遗传算法改进神经网络的电力系统谐波检测法

提出了将遗传算法与神经网络结合起来用于电力系统谐波幅值与相位测量的方法。根据电力系统谐波的特点,构造了用于谐波检测的神经网络模型,阐述了网络训练样本的形成方法。借助Matlab提供的遗传算法与神经网络算法工具箱,先用遗传算法对前馈神经网络进行全局训练,再用BP(back-propagation)算法进行精确训练。仿真结果验证了该方法的有效性和可靠性。通过与传统BP算法测量谐波的方法相比较,该方法具有训练速度快,不易陷入局部极值,测量精度高的优点。最后用未训练的样本检测训练好的神经网络,验证了该网络同时也具有较好的泛化能力。     

参数在线模糊整定与递推积分PI控制的并联三相四线APF

针对传统的比例积分PI控制在有源电力滤波器电流跟踪控制中动态响应慢和补偿电流与实际补偿电流误差大而谐波补偿效果不理想问题,为了提高有源电力滤波器的谐波补偿性能,加快动态响应速度,提出了模糊调节参数在线整定与递推积分PI控制相结合的控制算法。设计的算法结合了递推积分PI控制对采样点误差逐个周期积分的特点和PI参数模糊自适应在线整定算法的优点,MATLAB仿真实验表明:本文方法比传统PI控制谐波含量降低了4.59%,证明了新算法的可行性与正确性。     

自适应DNA免疫算法在化工软测量中的应用

将T-S模糊模型与RBF神经网络相结合,构成T-S模糊RBF神经网络,提出了一种自适应DNA免疫算法优化设计T-S模糊RBF神经网络的规则后件参数的方法。该方法采用基于抗体浓度和克隆选择的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。将该方法应用于延迟焦化汽油干点的软测量建模,仿真结果表明了DNA免疫遗传算法在T-S模糊神经网络系统优化设计中的有效性,并可获得较高精度的模型。     

小波神经网络在电力谐波检测中的应用

电网谐波检测技术是影响有源电力滤波(APF)发展的关键技术之一。由于电网谐波具有固有的非线性、随机性、分布性、非平稳性和影响因素的复杂性等特征,对谐波进行实时准确检测较难,因此研究对电力系统中的谐波进行检测的方法非常重要。提出将小波和神经网络结合构成小波神经网络的谐波检测法,对小波神经网络进行了设计,仿真结果表明该方法能实时、精确地对电网谐波进行检测。     

基于模糊控制的有源电力滤波器电流控制研究

模糊控制技术在人工智能、自动控制以及模式识别等领域的研究与应用正方兴未艾。该文针对有源电力滤波器实际所发出的补偿电流与指令电流之间存在的误差,提出了电流环采用带自调整因子的自适应模糊控制器对补偿电流进行实时跟踪控制的方法。在分析了有源电力滤波器的控制目标后,并结合有源电力滤波器的非线性结构特点,研究了该模糊控制器的结构以及模糊控制器的实现。最后利用Matlab中的Simulink软件包,对带有整流负载的单相电网系统进行建模,仿真,仿真结果验证了该智能控制方法具有良好的谐波抑制性能。     

一种改进的模糊调节神经网络及其应用

针对具有相同激励函数的隐层神经元非线性表达能力较差的情况,提出了一种改进的模糊调节神经网络,并利用遗传算法进行训练。该模糊调节神经网络包括模糊神经网络和三层前馈神经网络2部分,通过模糊神经网络间接调整前馈神经网络隐层激励函数参数,并用遗传算法同时对模糊调节神经网络的权值和模糊神经网络参数进行训练,从而增强了网络的表达能力。将模糊调节神经网络用于非线性量化因子模糊控制器参数的整定仿真结果表明,改进的神经网络比传统的神经网络拥有更大的自由度,具有更强的非线性表现能力,从而使非线性量化因子模糊控制系统具有更好的控制性能。     

一种基于神经网络的自适应谐波电流检测法

根据信号处理中的自适应噪声抵消技术，提出了一种基于神经网络的自适应谐波电流检测方法。该方法适用于有源电力滤波器。仿真结果表明了这种谐波电流检测方法的有效性。     

谐波对电力参数测量影响的研究

研究了电力参数常用测量仪表的频率特性,分析了常用仪表在谐波环境下的工作状况,在此基础上找出了谐波对电力参数测量影响的要害所在,提出了谐波环境下电力参数分频测量的观点.     

基于模糊神经网络的球团密度在线测量

提出了一种在线测量球团密度的新方法．该方法以模糊神经网络技术为基础,综合考虑制团过程各因素对球团密度的影响,建立起球团密度的软测量模型．在软测量模型中,采用模糊神经网络模型描述球团密度变化的非线性过程,并提出了一种改进的模型辨识算法,利用减法聚类法确定合适的聚类组数目,并用实数编码的遗传算法优化全局参数,从而获得了结构简单、具有较高精度的模糊神经网络软测量模型．根据此方法,设计了测量装置,并进行了现场试验,试验结果表明软测量模型输出与实验室测量值基本一致,平均误差较低且最大误差未超过0．05g／cm^3．     

串联混合型有源滤波器的模糊免疫PID控制

将模糊PID控制和免疫调节机理相结合,设计了一个用于串联混合型有源电力滤波器的模糊免疫PID控制系统。通过MATLAB/S imu link软件仿真,仿真结果表明:设计的新型模糊免疫PID控制器可以滤除谐波,完成抑制谐波的作用,并且与传统方法相比具有一定的优越性。     

