基于多层递归模糊神经网络的间歇过程批次间优化控制

针对间歇过程,基于多层递归模糊神经网络和混沌搜索实现了终点产品质量的批次间迭代控制策略,并在此基础上提出了间歇过程温度控制的批次间迭代控制策略。多层递归模糊神经网络被用于间歇过程对象建模,混沌搜索用于过程建模和优化计算。由于存在模型误差和未知干扰,基于模型所计算出来的最优控制输入在实际运用到对象上后并不是最优的。利用间歇过程的重复特性,根据以前批次的模型预测误差来修正模型预测,并据此计算下一批次的最优控制输入。随着批次的进行,跟踪误差逐渐减小。仿真实验验证了该方法的有效性。     

一种改进的灰色BP神经网络光伏出力预测方法

光伏出力的准确预测对于光伏发电系统的大规模应用具有重要意义。针对光伏出力预测描述自然规律困难及传统灰色模型预测精度不高等问题,提出了一种基于改进的灰色BP神经网络光伏出力预测方法。利用模糊c均值聚类(FCM)的方法将数据分类,选择与预测日最为接近的一类作为样本,利用灰色GM(1,1)预测模型得到预测数据。将灰色模型预测结果与相对应的日最高、最低温度作为BP神经网络的输入,以对应的实测数据为输出训练得到最终的预测模型。采用江苏某光伏电站的实测数据验证,结果表明该模型在预测精度上有一定的提升。     

模糊神经网络用于非线性系统模型辨识(英文)

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于模糊卷积神经网络的大数据分类挖掘技术

关联规则约束下云服务组合大数据挖掘容易出现邻阶干扰,数据挖掘的聚类性和抗干扰性不佳。为提高云服务组合大数据挖掘能力,提出一种基于模糊卷积神经网络的大数据分类挖掘技术。采用连续模板匹配技术进行大数据的分布式数据结构分析,结合匹配相关检测方法进行云服务组合大数据的信息融合处理,对高维融合数据进行频繁项检测和关联规则特征提取;对提取的云服务组合大数据的关联规则采用模糊卷积神经网络分类器进行属性分类,结合特征压缩方法对分类输出的云服务组合大数据进行降维处理;采用模糊聚类方法实现对云服务组合大数据的分类挖掘。仿真结果表明:采用该方法进行云服务组合大数据挖掘的聚类性能较好,在挖掘精度和抗干扰性能表现方面具有优势。     

基于神经网络房地产价格指数的预测研究

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

基于神经网络房地产价格指数的预测研究(续)

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

基于有效预测区域的模糊数据关联

多目标多传感器跟踪系统由数据关联和目标状态估计两部分组成,数据关联是多目标跟踪系统研究的核心。数据关联和目标状态估计两部分既有一定的独立性又有密切的联系,而将两部分合理地结合对提高跟踪系统的性能是重要的。该文以跟踪目标的有效预测区域为依据,利用基于Mahalanobis距离的模糊均值聚类方法解决数据关联问题,在一定程度上将数据关联和目标状态估计两个不同的过程相结合,仿真计算说明了其有效性。     

神经网络多模型软测量技术及应用

基于多模型思想,采用模糊聚类的方法对软测量数据进行了分类,对每类数据基于神经网络(NN)建模,采用RBF神经网络构造了每个数据样本的隶属度,将各模型输出的数据进行隶属度加权求和得到最终的软测量输出,并对某催化重整生产装置催化剂再生器氧含量进行了建模研究,获得了满意的结果。     

感应电机的智能控制及其DSP实现研究

在分析感应电机数学模型的基础上,提出了一种基于免疫遗传算法（IGA）的递归模糊神经网络（RFNN）控制器的设计方法,并应用于交流感应电机双闭环矢量控制系统中的转速控制器中,对感应电机实现精确的速度控制。为满足控制运算实时性的要求,采用高速数字信号处理器（DSP）作为速度控制与运算单元,成功完成了递归模糊神经网络控制器的DSP实现。实验结果验证了该控制器的可行性。     

灵巧机械手变负载误差控制与优化

鉴于变负载对灵巧机械手精度影响的问题,基于D-H参数连杆坐标系,建立灵巧机械手系统的运动学模型,求解灵巧机械手末端位置的运动学方程,研究关节在轨迹规划前提下的位置及速度曲线,分析变负载对机械手末端精度的影响,求解变负载对灵巧机械手末端精度的误差模型,在变负载对末端精度及速度的影响下得出灵巧机械手在变负载作用下的误差曲线,通过基于粒子群算法的PID控制器对其进行误差优化。仿真结果表明:基于粒子群的PID控制器对变负载引起的误差进行优化补偿,为灵巧机械手变负载的进一步研究提供了理论基础和依据。     

Spark平台下基于优化BP神经网络模型的接触疲劳剩余寿命预测

针对海量监测数据背景下传统方法难以实现对机械装备/零部件状态的可靠诊断与预测等问题,以自主研发的滚动接触疲劳试验装备为依托,提出了一种Spark平台下基于优化BP神经网络模型的接触疲劳剩余寿命预测方法。引入基于指数衰减的周期性学习率改进BP神经网络优化模型,结合并行化技术构建了Spark平台下基于优化BP神经网络的接触疲劳剩余寿命预测模型。结果表明:基于Spark的优化BP神经网络模型能够实现剩余寿命预测,相比传统BPNN模型和SVR模型,预测精度分别提高了4.67%和9.18%,均方根误差分别降低了0.122和0.708,且模型具有更快的收敛速度。     

