混合动力汽车模糊神经参考控制策略优化

为提高并联式混合动力汽车控制策略精准性,建立了基于发动机效率的模糊逻辑控制器,进一步使用神经网络模型对模糊逻辑控制器的隶属度函数进行在线学习,引入变尺度优化方法的改进型学习算法,完成了隶属度函数的在线学习后的优化;通过模型参考构成闭环在线修正,降低输出转矩的误差。通过循环仿真实验,利用模糊神经参考模型控制策略,发动机工作效率点与实时工况的匹配率更高稳定性更好,发动机平均效率提高4. 16%,峰值电源荷电状态保持在稳定的容量范围内,整车燃油经济性得到改善。因此该控制策略具有较强的工程实用性。     

对一种基于RBF神经网络结构的模糊隶属度函数学习计算方法研究的探讨

本文探讨了一种基于RBF神经网络结构的模糊隶属度函数学习算法的研究,并给出了验证该算法有效性的检验,检验结果表明了基于这种改进的RBF神经网络结构的隶属度函数的学习算法是比较有效的,在本文的基础上,还有以下的工作需要进一步研究:在线调节隶属度函数划分的中心值和宽度,利用遗传算法、免疫算法等进化算法优化RBF网络结构等等.     

基于蚁群优化FEKF算法的汽车状态估计

针对汽车状态估计过程中观测噪声时变问题,提出一种双重迭代自适应滤波算法—蚁群优化模糊逻辑扩展卡尔曼滤波(FEKF)算法.建立考虑Fiala轮胎模型的汽车二自由度非线性动力学模型,利用模糊逻辑对扩展卡尔曼滤波(EKF)算法估计过程中的观测噪声水平进行在线修正,同时引入蚁群优化算法对模糊逻辑中的输入输出隶属度函数进行优化,得到的双重迭代算法对处理强时变观测噪声水平下滤波估计过程具有很强的自适应性.最后通过建立虚拟仿真试验来验证该蚁群优化FEKF新算法的估计精度,结果显示,蚁群优化FEKF算法相比较于FEKF算法估计精度更高,鲁棒性更强.     

分布式环境下全局模糊频繁项目集的快速挖掘

为了解决模糊关联规则挖掘算法需要用户事先给定模糊集和相应隶属度函数的问题,提出基于分布式聚类自动生成模糊集及隶属度函数的算法GFAM.该算法利用分布式K-Means聚类算法对每个数值型属性进行聚类,求得聚类中心,由此构造全局模糊集,定义全局隶属度函数.DFAR算法根据构造的全局模糊集及隶属度函数进行分布式模糊频繁项目集的快速挖掘,采用全局-局部站点模式,其中包括局部模糊频繁项目集产生算法FLF和全局模糊频繁项目集产生算法FGF.实验结果表明,该算法能准确地生成全局模糊频繁项目集,在求解全局模糊频繁项目集过程中,传送局部模糊候选项目集支持数的通信量为O(n),提高了算法的挖掘效率.     

基于GA的交叉路口自适应模糊控制器设计

针对交通领域中模糊逻辑控制器的模糊子集隶属度函数的离散性特点,提出了改进的GA(GeneticAlgorithm)算法,设计了适用于模糊子集隶属度函数编码的带区间范围限制的十进制编码方案,并实现受限分布一致交叉和变异算子.改进的经典赌轮选择法,通过动态确定最优隶属度函数,模糊控制器的控制性能得到提高,避免了病态个体产生,加快了收敛速度.通过一个实例的Matlab仿真结果表明了该方法的有效性.该方法对路口两方向车辆到达率相差较大情况的处理亦收到明显的效果.     

一种基于动态类中心模型选择的模糊支持向量机

模糊支持向量机的核心思想是赋予样本模糊隶属度,给每个样本以不同的权重,从而克服标准支持向量机对噪声和异常点敏感的问题.现有的模糊支持向量机算法通常以样本与类中心距离为基础,给每个样本赋予一个固定的隶属度,没有根据样本分布对隶属度做进一步修正.提出了一种新的动态方式赋予样本隶属度,利用萤火虫算法不断地更新样本中心的位置和隶属度函数,同时利用粒子群算法优化模糊支持向量机参数.在UCI数据集上的实验结果表明,该算法可以有效减少噪声和野点对超平面的影响,分类性能要优于几类常用的模糊支持向量机算法.     