一种新型的动态模糊神经网络控制器

基于前向模糊神经网络ＡＮＦＩＳ提出了一种新型的动态模糊神经网络（ＤＦＮＮ）,将模糊逻辑,神经网络和ＰＩＤ控制器三者的优点有机地融合在一起。通过在ＡＮＦＩＳ的归一化层和输出层之间加入递归层,构成了动态模糊神经网络（ＤＦＮＮ）,并推导了基于ＢＰ的反传学习算法,与ＡＮＦＩＳ和ＰＩＤ控制器相比,ＤＦＮＮ具有更好的控制效果。ＤＦＮＮ的参数具有明确的物理意义,可根据专家的经验选择初值,加快了网络的收敛速度,由     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

基于滑动窗DFNN的含有复杂条款认股权证定价模型

将Black-Scholes模型与动态模糊神经网络相结合,构建一种含有复杂条款的认股权证定价模型.通过设定一定长度的滑动窗来保持采用固定长度的数据进行模型结果参数调整,同时采用动态调整前提参数策略,确保定价模型的泛化能力.以我国权证市场中认股权证阿胶EJC1为例进行分析,结果表明,提出的定价模型与RBF模型相比准确性较高,并且对权证价格走势判断较为准确.     

基于密度聚类的模糊神经网络和CHP分解过程建模

针对基于样本数据的复杂系统建模问题,提出了基于密度聚类的模糊神经网络(DFNN)的建模方法,研究了利用密度聚类原理提取数据样本的内在规则的理论和方法,提取的规则能较好地反映样本数据输入输出的对应联系,根据提取的规则给出了模糊神经网络的模型结构.本文以化工生产过程过氧化氢异丙苯(CHP)分解反应过程为对象进行仿真建模,结果显示在模型精度和可靠性上均优于基于c均值聚类提取规则的模糊神经网络模型(CFNN).     

一种新的基于DFNN的时间序列预测

对时间序列预测, 利用自回归移动平均模型(ARIMA)给出了一种新的基于动态模糊神经网络(DFNN)的模型, 该模型中主要是考虑了输出误差这个重要因素. 将ARIMA模型产生的非线性特征用DFNN模型模拟. 能够产生比DFNN和ARIMA单个模型更加精确的模型. 因此, 它可以作为一个适当的替代模型来预测任务,特别是当需要更高的预测精度的时候. 最后用Mackey-Glass时间序列验证了模型的有效性.     

一种基于动态模糊神经网络的飞行数据模型辨识方法

针对飞行数据的特点,提出了一种基于动态模糊神经网络(DFNN)的飞行数据模型辨识方法。该方法采用在线学习方式,通过动态增加和删除神经元节点的策略实现网络结构学习,采用递推最小二乘法实现网络权值的在线调整,以最终得到一个结构简单、泛化能力强的神经网络。以某特定时间段的飞参数据为仿真样本,将该DFNN用于参数关联模型的辨识,实验结果表明该辨识方法收敛速度快、泛化能力强。     

基于SVD_TLS及EKF算法的动态自组织模糊神经网络

提出了将奇异值分解总体最小二乘法(SVD_TLS)及扩展卡尔曼滤波(EKF)相结合的动态自组织模糊神经网络.首先给出了STD_DSFNN的结构及各层的含义;其次,用EKF算法学习非线性参数,SVD_TLS算法学习线性参数的同时提取重要模糊规则;最后,通过典型的Machey-Glass时间序列预测实例验证SVD_TLS及EKF相结合的动态自组织模糊神经网络(STE_DSFNN),同时与DFNN、ANFIS及UKF_DFNN相对比,结果表明STE_DSFNN网络结构更紧凑,具有更好的泛化能力.     

用于机器手控制的动态模糊神经网络

为解决模糊控制中存在的区域界定问题,将神经网络与模糊控制相结合,提出了一种新的模糊逻辑与神经网络相结合的动态模糊神经网络机器人控制方案(DFNN),并利用采样数据在线动态构造模糊神经系统.仿真结果表明,DFNN系统地很好地克服机器人系统中存在的非线性、不确定性、强耦合等因素的影响,控制效果好,为工业机器人控制提供了一种新的解决方案.     

混沌动态模糊神经网络及变压器故障诊断的应用

提出一种结合动态模糊神经网络和混沌优化算法的故障诊断方法,将混沌变量引入模糊神经网络结构和参数的优化搜索.利用混沌优化的动态模糊神经网络建立变压器故障诊断模型,此模型不仅能对模糊规则而且能对输入变量的重要性做出评价,从而使得每个输入变量和模糊规则都可根据误差减少率进行修正.仿真结果表明,混沌动态模糊神经网络算法精度高、迭代步骤少、收敛快,对识别和预测变压器状态具有较高的精度和效率,并可方便有效地应用到其他领域.     

木材染色颜料配方预测模型

 木材颜色是决定消费者印象的重要因素,为了提高木制品的装饰作用和产品价值,要对木材及木质材料进行着色。将计算机配色的方法用于木材染色中,能加快染料配方生成的速度并将极大地提高工作效率、节约成本。本文研究了一种运用动态模糊神经网络建立的木材染色颜料配方预测模型,所谓的“动态”是指模糊神经网络的网络结构不是预先设定的,而是动态变化的,即在学习开始前,没有一条模糊规则,其模糊规则在学习过程中逐渐增长而形成的。在论述建模方法的基础上,对算法中的学习规则和参数确定进行了研究。模型为三输入三输出系统,输出就确定为活性艳红X-3B、活性黄X-R、活性蓝X-R的浓度值,输入为色差,该模型预测相对误差为0.52%,训练时间为128s,结果比较令人满意。这种方法为木材染色配色提供了一种新的途径,同时也为其理论在配色系统中的应用提供了新的思路,具有一定的理论研究价值和实际应用价值。