基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.     

分阶段建立发酵过程模型的方法的研究和应用

为了建立精确的微生物发酵过程数学模型,在标准回归型支持向量机（SVM）的基础上提出了动态ε-SVM方法,即不同样本使用不同的ε。进而,提出了将自组织特征映射聚类（SOFM）和动态ε-SVM回归相结合的建模方法。该方法首先利用SOFM神经网络对样本进行聚类,达到划分发酵阶段和建立局部模型的目的,然后应用动态ε-SVM方法对各类样本进行回归建模。实验结果表明,使用该方法建立的青霉素发酵过程模型具有较高的拟合和泛化能力。经过比较,该方法建立的模型比其它SVM方法建立的模型具有较强的泛化能力。     

模糊SOFM网分类方法及其在水稻机械 生产方案分类中的应用

将模糊理论与自组织特征映射(Self-organizing Feature Map)网络相结合，构造出一种新的分类模型——模糊SOFM模型。模糊SOFM模型即利用了模糊理论解决不确定性问题的特性，又利用自组织映射特征网络具有较强的自学习、自适应能力、容错能力和模式识别能力的优点，能非常好地解决模糊或不确定系统中的多对象在多指标下的分类问题。实例结果表明，用模糊SOFM分类方法进行分类具有稳定、结果可靠等特点。图2，表3，参4。     

基于模糊控制的高速车辆横向半主动悬挂仿真

在对铁道车辆横向半主动悬挂现有控制方法分析和比较的基础上,提出了基于阻尼A的自组织模糊控制,开发了高速电磁开关阀可变阻尼减振器,基于该模糊控制器来调节该减振器阻尼,使其对车辆运行工况的变化具有自适应能力。利用ADAMS软件建立高速铁道车辆的横向振动模型,将其输入到Simulink下进行仿真研究。仿真结果表明:与被动控制相比,自组织模糊半主动控制在各运行速度上都能够有效衰减车体振动,显著提高车辆的乘坐舒适性和平稳性。     

新型模糊神经网络控制器的设计及应用研究

讨论自组织竞争网络优化模糊神经网络的设计及应用研究。该设计方法运用自组织竞争神经网络（SCNN）来优化模糊神经网络结构,并采用遗传逄法来训练模糊神经网络的连接权参数,获得同时具有最佳结构和模糊神经网络（FNN）,船舶操纵的仿真结果表明此法明显优于传统的PID控制器。     

模糊SOFM网分类方法及其在农业中的应用

将模糊理论和自组织特征映射（ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ ｆｅａｔｕｒｅ ｍ ａｐ， ＳＯＦＭ）网络相结合，构造出一种新的分类模型——模糊ＳＯＦＭ 模型．模糊ＳＯＦＭ 模型既利用了模糊理论解决不确定性问题的特性，又利用自组织映射特征网络具有较强的自学习、自适应能力、容错能力和模式识别能力的优点．能非常好地解决模糊或不确定系统中的多对象在多指标下的分类问题．实例结果表明用模糊ＳＯＦＭ 分类方法进行分类具有稳定、结果可靠等特点．     

模糊神经网络自学习控制器及其应用

本文提出了一种模糊神经网络自学习控制方法，并介绍了采用多层神经网络表达模糊控制的知识规则、模糊推理和学习算法。经实验仿真结果表明这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性能优于一般模糊控制。     

基于改进T-S模型的模糊辨识算法及其应用

热工过程往往具有非线性和不确定性,用传统的描述热工过程动态数学模型的方法(如传统函数等)难以建立非线性模型,从而难于精确表达热工过程及实施整体优化控制。该文提出了一种基于改进T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间的划分,在此基础上利用加权递推最小二乘法(WRLSA)建立热工过程的T-S模型。仿真结果表明基于改进T-S模型的非线性模糊模型,不仅能精确地描述过程的非线性,而且算法简单、快速。     

基于改进WNN的随动负载模拟器研究

为了抑制随动系统负载模拟器的多余力矩对力矩加载性能的影响,提出了一种基于改进的自学习函数扩展小波神经网络智能控制器。该控制器在误差大时采用Bang-Bang控制,误差小时采用基于函数扩展的小波神经网络和模糊补偿控制;同时采用基于改进的差分演变算法来估计控制器的参数;考虑到计算复杂度和控制系统性能,设计了隐含神经元数目的自学习算法。系统仿真实例结果表明,动静态响应性能均达到双十指标,该控制策略具有可行性和合理性,可以提高该系统力矩加载的跟踪性能和控制精度。     

基于自组织调整因子的模糊PID控制器设计

实际工业过程往往是非线性、时变性、其结构参数不确定的系统。提出一种基于自组织调整因子的模糊PID控制器：采用归一化加速度参量来反映系统响应的快慢,引入变论域思想,构建模糊PID控制器的自组织调整机构。该机构根据系统输入输出误差,以归一化加速度参量在线辨识系统运行的不同阶段,动态调整模糊PID控制器的量化因子和比例因子,以改变模糊PID控制器输入输出变量与模糊子集的映射关系,使论域产生伸缩变化,以调节控制器的微分、积分控制作用。仿真结果表明：该自适应模糊PID控制器具有较大的动态调节范围,其动静态性能、鲁棒性、抗干扰能力均优于PID和常规模糊PID控制器。     