一种模糊小脑模型神经网络及其仿真研究

在传统小脑模型的基础上,利用其特有的寻址方式,引入模糊逻辑的思想,采用模糊隶属度函数作为接受域函数,提出了一种模糊小脑模型神经网络。重点研究了接受域函数的映射规律、隶属度函数及其参数的选取规律和学习算法。仿真结果表明,该模糊模型具有良好的泛化能力和逼近精度,且可获得连续性强且有解析微分输出的复杂函数。     

区间Ⅱ型变论域自适应模糊逻辑控制器

在变论域自适应模糊控制方法的基础上,结合Ⅱ型模糊集较强的鲁棒性和处理不确定性问题的能力,设计了一种区间Ⅱ型变论域自适应模糊逻辑控制器.为了使控制器保持在最优状态,采用粒子群优化算法来优化隶属度函数;然后由Lyapunov方法证明了区间Ⅱ型变论域自适应模糊逻辑控制器的稳定性.对Duffing系统和1维6卷混沌系统的仿真表明,区间Ⅱ型变论域自适应模糊逻辑控制器可以很好地跟踪参考信号,较之变论域模糊逻辑控制器,其可以有效地防止抖震且控制量较小.     

模糊自适应控制算法在水轮机调速器建模中的应用

在模糊控制器的设计中,模糊规则的提取,比例、量化因子和隶属度函数的确定都具有一定主观性;针对这种情况,提出改进的模糊自适应PID控制算法(IFPID),利用微粒群算法对经过预处理的隶属度函数进行优化.在水轮机调速器仿真实验中,与简单PID控制算法和一般模糊控制算法相比,基于改进模糊自适应PID算法的系统在响应频率扰动和负荷扰动时有着更短的调节时间和更小的超调量.     

基于二型模糊逻辑的交通流量预测

提出了一种改进的模糊c均值聚类算法,该算法将模糊聚类的对象从单值扩展到区间,在构造二型模糊系统时,通过对历史数据的学习提取二型模糊规则,克服了专家方法不能对未知领域提取规则的不足.在此基础上,针对智能交通系统,提出一种新的基于二型模糊逻辑的交通流量预测方法.该方法应用区间型二型模糊集具有上下限隶属度函数的性质构造预测区间,适合于处理具有复杂不确定性的情况.通过隶属度函数可以反映出该区间中预测值的可靠性,从而克服了其他预测方法仅给出单值且稳定性不高的缺点.仿真结果表明,基于二型模糊逻辑的流量预测区间具有较高的准确度,其平均相对误差低于6%.     

一种新的模糊对比度增强算法

提出了一种新的基于模糊集合理论的图像模糊对比度增强算法．首先将图像从灰度域变换到模糊域;在预先设定图像空间像素模糊隶属度基础上引入了模糊对比度概念,而后在模糊域对模糊对比度进行非线性变换,得到增强后的模糊隶属度,最后将图像从模糊域变换到灰度域．由算法分析可知,利用模糊隶属度可以对图像的细节进行增强,图像的层次更加分明．通过对几例图像增强对比实验结果的分析,表明该算法是有效的．     

基于遗传算法的图像模糊增强的研究

为了实现图像的模糊增强,采用遗传算法得到的模糊参数,选择图像像素灰度的相对等级作为模糊特征,通过模糊映射建立图像的模糊特征平面,采用模糊对比度增强的方法实现图像的增强.实验结果表明采用基于遗传算法的图像模糊增强算法,可以根据不同的图像自动选择最佳的模糊参数,图像质量得到了改善,突出图像的细节,有效地实现了图像的增强效果.     

基于模糊变换耦合最大熵的医学图像融合算法

针对融合医学图像在过渡区微小细节及边缘信息不够清晰,边缘容易失真等问题,提出了一种基于模糊变换耦合最大熵值的多模态医学图像融合算法.首先,将待融合图像划分为大小相同的非重叠图像块,引入模糊变换对得到的图像块进行处理得到模糊子块,并利用邻域最大熵融合规则对模糊子块进行融合,获取新的融合子块;然后,将新的融合子块进行逆模糊变换,利用选择最大值融合规则,将逆变换得到的子块进一步融合生成最终融合医学图像.实验结果表明:与当前医学图像融合算法对比,本文算法在主观评价与客观评价指标边缘强度、信息熵、互信息、峰值信噪比上具有更大的优势,其融合图像边缘更加清晰,细节丰富,克服了边缘模糊与伪轮廓,更能够有效完成医学图像融合,实现了多模态医学图像信息互补.     

