基于模糊神经网络的道路毁损程度评价方法

为深入研究道路毁损程度评价问题,将模糊理论与人工神经网络技术结合起来,提出了基于模糊神经网络的道路毁损程度评价方法。确定道路毁损程度评估的3个指标,并通过样本学习训练,获取评价专家的经验知识和直觉思维。将训练好的网络用于316国道震后某路段的毁损程度评估,并与已有评价方法的评估结果相比较。结果表明,采用模糊神经网络对道路毁损程度进行评估可降低评价过程中的人为因素影响,保证评价结果的客观性,提高评估效率。     

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.     

桥梁承载能力状态评估的模糊神经网络推理方法

在综合现有的状态评估理论方法的基础上,提出了基于层次分析的承载能力状态评估模型.结合模糊理论和神经网络技术,建立了一套基于监测信息输入的模糊神经网络推理系统框架,并利用模糊规则生成的规则库作为神经网络训练和学习的样本.利用实例验证了采用此智能评估技术进行承载能力状态评估的可行性和实用性.     

船舶航向在线自学习智能控制方法

为更快更好地控制船舶在预定航线上航行,提出一种船舶航向在线自学习模糊神经网络智能控制方法.模糊子集处理船舶控制中的不确切信息,通过神经网络训练模糊推理系统中的参数,旨在把模糊推理和神经网络融合,使船舶航向智能控制器具有在线自学习功能.该方法能实时控制风流扰动下作为非线性时变系统的船舶而无须依赖船舶运动数学模型.模拟试验结果表明,即使在有环境扰动情况下,该方法也能很好地控制具有很大惯性船舶的航向.     

改进型补偿模糊神经网络故障诊断系统

在模糊逻辑与神经网络融合的基础上,引入补偿运算单元,构成补偿模糊神经网络,使网络从初始定义的模糊规则进行训练,再动态的优化模糊规则,提高网络的容错率和稳定性.针对网络训练的不同阶段对学习速率的不同要求,提出一种具有分段可变学习速率的补偿模糊神经系统,可以提高网络的整体性能,实现动态的、全局优化的运算.故障诊断仿真研究表明:模型具有更好的收敛特性,能够大大的缩短训练时间,减少训练步数,提高误差精度.     

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

智能压路机压实模糊神经网络控制及仿真

将模糊系统与神经网络相结合,提出了一种由模糊化层、模糊推理层和清晰化层组成的模糊神经网络结构,并将其用于智能压路机压实控制.针对振动压路机的压实性能要求,采用钟型函数作为隶属度函数,通过计算规则重要度来提取模糊推理层规则群中比较重要的规则,运用补偿模糊神经网络的学习算法解决参数的自动调整问题.把工程实践中得出的模糊控制规则表作为训练模糊神经网络的样本,仿真结果表明该模糊神经网络控制器具有在误差限度范围内的泛化能力.     

质量控制图中趋势模式的综合识别方法

提出了一种综合模糊技术与神经网络技术对基于控制图的趋势模式进行自动分类识别的智能方法 .将控制图作为信息图用于趋势模式的提取 ,用模糊化的控制图模式数据构造训练集 ,将训练后的BP神经网络用来对趋势模式进行自动分类识别 .该方法为工序状态异常模式识别提供了一种新的方法 ,提高了工序异常状态分类识别的效率和可靠性 .最后用实例进行了仿真实验     

基于模糊加权有色网和BP神经网络的飞机发动机故障诊断

针对传统知识推理故障诊断方法中参数往往依赖于专家经验,存在着不准确和无法学习的问题,提出了一种基于模糊加权有色网和BP神经网络的故障诊断方法。首先,定义了模糊加权有色网并给出了两种产生式规则对应的模糊加权有色网模型。然后,设计了采用BP神经网络对模糊加权有色网各参数进行学习的算法。最后,给出了使用训练后的各参数进行初始化的模糊加权有色网进行故障推理的具体步骤。通过飞机发动机故障诊断实例仿真实验证明了方法能正确地建立模糊加权有色网推理模型,在采用BP神经网络进行参数训练后,能有效地实现飞机发动机的故障诊断。     

基于模糊神经网络进行数据挖掘的一种算法

通过对模糊神经网络和训练样本的构造,训练模糊神经网络使其达到一定的精度要求后,对网络进行裁剪.在网络隐层的激活和聚类后,提取规则的步骤,从而实现在数据库中获取有效知识的目的,并在应用中进行了仿真,验证了算法的有效性.     

