模糊粗糙神经网络的结构与参数优化

基于模糊粗糙隶属函数,建立了一种五层结构的模糊粗糙神经网络（fuzzy rough neural network, FRNN）,对神经元之间的连接,引入一个开关函数,从而把结构优化和参数学习问题转化为单纯的函数优化问题。提出一种混合智能优化算法（hybrid intelligent optimization algorithm, HIOA）用于FRNN的结构和参数优化,适应度函数同时考虑模型的精确性和网络的节俭性。典型的实验结果表明,FRNN适用非线性系统建模,相对于普通神经网络及其优化方法能获得更高的精度和泛化能力。     

基于汽车电子机械制动系统的EBD/ABS研究

采用电子制动力分配(EBD)实现了采用电子机械制动(EMB)后的汽车前后轴间制动力分配,提出了基于EMB的制动防抱死(ABS)模糊PID控制算法.在建立EMB模型及整车模型的基础上对三种典型工况下的制动过程进行了仿真研究.结果表明,通过EBD能实现理想的制动力分配,基于EMB的ABS能把各车轮的滑移率精确地控制在目标滑移率附近,具有较强的鲁棒性.     

基于模糊小波神经网络的BDI模型

为克服原有BDI模型可计算性差以及不能处理模糊问题的弱点,提出一种基于模糊小波神经网络(FWNN)的BDI模型,FwNN用神经网络来实现模糊化、模糊承诺和去模糊化的过程,并利用小波基函数作为模糊隶属函数,网络权值和隶属函数的形状均是可学习调整的.以一对一追逃问题为背景的仿真实验验证了模型及算法的可行性.     

一种混合噪声的模糊滤波算法

为了解决混合噪声图像增强中抑制噪声和保持边缘细节的矛盾,提出一种基于多级中值滤波和模糊加权均值滤波的图像模糊去噪方法.根据不同的区域,不同噪声,通过模糊推理,模糊合成多级中值滤波和模糊加权均值滤波的结果,在滤除混合噪声的同时,保留图像的边缘细节.根据实验结果,从客观和主观两方面比较了本算法和几种方法的效果,表明本方法有较好的抑制噪声,保持图像细节对比度的能力.     

串行线模糊生产控制系统的建模与优化

建立了串行生产线模糊控制系统的数学模型,详细描述了模糊控制器的设计,针对问题提出了一种贪婪算法用以解决系统的优化模型.经实例分析,与CONWIP、kanban及Local/Global Pull 混合系统进行比较,结果显示模糊生产控制系统不仅能够维持较低的在制品水平和存储费用,而且在订单投放的稳定性方面更是独具优势,提出的贪婪算法也能够满足系统设计的要求.     

基于混沌优化的模糊聚类分析方法

提出了基于混沌优化的模糊聚类方法(COFCM).COFCM将混沌优化策略与传统的模糊C-均值算法(FCM)相结合,用混沌变量搜索对模糊聚类目标函数进行全局寻优,同时结合梯度算子,使方法能有效收敛到极值点.以六组人工数据集和真实数据集作为实验数据,对聚类目标函数值、聚类有效性函数指标值进行对比实验,其结果表明COFCM能得到比FCM更好的目标函数值,从而有更好的聚类效果.最后将该方法应用于Lena图像进行图像分割,验证了方法的有效性.     

转向工况下的汽车制动防抱死控制的仿真研究

分析了汽车制动动力学,建立了转向制动工况下四轮仿真模型.进行了未安装防抱死装置(ABS)的转向制动仿真试验,结果表明车轮在制动过程中抱死且侧滑严重.建立了基于加权的纵向滑移率及其变化率和横向滑移率的Mamdani模糊控制器,并进行了转向制动仿真试验.制动距离和制动时间表明ABS不仅能减少制动距离,而且能够保持制动时的方向稳定性,说明基于模糊逻辑的ABS能够显著提高汽车的制动安全性能.     

无人机编队飞行模糊控制系统设计与仿真

将模糊技术应用于无人机编队飞行控制系统设计的研究中,在研究模糊控制理论的基础上,设计了无人机编队飞行控制系统,它包括无人机速度、高度和方向三个部分的模糊控制器.针对编队飞行特点确定相应规则和算法,实现了对编队飞行中无人机的稳定控制,仿真结果说明此模糊控制器优于传统控制器,验证了此方法的有效性和可行性.     

混合动力汽车机电复合制动控制系统研究

通过分析和研究混合动力汽车在低附着系数路面制动时制动系统的工作状态与要求,针对具有独立的电机回馈制动控制系统和独立的液压制动控制系统的混合动力汽车,设计了一种新颖的回馈制动与防抱死制动机电复合模糊控制系统.该两层分级控制系统顶层协调控制电机回馈制动与液压制动过程工况分配,底层协调控制力矩分配与调节.对控制策略与方法进行了研究并通过仿真与试验进行验证,结果表明车辆制动性能良好,能量回收制动力矩和液压制动力矩能够协同工作,部分制动能量被回馈储存,控制策略与方法有效且鲁棒性好.     

动态T-S递归模糊神经网络及其应用

提出了动态T-S递归模糊神经网络(DTRFNN).该网络具有全局收敛特性的递归结构;采用BP算法进行网络权值的学习;并利用Lyapunov定理证明该模型具有全局收敛性,并在此基础上提出了克服局部极小的方法.最后以动态系统的辨识为例,进行实验研究,取得了很好的效果,表明DTRFNN动态模型能很好的对动态系统进行辨识.