一种PID型模糊神经网络控制器

为了使一种基于两维控制规则基的PID型模糊控制器具有参数在线学习功能，提出了一种包含一个自回归神经元的五层模糊神经网络，并根据梯度下降法，给出了它各权值的修正算法，该网络可以在反馈控制系统中作为一个自学习控制器来使用，最后，根据有关定理，给出并证明了该网络各层权值学习速率的收敛准则。     

基于粒子群优化模糊神经网络的高技术知识创新评价

针对高技术知识创新非线性、不确定性、时变性的特点,建立了评价指标体系|结合粒子群优化算法,提出了一种改进的模糊神经网络评价模型。该模型能够进行多个并行时变模糊神经网络组合算法,这些算法通过进化预置网络的连接权值、阈值和补偿参数,实现网络的学习和精确推理。通过仿真应用,证明了此种模型结构与算法适用性好,便于计算机实现,且全局收敛能力、收敛速度和泛化精度等性能均优于原先的学习算法。     

基于遗传预估策略的智能主动队列管理

针对TCP传输过程中的典型时滞特性,提出了一种智能主动队列管理算法.该算法以自学习预估机制模型为核心来克服大时滞特征对网络稳定性能的影响,拥塞控制系统以两条信息通道分别实现模型补偿和预测控制功能.模型补偿通道采用了Smith预估嚣实现对网络时滞特征的动态补偿,并进一步设计迭代进化算法实现对Smith预估模型未建模特征的估计过程.预测控制通道采用基于神经网络的PID智能丢弃算法,通过神经网络的学习预测功能自适应调整预测控制通道的控制行为.通过仿真研究表明了提出的控制方法显著提高了拥塞控制机制的稳定性能和自适应性能.     

复杂工业过程中分布式免疫控制算法的研究

针对工业过程中子系统同构异参难以控制的问题,提出了一种获取控制规则的方法。该方法效仿人工免疫网络维持免疫应答稳定平衡的机理在线学习不同操作工人的控制经验,通过免疫进化和学习来优化已有的控制经验,并对该算法进行了初浅分析,且应用于生物发酵罐的温度控制。仿真和实验表明:该算法具有分布学习的能力,控制效果优于手工控制,能够较好的解决同构异参过程控制问题。     

自适应T-S型模糊径向基函数网络

针对T-S型模糊推理系统的模型参数辨识问题,充分利用模糊推理系统的可理解性与神经网络的学习能力,提出一种自适应T-S型模糊径向基函数网络。为设计满足精度要求的最小结构神经网络,在对网络学习动态进行分析的基础上,给出了网络拓扑结构的动态构造学习算法。在不需要任何先验知识的情况下,能够根据任务复杂度和学习进度进行网络隐层节点的自适应增加、合并和删除操作。将该网络应用于非线性函数逼近问题,取得较好的效果。     

带推力矢量空空导弹的神经网络控制与仿真

对于新型空空导弹为了使导弹获得更高的的机动性、敏感性和更高的导引精度，大多采用推力矢量控制方案，因为神经网络控制对于系统非线性变化具有很强自适应能力，因而在解决带推力矢量空空导弹的控制问题时有较明显的优点，本文在给出推力矢量空空导弹数学模型的基础上，提出了两种适用于带推力矢量空空导弹的神经网络控制方案，并采用其中的双网络逆动态学习控制方法进行了自动驾驶仪设计，为进一步改善该神经网络的学习效果。还引入基于学习经验的模糊规则。数字仿真表明所提出的神经网络控制对于系统内参数非线性变化具有很强的适应性。     

一种模糊神经网络控制系统研究

针对被控过程的非线性、时变性和复杂性,提出了一种模糊神经控制器与动态辨识器组成的控制系统。该系统的控制器采用模糊神经网络控制器,它的控制参数采用遗传算法全局离线优化对BP算法局部在线调整相结合的混合方法;该系统的辨识器采用变形Elman动态神经网络进行系统辨识。给出了该系统的结构、原理及工作流程,通过仿真实验证明该系统的可行性和有效性。     

DC-DC变换器的模糊神经网络控制方法研究

提出了一种新型的模糊神经网络串联式结合方式。这种串联型模糊神经网络具有模糊控制的结构简单、使用方便的特点，同时又利用了人工神经网络的聚类功能，使整个控制器又具备人工神经网络的自学习能力。仿真试验表明该控制方法对于复杂的全桥式串联共振型DC—DC变换器具有良好的控制效果，整个模糊神经网络控制器的设计过程不仅避免了传统控制器的繁琐的参数调节过程，而且又避免了传统模糊神经网络控制器设计的复杂性。     

基于泛函网络的组合推荐算法

在研究组合算法的基础上，提出一种基于泛函网络实现前融合推荐算法. 探讨Vague集条件下推荐算法的前融合问题，给出了基于泛函网络构架实现前融合组合推荐算法的一般过程. 通过推荐系统泛函拓朴结构的建立，利用泛函神经元的自学习、自组织和自适应能力，进一步优化推荐结果，较大地提高了系统的推荐准确度. 最后，将算法应用于Movielens推荐系统中，计算机仿真实验结果表明，本文提出的基于泛函网络实现前融合推荐算法是有效的、可靠的.