基于可拓神经网络的汽车涂装线设备故障诊断

针对汽车涂装线设备故障无法及时发现和排除的困难,提出基于可拓神经网络的故障诊断方法。该方法利用可拓学定性和定量描述方式处理结构化知识的特性并结合神经网络并行结构的特点,使可拓神经网络借助并行分布处理结构完成可拓推理过程。依据烘房燃烧加热系统设备监测参数和故障类型,建立基于可拓神经网络的物元输入、输出模型。将参数样本进行训练,对训练结果进行仿真对比实验,实验结果显示该方法相对传统神经网络具有结构简单、反应速度快等优点。     

基于RBF神经网络的认知无线电认知引擎设计

认知无线电(CR)是一种智能无线通信系统,它能根据环境变化、业务需求动态调整参数,提高系统性能,其核心技术是认知引擎的设计。认知引擎可引入人工智能领域的推理与学习方法来实现CR的感知、自适应与学习能力。为适应变化的无线环境和用户需求,提出基于径向基神经网络(RBF)的CR认知引擎设计方法,该法通过对经验知识和环境的学习,重配置通信参数,以达到资源合理分配,提高系统性能。该引擎由两层RBF神经网络组成,外层神经网络学习全局属性,内层神经网络学习局部属性,以解决路由协议及局部参数的学习配置。在训练RBF神经网络学习模型后,根据定义的两个测试基准函数,评估模型性能,仿真验证了该学习模型的有效性,且能够有效实现CR学习重构。     

基于可拓学的行为模型验证

虚拟实体行为的逼真度和可信度是行为建模的两个重要指标,行为模型验证是断定行为模型是否真实可信的重要手段.行为模型具有决策空间多维性和响应结果不确定性等特征,传统的面向数学物理模型的验证方法难以凑效.提出依据可拓学基本原理,结合专家经验评估法,对虚拟实体行为模型进行验证的方法.算例表明该方法对于行为模型的验证是有效的,可以实现多层次验证指标的分解与合成,并最大限度地降低了验证过程中的主观因素.     

用具有混沌特性的神经网络解任务分配问题

利用由一对相互藉合的混沌吸引子作为神经元构造的混沌神经网络来解决任务分配问题。通过与传统Hopfield人工神经网络解决任务分配问题相比，混沌神经网络具有更强的全局搜索能力和寻优能力。实时分布处理系统任务分配问题实例仿结果表明，该网络解任务分配问题有效地避免了Hopfield人工神经网络极易陷入局部极小的缺陷，并具有更高的搜索效率。     

求解优化问题全局解的广义Gauss机方法

研究求解优化问题全局解的随机神经网络方法,将Gauss机模型拓展为广义Gauss机模型,使之能求解一般优化问题的全局解,算例表明该模型对求解全局最优解是有效的。     

火电单元机组智能控制系统

提出了一个实现大范围负荷跟踪的火电单元机组智能控制系统．该系统包括设定值调节器、神经网络模糊前馈控制器、模糊反馈控制器和单元机组．设定值调节器根据机组负荷指令提供设定值．前馈控制器采用神经网络模糊控制逼近单元机组的逆稳态特性而得到前馈控制信号，以实现单元机组的大范围运行．反馈控制器则采用模糊控制补偿负荷扰动所引起的单元机组的实际值与设定值的偏差．前馈控制信号与反馈控制信号相加后发出指令到单元机组完成负荷跟踪任务．仿真结果表明，该系统有较好的动态特性，能适应于机组大范围的负荷跟踪．     

基于关联函数的电网规划优度评价法

利用基于可拓数学中关联函数的优度评价法,对电网规划中的方案评价问题进行了探讨。文中考虑了投资费用、系统可靠性和对环境影响等因素,并利用层次分析法确定各因素的权重。对我国某地区实际供电网的多个候选方案进行决策分析,并与基于反馈外延的模糊决策方法进行比较。结果表明,优度评价法能很好地解决电网规划中的方案评价问题。     

基于大系统理论的高校科研创新团队知识创新过程管理

将大系统论应用于高校科研创新团队知识创新过程管理,阐述了高校科研创新团队内涵、结构及大系统特征,分析了高校科研创新团队知识创新管理的现状及存在的问题;建立了高校科研创新团队知识创新过程管理的大系统理论模型,并结合神经网络方法进行了实例分析.结果表明:基于大系统理论的高校科研创新团队知识创新过程管理模型能从高校科研创新团队知识创新的全局出发,定量地分析高校科研创新团队知识创新过程,提高了科研创新团队对信息的掌握、利用和分析能力,从而提高了领军人物对团队的预测、控制和决策能力.     

基于神经网络永磁直线同步电动机提升系统动态模型建立与仿真

永磁直线同步电动机（PMLSM）提升系统，在结构上，控制机理上均与传统的提升模式不同。电机存在着铁心开断、三相绕组分布不对称以及运行过程中参数变化较大等因素。采用理想的解析模型难以准确地反映该系统的运动特性。本文运用BP神经网络，建立了该系统的动态模型。侧重介绍了网络的学习算法，模型的构建、训练样本的获取、训练系数的选取等方法。仿真和实验结果表明，该模型比用解析法建立的数学模型更能逼真地反映出PMLSM提升系统的基本运动特性。对该系统的运行特性分析及控制策略的研究都具有实际的应用价值。     

探索机械智能CAD系统的可拓决策方法

研究基于可拓知识模型和决策模型的机械智能ＣＡＤ方法,它不仅能够表示和处理设计中的信息转化关系,而且能够利用物元变换理论进行复杂的辩证和求异推理,转化约束问题中的矛盾因素,从而为解决定量计算与辩证分析决策共存系统的优化设计,形成基于可拓决策的智能ＣＡＤ理论与方法。文中探索了可拓智能ＣＡＤ系统的研究内容与方法,并给出机械产品方案设计中可拓智能ＣＡＤ系统的结构模式。     

菱形思维的可拓神经网络实现

针对菱形思维过程 ,设计出一类可拓神经网络 ,通过网络的自学习功能 ,该模型可以使菱形思维过程较便利的实现 .对模型本身也进行了理论分析.     