基于广义模糊算子的工业RT图像增强

在分析传统的图像模糊增强算法缺陷的基础上,提出了一种广义模糊增强的方法。该算法通过引入广义模糊集合的概念,将图像映射到广义模糊空间,设计一个分段正弦函数作为模糊隶属度,并采用了相应的增强算子,利用广义模糊变换范围大的特点,通过对工业RT检测焊缝图像进行广义模糊增强处理,使图像获得令人满意的增强效果。引入模糊熵的方法分析增强效果,并分析了广义模糊增强算法中影响增强效果的因素。     

基于图像直方图与模糊核聚类的分割方法

利用图像直方图与模糊核聚类知识,提出一种新的分割方法,即先获取直方图数据信息结合期望值理论获得初始聚类中心,然后对图像进行模糊核聚类分割.本算法可以解决模糊核聚类算法对初始的聚类中心等信息较敏感的问题.实验结果表明,与标准的模糊C-均值(FCM)聚类分割方法相比,具有更优越的分割性能,分割结果与实际图像更为接近.     

模糊聚类算法在痕迹图像分割中的应用

针对痕迹图像在比对与识别中的预处理要求,以图像像素灰度和邻域信息的二维矢量为聚类样本,以二维直方图确定阈值数,采用对样本进行加权的模糊c均值聚类算法对痕迹图像进行多阈值分割处理.实验结果表明,基于样本加权的模糊聚类算法速度快,对痕迹图像有较好的分割效果.     

基于模糊数学的对抗网络图像配准建模

为了解决传统方法特征提取结果受外界环境影响大,且没有考虑对抗网络图像中高频信息的特殊作用,影响配准精度的问题,通过模糊数学方法分析对抗网络图像配准建模问题。分析了对抗网络,在生成模型与判别模型中添加条件变量,通过对抗网络,利用表征向量对图像进行重构,生成图像数据。通过变换对图像对比度进行扩展,通过反变换获取原空间域中的边缘增强图像,通过抑制干扰能力强的Susan算子提取对抗网络图像边缘特征。在边缘特征提取的基础上,引入模糊数学中的模糊隶属度,对图像中不同点属于梯度的模糊隶属度进行定义,构造图像的模糊梯度场,通过模糊数学中的贴进度构造模糊梯度相似性测度,将模糊梯度相似性高的图像作为配准图像,实现对抗网络图像配准。结果表明:研究方法配准效果好;针对存在平移、灰度变化、细节变化、区域变化和尺度差异情况下的图像,可保持很高的性能。研究结果应用性强,配准准确性好。     

基于色彩描述的图像情感语义查询

针对图像视觉特征、中间层语义和高层情感语义之间的语义鸿沟,以色彩为代表,提出了图像情感语义查询的框架.在该框架下,利用图像色彩分割结果,通过定义描述色彩语义的自然语言词汇,设计了基于模糊隶属函数的图像色彩语义描述方法,并在此基础上定义了一种查询语言,将人类对图像内容理解的经验与图像色彩语义描述联系起来,实现了图像高层情感语义的查询.实验结果表明,该方法为图像语义研究提供了一种可行的、有效的、可扩展的解决方案.     

递推人工蜂群的模糊划分熵多阈值分割算法

针对图像分割中模糊划分熵算法在多阈值选取时存在的效率低、计算重复的问题,提出了一种递推人工蜂群的模糊划分熵多阈值分割算法(RAFPEA).首先选择附加边界条件及灰度权重的隶属函数来构建图像的模糊熵模型,并将该模型中不同变量的组合计算转化为递推过程,进而保存此过程中不重复的瞬间递推值,然后引入人工蜂群算法,利用预存的递推结果来计算蜂群寻优时的个体适应度值,从而减少重复计算,达到快速寻优的目的.实验结果表明:RAFPEA的均一度与精确的穷举模糊划分熵法相同,但运行时间仅为穷举、遗传的模糊划分熵算法的5％;随着阈值数量的增加,运行时间稳定不变,在确保精度的前提下,可高效地对图像进行多阈值分割.