云计算中基于群体智能算法的大数据聚类挖掘

为了提高数据挖掘的精度和效率,提出了一种基于群体智能算法的大数据聚类挖掘算法。首先对聚类算法中的模糊C-均值聚类算法进行分析,然后将亚启发式群体智能优化技术中的混合蛙跳算法与模糊C-均值聚类相结合,以便在调整的参数少的条件下优化全局搜索能力。仿真实验结果显示:相比其他聚类挖掘算法,提出的算法能解决局部陷阱问题,具有较好的聚类效果、准确率和收敛速度,同时算法的稳定性较高。     

多级离散模糊神经网络稳定性的优化算法

针对模糊集理论在建模中对变化的外部环境适应能力差,以及基本神经网络模型不容易获得模糊集之间关系等问题,提出了一个具有基本模糊推理系统“IF-THEN”规则的多级离散模糊神经网络模型。分析了该模型的基本稳定性条件,并使用硬C均值聚类方法获得数据集之间的关系,采用遗传算法优化了该模型。最后通过计算机仿真验证了该模型的有效性。     

半主动空气悬架的神经模糊控制

以带附加气室容积可调空气悬架的整车为研究对象,首先建立附加气室容积可调空气弹簧模型,并将该模型以弹簧力形式引入整车,然后设计以平顺性指标为主导地位的综合目标函数及约束条件。采用改进遗传算法对该目标函数进行逐段优化,同时得到不同工况下前悬架和后悬架模糊控制器的最优输出数据。最后将该输出数据作为导师信号供神经网络学习,从而建立整车半主动空气悬架的T-S型神经模糊控制器。仿真结果表明:在不同行驶工况下,相比被动空气悬架,采用神经模糊控制的半主动空气悬架的行驶平顺性显著提高,且满载时的改善效果优于空载。     

基于模糊RBF神经网络的柴油机电液调速控制方法

介绍了电液调速执行器的动态特性,设计了电液调速控制回路,实现了模糊RBF神经网络对柴油机油门执行器位置的控制。将一种基于模糊RBF神经网络的PID控制器应用于柴油机调速控制中,详细说明了模糊RBF神经网络控制器的设计过程,它结合了传统PID以及神经网络和模糊控制的优点,可以在线调整得到一组最优的PID控制参数。仿真结果表明该系统比传统模糊控制的响应速度快、超调小,且适应性强,具有推广价值。     

基于联合聚类的国家风险集成预测方法研究

准确预测国家风险能够有效降低一国在对外贸易中期望收益受损的可能性。然而,国家风险构成复杂、诱因多样且具有突发性,使得精准预测国家风险面临严峻挑战。为此,提出了一种基于BIRCH嵌套AP算法的联合聚类集成预测模型。通过设定移动窗口并使用BIRCH算法压缩并建立聚类特征树,利用AP算法对特征结果进行聚类并选定评估聚类簇;然后,计算单体模型在聚类簇中的预测表现,选取表现最佳的模型作为集成预测的输出。选取沙特阿拉伯、科威特、伊朗、利比亚4个欧佩克成员国的ICRG数据进行仿真实验以验证模型的预测性能,实验结果表明：在不同提前期下所提模型呈现出优异的预测表现,尤其在方向性精度上表现出显著且稳定的优势。     

企业财务报表分析中的模糊数学方法研究

财务报表分析无论对于企业自身还是银行、政府监管部门和中介机构都是至关重要的。从财务报表数据的模糊性与传统分析方法的主观性问题出发，利用模糊多项式时间序列模型以及基于模糊聚类的模糊预测模型，进行财务报表的趋势分析和综合分析。实证研究表明，模型的精度较高，利用上述模型进行财务报表分析符合财务数据本身的特性，与已有文献相比，较好地解决了模糊参数的估计问题和模糊聚类模型的动态预测问题，将其应用于企业财务报表分析的实践是有一定实用价值的。     

模糊神经网络在雷达网数据融合中的研究

根据数据融合的原理,对雷达网数据融合问题提出了一种模糊神经网络模型,讨论了神经元感应场内模糊隶属度函数最大的WTA竞争机制和目标数据的重复融合问题。通过三目标数据关联的仿真实验,证明了该方法的有效性。     

基于SOM神经网络和复相关系数结合的机床主轴温度测点的优化筛选

提出了基于SOM神经网络和复相关系数相结合的温度测点的优化算法,并应用于SV-48立式加工中心主轴测温点优化筛选。首先,在主轴上模拟布置温度传感器和Z轴位移传感器,在有限元分析的基础上得到了一系列温度和Z轴热位移仿真数据;然后,将温度数据输入到SOM神经网络聚类分组;最后利用复相关程度法将聚类的温度值与主轴Z轴热误差拟合,确定出机床热敏感点。研究结果表明,该方法简明易懂,有效减少了测温点的数量。     

基于自适应模糊PID控制的农用作业机械轨迹跟踪系统研究

为实现具备大转向间隙特征的智能农业作业机械的轨迹跟踪的稳定性和精确性,提出了一种新型的自适应模糊PID控制器。首先,基于预瞄跟踪理论,建立二自由度(2-DOF)车辆横向误差模型,并推算出其航向角误差。然后,提出了基于转角前馈补偿的自适应模糊控制器,根据驾驶员特性,建立模糊控制规则。最后,利用Carsim与Simulink进行联合仿真验证。结果表明:相比传统PID控制器,自适应模糊PID控制器可以有效地解决大转向间隙造成的转向控制稳定性问题,减少智能农机轨迹跟踪时的调整时间,提高跟踪精度,对较差的车况和工作环境具有较强的适应性和鲁棒性。