可拓神经网络在可拓专家系统中的研究与应用

将可拓学理论、人工神经网络和专家系统技术有效地组合与集成,建立了基于可拓分析与神经网络的空中目标识别专家系统,并将其应用于防空作战指挥信息系统空中目标识别。着重阐述了基于物元的知识表示方法以及空中目标识别专家系统的设计思路、总体结构和工作原理。     

过程控制中的智能集成建模方法

针对复杂工业过程中广泛存在的对象难于辨识的问题,本文讨论了过程控制中的一类集成建模方法.通过研究铅锌冶炼过程的两个对象,分别建立了预测烧结块成分的集成模型和鼓风炉透气性模型.然后阐述了以神经网络为基础,结合其它方法的智能集成建模策略,这种方法由于充分利用了对象的各类信息,能够有效解决复杂对象的建模问题.     

基于模型的多尺度间歇过程性能监控

利用神经网络对间歇过程的非线性和动态特征进行描述,神经网络的预测残差则利用多尺度主元分析进行建模,将多尺度主元分析扩展用于间歇过程的监控.这一方法突破了传统多向主元分析单模型、线性化的建模方式,是一种多模型非线性建模方法.它利用小波将每一残差信号分解为各个尺度上的近似部分和细节部分,而主元分析则用于分别建立各个尺度上的统计模型.通过对实际工业链霉素发酵过程数据的分析,表明文中所提出的方法与传统的多向主元分析方法相比,能够更早地发现故障,获得更好的监控性能.     

基于模糊CMAC神经网络的过程辨识与优化

提出一种利用FCMAC(fuzzy cerebellar model articulation controller)神经网络进行工业过程的辨识和稳态优化方法。利用FCMAC神经网络的优点,基于系统的动态信息,在不干扰系统正常运行的情况下获得当前时刻下系统的稳态模型,并在此模型的基础上,对系统进行稳态优化。仿真结果证明了该方法的有效性与优越性。     

输入约束下的浮力调节式UUV变深控制

针对浮力调节机构约束下无人水下航行器(unmanned underwater vehicle, UUV)的变深控制问题,提出一种基于正交神经网络饱和补偿器的自适应动态面控制方法。首先,建立考虑执行机构动态特性的UUV数学模型。在此基础上,采用反步法和非线性跟踪微分器设计动态面控制器,同时引入线性扩张状态观测器(linear extended state observer, LESO)在线估计浮力变化与模型不确定性引起的干扰,继而在控制器中进行补偿。然后,基于正交神经网络设计饱和补偿器,并证明闭环系统所有误差一致最终有界。仿真结果表明,与现有的动态面控制方法相比,所提方法在浮力调节机构约束下,具有较好的动态性能与稳态精度。     

基于遗传算法的脉冲耦合神经网络自动系统的研究

Eckhorn等人提出的脉冲耦合神经网络(PulseCoupledNeuralNetwork,以下简称为PCNN)在图像处理中得到了十分广泛的应用,但是其多个参数的设置给实际应用造成了很大的困难。尤其是在图像分割中,不同类型的图像要求不同的分割参数,不同的参数对图像分割结果影响很大。而遗传算法具有对参数自动寻优的优势,为此,将其和PCNN相结合提出了一种基于遗传算法的PCNN自动系统的实现方案,并应用于图像分割。分割试验仿真结果验证了该自动系统方案的正确性和可信性,即不仅可以实现正确的图像分割,而且参数可以自动设置省去了人工试验的麻烦,同时分割速度也有所提高。     

基于循环神经网络的船舶航迹预测

在海事搜救、海关缉私等应用中,对目标船舶进行航迹预测是一个关键问题。为提高预测的精度和效率,提出了一种基于循环神经网络的船舶航迹预测方法,该方法包含数据预处理和神经网络预测两个部分。在数据预处理中,设计了一种基于对称分段路径距离的数据预处理方法,消除了大量冗余数据及噪声的影响;在神经网络预测中,构建了基于门控循环单元的循环神经网络模型,实现船舶位置信息精准且高效的预测。通过大量船舶自动识别系统数据进行了对比实验,实验结果证明了方法的实用性和有效性。     

机理混合自适应时延神经网络建模和控制算法

过程机理和数据驱动模型的结合一直是过程控制中的重点和难点问题。提出了一种新颖的机理混合模型结构。该模型基于自适应时延神经网络,并结合了被控对象的机理模型,因此可以对建模的对象进行预测感知,并可大幅提高神经网络的泛化功能。基于这种模型设计了预测控制算法,并分析了该模型的逼近能力、收敛性以及该控制算法的闭环稳定性。在双容水箱液位控制系统的大量实验结果表明,基于该混合模型的预测控制算法比现有算法具有更好的控制效果,从而验证了该混合模型的优越性。     

复杂过程对象混合建模策略的研究

提出一种面向复杂过程的混合建模策略并应用于精馏塔的建模。混合模型包含基于基本原理的简化机理模型和基于神经网络的稳态、动态补偿机构。通过工况的识别以及模型参数的离线辨识和在线优化，混合模型可以准确地模拟复杂过程在大范围内的动态特性。仿真结果证明了混合建模策略的有效性。