T—S型模糊RBF神经网络快速学习算法

针对Ｔ－Ｓ型模糊ＲＢＦ神经网络输入空间模糊最优聚类算法运算量大、运算速度低的缺点,提出基于输出空间模式聚类的快速学习算法,以满足多变量系统实时性要求。仿真结果表明该快速学习算法不仅可以达到要求的辨识精度,而且可有效地提高运算速度。     

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构,讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性,表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．     

T-S型模糊RBF神经网络快速学习算法

针对Ｔ－Ｓ型模糊ＲＢＦ神经网络输入空间模糊最优聚类算法运算量大、运算速度低的缺点,提出基于输出空间模式聚类的快速学习算法,以满足多变量系统实时性要求．仿真结果表明该快速学习算法不仅可以达到要求的辨识精度,而且可有效地提高运算速度     

基于RBF模糊神经网络控制器的设计及仿真

本文结合模糊控制和神经网络控制各自的特点,设计了RBF模糊神经网络控制器,并应用到洗衣机的控制中.最后,在MATLAB中实现了仿真达到了预期的误差精度要求.     

基于模糊RBF神经网络的管道泄漏检测方法

针对模糊BP神经网络在管道泄露检测与估计中存在网络构建训练速度慢、易陷入局部最优等问题,提出将模糊RBF神经网络方法应用于管道的泄漏检测与估计.首先依据管道泄漏时流量、压力的变化机理,将采集到的实际运行中管道内的流量差与压力差信号模糊化后作为RBF神经网络的输入,以泄漏尺寸大小的置信度作为网络的输出,并结合专家先验知识所得的模糊规则,构建管道泄漏检测的模糊RBF神经网络.进而以实际管道运行数据对其进行离线仿真测试,仿真结果表明模糊RBF神经网络克服了模糊BP神经网络的不足,提高了泄漏估计的精度,使网络构建更加高效、优化.     

基于模糊RBF神经网络的双电机驱动伺服系统研究

双电机驱动伺服系统中存在齿隙和摩擦等非线性,常规PID控制不能满足其控制要求.针对常规PID控制器参数固定而导致在控制中效果差的缺陷,提出一种基于模糊RBF神经网络整定的PID控制方法.该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,可以在线调整得到一组适合于控制对象的PID控制参数.最后在双电机驱动伺服系统中进行仿真试验结果表明所提出的控制策略是有效的.     

基于T-S模型的模糊神经网络

一种基于Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模型的模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，它相当于每条规则的适用度。后件网络用来实现模糊规则的后件。总的输出为各模糊规则后件的加权和，加权系数为各条规则的适用度。所提出的模糊神经网络具有局部逼近功能，且具有神经网络和模糊逻辑两者的优点。它既可以容易地表示模糊和定性的知识，又具有较好的学习能力。给出了调整规则后件参数及前件隶属度函数参数的学习算法，举例说明了它的逼近性能。     

模糊RBF网络简化模型研究

在一定的前提条件下,提出一种简化的模糊ＲＢＦ网络模型,该网络由输入层,模糊化层,模糊联结层,合成联结层和输出层组成,同时,还给出了网络的构造方法和自学习方法,仿真结果表明此网络对非线性,多变量函数具有主好的逼近能力。     

基于RBF神经网络的船舶航向模糊控制

船舶自动舵性能的优劣直接关系到船舶的航行安全和经济效益，针对船舶运动具有非线性、大滞后等复杂性的特点，将神经网络和模糊控制应用于船舶运动控制中。仿真结果显示它不仅具有常规控制的性能，而且具有更强的鲁棒性和适应非线性对象的能力。     

板球系统的模糊神经网络控制算法研究

针对具有非线性特性的控制系统,提出了一种逐级模糊神经网络控制算法。该系统控制采用了补偿模糊神经网络算法和逐级模糊控制规则。在matlab仿真环境下对简化的模型进行了仿真实验。通过仿真结果可以看出,该控制算法比传统的模糊控制具有更好的控制表面,更能适应复杂多变的非线性准确控制;补偿模糊神经网络算法在训练时,具有学习速率快、准确度高和扩展性好等优点。     

基于RBF网络的Takagi—Sugeno模糊控制器参数获取

ＲＢＦ网络是一种广泛应用的神经网络模型,而Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模糊推理规则是一种简化的模糊推理规则,两种方法的起源不同。文中分析了在一定条件下,ＲＢＦ网络与简化的Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模糊推理规则的函数等效性,揭示了网络权值与推理规则参数的对应关系,从而为两种方法的互换使用奠定了理论基础。在此基础上,提出了使用ＲＢＦ网络在实时控制过程中为一些复杂的被控对象获取Ｔａｋａｇｉ－Ｓｕｇｅｎｏ型     

T—模糊子环

给出了T-模糊子环的定义,这是一种动态模糊子环,并讨论了T-模糊子环和模糊子环之间的关系。     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

基于RBF神经网络的一类非线性系统模糊自适应控制

针对一类非线性不确定系统,基于ＲＢＦ神经网络,结合模糊滑模控制提出了一种自适应控制方法。根据Ｌｙａｐｕｎｏｖ稳定性理论设计ＲＢＦ网络和模糊滑模补偿控制器的参数。     

基于T-S模糊模型的RBF网络的自适应学习算法

针对多维模糊推理中的推理规则庞大和参数难辨识的问题,提出一种基于T-S模糊模型的RBF神经网络的自适应学习算法．该算法不仅能动态调节T-S型模糊RBF网络的隐节点数,还能使网络的数据中心值自适应变化,有较好的自学习能力和优化能力．仿真结果验证了该算法是有效和可行的,表明此T-S型模糊RBF网络不仅可以快速逼近任意多变量非线性函数,而且具有良好的自适应能力．     

模糊神经网络系统的信号处理

简要介绍了一种可“自动”处理模糊信息的模糊神经网络系统,这是由神经网络和模糊控制相结合的智能信号处理系统。     

结构等价型模糊神经网络算法及其应用

提出一种结构等价型模糊神经网络的学习算法。等价型神经网络根据模糊系统的推理规则,决定等价的神经网络结构参数。     

基于3S技术与RBF神经网络的土地利用演变及预测

随着GPS、RS和GIS(3S)技术集成应用的迅速发展,土地利用调查数据采集及分析的效率、完整性和准确性得到了极大的提高.结合南京市多年的TM影像数据,利用ERDAS、ARCGIS等专业软件对影像数据进行土地类型信息的获取和空间分析,并建立RBF神经网络模型,对未来土地利用变化进行了预测分析.     

数字PID调节器R—S—T算法

基于数字控制系统调节器R-S-T通用结构的基本思想、提出数字PID调节器的R-S-T算法,它很好地解决了数字PID调节器与系统动态品质的一般性关系问题,这是一种基于和系统闭环动态品质密切相关联的闭环特征方程的数字PID直接快速计算方法,所提出的算法模式,特别适用于含数字PID调节器的闭环控制系统的数字仿真。