多变量模糊控制系统的前馈解耦

为实现多变量模糊控制系统的动态解耦，基于前馈解耦思想和神经网络理论，提出了一种多变量模糊控制系统解耦的新方法——模糊前馈解耦法,模糊控制器和解耦部分独立设计，解耦由两层神经网络实现，节点少，其活化函数采用分段线性函数．利用简化的学习算法，根据系统输出误差，在线调整网络权值，从而实现动态解耦而无需辨识被控对象的模型，该方法结构简单且计算量小，适于实时多变量过程控制，仿真证明了该方法的有效性。     

融合阴阳补偿理论的软计算故障诊断方法

应用软件计算方法,融合模糊理论,神经网络和遗传算法的优点,结合阴阳补偿理论设计一种用于柴油机振动故障诊断的新方法,该方法补了单独使用模糊方法或人工神经网络方法存在的规则数多和收敛速度慢等不足,其中推理系统采用的是模糊神经网络知识发现系统FNNKD（fuzzy neural network with knowledge discovery),应用该系统虽然花费的训练时间较长,但通过训练得到的系统参数可以达到全局最优,应用时,识别精度高而计算复杂度较低,通过CA10B汽车变速箱齿轮和轴承故障振动试验验证了该方法的可行性。     

一种神经网络分类器样本数据选择方法

为了提高神经网络分类器的性能,提出一种基于阴影集的训练样本数据选择方法．在阴影集的基础上提出核数据和边界数据的概念．首先通过模糊c均值聚类（FCM）获取样本数据的最优模糊矩阵;然后诱导出相应的阴影集;样本数据结合阴影集构造核数据和边界数据;最后在核数据和边界数据中进行数据选择．利用该方法,结合Iris数据集分别对BP网络、LVQ网络和可拓神经网络（ENN）等分类器进行实验研究．结果表明：该方法能够保留典型的样本,减少训练样本数据的数量;利用该方法所选择的数据对神经网络分类器进行训练,保证了分类器的泛化能力,节约了训练时间,有效提高分类器的性能．     

基于粗糙集的模糊神经网络在故障诊断中的应用

文章将粗糙集理论、模糊逻辑推理和神经网络等方法相结合,提出一种基于粗糙集的模糊神经网络理论的复杂机械的故障诊断方法。该方法应用模糊逻辑推理建立故障诊断决策表,采用粗糙集理论对故障样本数据属性约简,将获取的主要特征属性输入到神经网络中进行训练学习,然后把检测数据输入到诊断系统中进行检测。检测结果表明,该方法在船舶柴油机的故障诊断中是有效的。     

基于Q-学习的卫星姿态在线模糊神经网络控制

将模糊神经网络控制引入到三轴稳定卫星的姿态控制中,结合Q-学习和BP神经网络来解决模糊神经网络参数在线调整问题,在无需训练样本的前提下实现控制器的在线学习. 仿真结果表明,这种基于Q-学习的模糊神经网络控制不仅可以满足对姿态控制精度的要求,还有效地抵制了外界干扰,提高了姿态稳定度,对卫星的不确定性有较强的鲁棒性.     

天气数据模糊化处理对神经网络短期负荷预测模型的影响研究

介绍了一种简洁实用的基于模糊集的神经网络电力系统短期负荷预报方法,计及了天气和日期特征量．应用模糊集理论将天气和日期特征量模糊化后作为BP神经网络的一部分输入进行训练,同时考虑实际历史负荷数据构造了短期负荷预测模型,预测未来24h负荷．通过典型算例与普通BP方法预测结果相比,表明该方法是有效的并具有较高的预测精度．     

漏钢预报系统中温度数据的预处理

漏钢预报是保证冶金连铸生产安全高效的关键环节，本文提出了一种新的温度数据预处理的方法，通过在基于模糊神经网络的漏钢预报系统中的成功应用，已经充分证明该方法不仅能优化网络的结构与参数，而且大大提高了系统的预报精度与速度。     

数据挖掘和神经网络技术的电力工程造价应用

提出了一种采用数据挖掘技术和神经网络方法预测和审查电力工程造价问题的模型,应用数据挖掘技术进行数据预处理、属性优选和聚类得到模糊规则,并用改进的BP(back propagation)神经网络模糊系统构建了电力工程造价的预测方法。通过对某市送电线路历史工程样本训练和实例样本计算分析,得到了较好的计算结果,验证了该方法的预测准确性和收敛性,显示了该方法在电力工程造价预测和审查中的有效性。     

基于知识的模糊神经网络临床路径变异分析方法

探索了基于Mamdani、Takagi Sugeno模型的模糊神经网络,以及BP神经网络在临床路径控制中的应用.提出了基于知识的模糊神经网络临床路径变异分析方法,以骨肉瘤化疗临床路径肝中毒变异为例进行了实例验证.分析了几种方法的有效性以及各自的优缺点.结果表明,在处理临床路径变异方面,基于知识的模糊神经网络与标准的BP神经网络相比,具有明显的优越性.     

基于自适应神经网络集成的电子设备故障预测方法

为了实现装备的主动维修,针对电子设备故障预测问题,提出了一种基于自适应神经网络集成(ANNE)的电子设备故障预测方法。首先利用FCM 聚类算法生成个体网络训练样本,从而确定了神经网络集成的规模。ANNE 根据故障序列样本与个体网络训练样本的相似度动态调整权值,自适应神经网络集成根据装备故障历史数据建立故障预测模型,根据当前时间预测故障间隔时间。仿真实例证明,该方法对平稳的故障间隔时间数据进行故障预测的精度较高。