法相比,RCB-ETAM的抗强干扰能力有了很大提高,在ETAM完全失效的情况下,依然能够给出目标方位的准确估计.     

水下航行器自由视角探测的多波束声呐仿真

针对水下航行器运动与水下声学感知过程中因多因素强耦合导致相关联合仿真模型缺失问题,提出一种适用于水下自由视角探测的运动位姿和声呐图像高逼真耦合仿真方法．首先建立多波束图像声呐几何模型,并提出声呐视域简化方法,实现声呐图像快速生成;其次建立水下地形、航行器路径和探测视角耦合的自由扫测模型,实现水下自由视角扫测与成像;最后针对声呐图像干扰的高逼真仿真问题,提出一种基于实测数据拟合的结构化噪声和回波重影建模方法,进一步提高仿真声呐图像的逼真度．实验结果表明：该模型能够有效实现水下航行器自由视角扫测过程的位姿和声呐数据组合仿真,生成具有一定逼真度的多波束声呐图像．     

基于灰色PSO-ANFIS模型的船舶横摇运动预报分析

为了准确高效的预测船舶在波浪中的航行状态以保证人员、货物和船舶的安全,提出了一种基于灰色模型粒子群优化算法的自适应神经模糊推理系统(Grey Particle Swarm Optimization-Adaptive Neural-fuzzy Inference System, GPSO -ANFIS)。GPSO-ANFIS预测模型使用模糊C均值聚类算法对输入样本进行聚类分析,得到模糊规则数量并建立神经模糊推理系统,再使用粒子群优化算法对建立的预测系统进行优化训练,从而得到最优的预测系统模型。其中灰色模型用于横摇数据的预处理,以便削弱横摇状态中的非线性影响因素。最后通过实船“育鲲”轮的横摇数据进行仿真实验,实验结果验证了GPSO-ANFIS模型的实用性和可行性,具有较高的预测精度。并为船舶航行智能化提供了一种有价值的理论依据。     

基于灰色模型粒子群优化算法的自适应神经模糊推理系统模型的船舶横摇运动预报分析

为了准确高效的预测船舶在波浪中的航行状态以保证人员、货物和船舶的安全,提出了一种基于灰色模型粒子群优化算法的自适应神经模糊推理系统(grey particle swarm optimization-adaptive neural-fuzzy inference system,GPSO-ANFIS)。GPSO-ANFIS预测模型使用模糊C均值聚类算法对输入样本进行聚类分析,得到模糊规则数量并建立神经模糊推理系统;再使用粒子群优化算法对建立的预测系统进行优化训练,从而得到最优的预测系统模型。其中灰色模型用于横摇数据的预处理,以便削弱横摇状态中的非线性影响因素。最后通过实船"育鲲"轮的横摇数据进行仿真实验。实验结果验证了GPSO-ANFIS模型的实用性和可行性,具有较高的预测精度。并为船舶航行智能化提供了一种有价值的理论依据。     

基于ANFIS的软测量模型在浮选中的应用

以浮选过程为研究对象,提出一种基于自适应神经-模糊推理系统的经济技术指标软测量模型。该模型采用主元分析进行输入数据集降维,运用最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统结构参数进行优化设计。该混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明,提出的模型能很好地实现浮选过程经济技术指标的全局预测,满足优化浮选药剂添加的计算要求。     

基于经验模式分解和自适应神经模糊推理的风速短期智能预测混合方法

为实现风速的超前多步高精度预测,提出一种基于经验模式分解与自适应神经模糊推理的混合方法。该方法利用经验模式分解法对铁路风速进行多层分解计算以降低风速的强随机性,对分解后的各层风速数据分别建立自适应神经模糊推理预测模型并完成预测计算,最终加权各层预测值获得原实测数据的对应步数的预测结果。运用所提出的方法对青藏铁路某监控点的风速进行预测。研究结果表明:所提出的混合方法有效融合了经验模式分解法的信号细分性能和自适应神经模糊推理法的非线性追踪能力,混合模型的超前1步、2步、3步预测的平均相对误差分别为6.24%,11.11%和14.30%,体现出良好的非平稳信号预测性能。     

一种基于RBF自适应神经模糊推理的短期电力负荷预测方法

根据东莞电网的历史负荷数据,分析该地区电力负荷的特征,综合分析天气、温度、日期等因素对电力负荷预测的影响.针对负荷具有一定的客观规律,但又具有很大的随机性和不确定性,提出了一种新型基于径向基函数的自适应神经模糊推理的方法进行短期负荷预测.用MATLAB编制电力系统短期负荷预测程序,并绘制预测结果曲线.结果表明基于RBF自适应神经模糊推理的预测精度是令人满意的,验证了本方法的有效性和实用性.     

自适应神经模糊推理系统在电动机软启动中的应用

异步电动机直接启动产生的冲击电流会造成严重的电网冲击,因此提出将自适应神经模糊推理系统应用到电动机软启动控制中,充分发挥神经网络自适应学习和模糊推理不要求掌握被控对象精确模型处理结构化知识的能力,实现电动机软启动的智能控制。利用电机转速、负载转矩、触发角的对应关系作为训练样本,采用混合学习算法调整前提参数和结论参数,自动产生模糊规则,构建自适应神经模糊推理系统,根据给定的电机转速和转矩产生合适的晶闸管触发角。经仿真分析,结果表明:训练构建的自适应神经模糊推理系统能够很好地进行电机的速度控制,可以实现风机或泵类负载电动机的软启动。